IMPLEMENTASI METODE BERBASIS MULTISCALE FEATURE EXTRACTION UNTUK SEGMENTASI PEMBULUH DARAH CITRA RETINA RED-FREE DAN FLUORESCEIN Desi Dwi Muspitasari1, Agus Zainal Arifin2, Anny Yuniarti3 Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember email :
[email protected],
[email protected],
[email protected]
ABSTRAKSI Bentuk morfologi dari pembuluh darah citra retina mnjadi sebuah indikator yang sangat penting untuk pendeteksian sebuah penyakit seperti diabetes, darah tinggi, dan retinopati (penyakit pada retina). Karena itu, pengukuran pada perubahan morfologi dari arteri dan vena merupakan sebuah diagnosis yang berharga. Foto fundus digital mempunyai perpendaran cahaya yang tidak merata pada latarnya dan mempunyai berbagai variasi diameter dari pembuluh darah retina. Karena itu, perbaikan citra dan segmentasi pada foto fundus digital sangat penting untuk mengatasi permasalahan tersebut. Tujuan dari makalah ini adalah membangun perangkat lunak untuk melakukan segmentasi pembuluh darah pada citra retina secara otomatis menggunakan metode yang berbasis Multiscale Feature Extraction. Ada tiga tahapan penting dalam metode Multiscale Feature Extraction yaitu ekstraksi fitur dengan gradient magnitude dan principal curvature, diameter dependent equalisation dan region growing. Metode ini dujikan pada dua jenis citra retina yaitu citra retina red-free dan fluorescein. Berdasarkan hasil uji coba yang dilakukan pada sepuluh citra red-free dan fluorescein, pembuluh darah pada foto fundus digital terlihat jelas. Hasil dari segmentasi dengan metode ini kemudian dibandingkan dengan database HOOVER sebagai ground truth dan menghasilkan nilai akurasi ratarata sebesar 91.88%. Kata Kunci: Segmentasi pembuluh darah retina, Multiscale Feature Extraction, Region Growing.
1.
Beberapa teknik pengambilan citra yang berbeda – beda telah digunakan untuk mendapatkan citra pembuluh darah pada retina, dua diantaranya akan menjadi fokus kerja dalam makalah ini. Teknik yang pertama adalah mengambil citra retina dalam keadaan remang, hal ini dimaksudkan untuk memperlebar pupil. Citra ini dinamakan dengan citra red-free. Citra red-free ini mempunyai kontras yang rendah sehingga sulit dibedakan antara pembuluh darah dengan background-nya. Sedangkan teknik yang kedua adalah dengan cara menyuntikkan suatu cairan ke dalam pembuluh darah untuk meningkatkan kontras pembuluh darah dengan background. Citra ini dinamakan citra fluorescein. Citra ini diambil dari objek yang sama dengan citra red-free. Kedua jenis retina ini diambil dalam bentuk green channel untuk meningkatkan penampakan pembuluh darah pada citra retina.
PENDAHULUAN
Pembuluh darah pada foto fundus digital menyediakan informasi yang dapat digunakan untuk mendiagnosis suatu penyakit. Contoh penyakit yang dapat diidentifikasi melalui pembuluh darah pada citra retina diantaranya adalah hipertensi, diabetes, retinopathy (penyakit retina). Identifikasi contoh penyakit tersebut di atas adalah ditandai dengan perubahan diameter, sudut percabangan, dan bentuk pada pembuluh darah. Oleh sebab itu, segmentasi terhadap pembuluh darah retina dapat menyediakan sebuah pemetaan dari pembuluh darah di retina yang dapat memudahkan penilaian karakteristik pembuluh darah tersebut. Pendeteksian manual terhadap pembuluh darah ini sulit dilakukan karena penampakan dari pembuluh darah pada citra retina cukup kompleks dan muncul dalam kontras yang rendah. 1
Banyak metode yang diusulkan untuk mendeteksi pembuluh darah pada citra medis, tetapi hanya sedikit yang berhubungan dengan pembuluh darah retina. Metode yang pernah diusulkan untuk mendeteksi pembuluh darah pada retina diantaranya adalah metode yang berbasis Line or Edge Detectors with Boundary Tracing [1], metode ynag berbasis 1-D Profile Matching with Vessel Tracking [2], 2D Matched Filters [3]. Karena bentuk morfologi dari pembuluh darah yang sangat bervariasi dan kekontrasan dari pembuluh darah dengan background yang sangat rendah, maka metode yang diusulkan di atas kurang robust dalam dalam mensegmentasi pembuluh darah. Metodemetode itu hanya dikembangkan untuk jenis citra retina red-free saja atau citra retina fluorescein saja, tidak untuk keduanya [4]. Untuk itu diusulkan sebuah metode baru yang berbasis Multiscale Feature Extraction yang mana keunggulan dari metode ini adalah bisa beradaptasi pada kondisi citra retina redfree (kontras rendah) maupun fluorescein (kontras tinggi). 2.
Dimana G adalah: G(x, y; s) =
Untuk mengekstraksi fitur geometri dari suatu objek, sebuah citra dikonvolusi dengan turunan dari kernel Gaussian. (3) dimana n adalah pangkat order dari turunan tersebut. Perubahan parameter s (skala) menghasilkan citra output yang berbeda-beda. Hal ini dilakukan untuk mencari fitur yang paling optimal dari suatu objek pada citra. 2.1.1
Metode Segmentasi berbasis Multiscale Feature Extraction
G=
=
(4)
Masing-masing turunan terhadap x dan y dapat dituliskan pada persamaan berikut 4.
Deteksi tepi untuk ekstraksi fitur citra
Deteksi tepi merupakan salah satu operasi dasar dari pemrosesan citra, deteksi tepi sangat diperlukan sebelum pemrosesan segmentasi citra. Batas objek suatu citra dapat dideteksi melalui perbedaan tingkat keabuannya. Ada empat macam tipe tepi objek, diantaranya adalah step, ramp, line dan step line [5]. Untuk mendeteksi tepi pembuluh darah dapat dilakukan dengan melakukan konvolusi citra I(x, y) dengan kernel Gaussian G(x, y;s). I s (x, y; s) = I(x, y)
G(x, y; s)
Gradient Magnitude
Pada dasarnya, operasi deteksi tepi objek merupakan operasi yang mendeteksi perubahan tingkat keabuan yang signifikan dari suatu citra. Perubahan tingkat intensitas diukur oleh suatu gradien citra. Misalnya diketahui suatu citra f(x,y) adalah fungsi dua dimensi, maka vektor gradien dari x dan y yang dapat dituliskan dalam bentuk persamaan 3.
Metode Multiscale Feature Extraction ini terdiri atas tiga metode utama yaitu ekstraksi fitur dengan Gradient Magnitude dan Principal Curvature, Local Maxima Diameter Dependent, dan Region Growing. 2.1
(2)
=
(5)
Operator gradien menghitung perubahan intensitas tingkat keabuan dan arah perubahan yang terjadi. Perubahan tersebut dihitung melalui perbedaan nilai dari tetangga-tetangga piksel tersebut. Dalam citra dua dimensi, gradien didekati menggunakan persamaann 5. G=
=
(1) Pada persamaan 5 dapat dituliskan dalam bentuk persamaan 6.
2
(6)
skala yang paling optimum. Citra dengan skala optimum mencerminkan ekstraksi fitur citra yang optimum pula. Citra dengan skala maksimum belum tentu menghasilkan fitur yang paling bagus, karena hanya akan mendeteksi pembuluh darah dengan diameter besar saja. Untuk itu diperlukan diameter dependent equalization untuk memberi kesempatan pembuluh darah kapiler muncul ke permukaan. Untuk itu dicarilah nilai gradient dan principal curvature yang paling besar yang telah dibagi dengan d, dimana d=2s.
G x= (7)
dan Gy =
Sedangkan besaran dari gradien dapat dihitung menggunakan beberapa model persamaan, diantaranya adalah persamaan 2.15, 2.16, 2.17 (8) 2.1.2 Principal Curvature Ekstraksi fitur dengan Principal Curvature adalah bertujuan untuk mengetahui kecembungan atau kecekungan suatu objek. Pada metode ini, citra dikonvolusi menggunakan turunan kedua Gaussian. Dari hasil turunan kedua Gaussian kemudian dapat dibentuk matrik Hessian. Matrik Hessian adalah matrik simetri yang berisi elemen turunan kedua dari suatu fungsi. Berikut persamaan matrik Hessian bisa dilihat pada persamaan 6.
(12)
2.3 Region Growing Region Growing adalah proses untuk menumbuhkan wilayah dari region tertentu yang berawal dari seeed point [4]. Seed point adalah melabeli piksel yang memenuhi syarat tertentu. Syarat tertentu di sini didapatkan dari nilai rata-rata dan standard deviasi suatu citra. Untuk citra gradient magnitude hanya dibentuk menjadi satu kelas saja. Sedangkan untuk principal curvature dibentuk menjadi dua kelas, yaitu kelas background dan pembuluh darah. Citra yang menjadi masukan dalam proses region growing ini adalah citra principal curvature. Semisal untuk melabeli background syaratnya adalah piksel tersebut harus kurang dari sama dengan rata-rata kelas background seperti yang ditunjukkan persamaan 14. Dan untuk melabeli pembuluh darah syaratnya adalah piksel yang lebih besar sama dengan rata-rata kelas pembuluh darah seperti yang ditunjukkan persamaan 15.
(9) Nilai eigenvalue dari suatu matrik simetri dapat dicari dengan menggunakan persamman 7. (10) Untuk nilai eigenvalue bisa dedifinisikan sebagai berikut, O 1 = min (|O + |,|O - |) dan O 2 = maks (|O + |,|O - |). Nilai eigenvalue kemudian dinormalisasi seperti yang ditunjukkan pada persamaan 8 berikut,
(14) Normalisasi =
(11) (15) Piksel-piksel yang belum terlabeli akan dilabeli pada Region Growing langkah pertama. Ada suatu constraint yang mensyaratkan suatu piksel untuk masuk ke kelas tertentu. Untuk syarat masuk ke kelas pembuluh darah adalah seperti yang ditunjukkan pada persamaan 16 dan kelas background pada persamaan 17.
2.2 Local Maxima Diameter Dependent Dari proses ekstraksi fitur dengan Gradient Magnitude dan Principal Curvature yang menhasilkan citra dengan skala yang berbeabeda, dicarilah satu skala yang paling optimum dari skala yang ada. Untuk perlu dicari local maxima dari citra tersebut. Citra dengan local maksima paling tinggi adalah citra dengan
(P v a v V v Ndan J P g + a g V g dan N v
3
(16)
N P b + a b V b dan JP g dan N b
a
(17)
Dimana a mempunyai dampak pengaruh pada ukuran masing-masing kelas baik background maupun pembuluh darah. Nilai a diinisialisasi sebesar 1 dan karena Region Growing ini merupakan proses yang iteratif, maka nilai a akan bertambah sebesar 0.5. N adalah jumlah piksel tetangga yang sudah terlabeli sebagai salah satu diantara dua kelas tadi. Jika pada Region Growing langkah pertama masih ada piksel yang belum terlabeli, maka dilanjutkan pada Region Growing langkah kedua. Pada langkah kedua ini mempunyai constraint sendiri seperti yang ditnjukkan pada persamaan 18 untuk kelas pembuluh darah dan persamaan 19 untuk kelas background. N P j - aV j dan N j
(18)
N P j + aV j dan N j
(19)
b
Gambar 3.1 (a) Citra red-free, (b) hasil segmentasi citra red-free a
b
Gambar 3.2 (a) Citra fluorescein, (b) hasil segmentasi citra fluorescein a
Proses Region Growing langkah dua ini akan terus berulang sampai tidak ada lagi piksel yang terlabeli. Gambar 2.1 merupakan hasil dari segmentasi dengan Region Growing.
b
Gambar 3.3 (a) Hasil segmentasi citra red-free, (b) hasil segmentasi citra fluorescein a
(a) (b) (c) Gambar 2.1 (a) Planting seed, (b) Region growing langkah satu, (c) Region growing langkah dua
b
Gambar 3.4 (a) Citra red-free, (b) hasil segmentasi citra red-free dengan makula metode yang berbasis Multiscale Feature Extraction ini kompatibel untuk jenis citra kontras rendah maupun tinggi.Pada Gmbar 3.4 adalah contoh lain hasil segmentasi yang masih mendeteksi makula sebagai pembuluh darah. Makula dan pembuluh darah mempunyai tingkat kecerahan yang sama dengan pembuluh darah, terutama pada citra red-free. Olehsebab itu, makula didteksi sebagai pembuluh darah. Ini adalah salah satu hal yang menjadi kekurangan dari metode Multiscale Feature Extraction.
3. Hasil lAda sepuluh citra yang diuji, lima citra red-free dan lima citra fluorescein. Gambar 3.1 adalah menunjukkan citra red-free asli (a) dan citra red-free yang sudah tersegmentasi (b). Gambar 3.2 adalah menunjukkan citra fluorescein asli (a) dan citra fluorescein yang sudah tersegmentasi(b). Gambar 3.3 merupakan perbandingan hasil segmentasi citra red-free dan fluorescein. Dari hasil segmentasi keduanya menunjukkan sedikit adanya perbedaan. Hasil segmentasi citra fluorescein lebih baik dibandingkan citra red-free, karena citra fluorescein mempunyai tingkat kontras yang lebih tinggi daripada citra red-free. Walaupun begitu, hasil segmentasi keduanya hampir sama, hal ini menunjukkan bahwa
4. Validasi hasil segmentasi Sebelum hasil segmentasi dari metode ini dimanfaatkan dalam ilmu kesehatan, dibutuhkan validasi dengan menghitung akurasi dari metode berbasis Multiscale Feature Extraction (MFE) ini. Validasi yang 4
a
dilakukan pada makalah ini adalah: (1) perbandingan hasil segmentasi citra red-free dan fluorescein, (2) perbandingan hasil segmentasi MFE dengan database HOOVER. 4.1 Perbandingan red-free dengan fluorescein Gambar 3.3 merupakan perbandingan hasil segmentasi citra red-free dengan citra fluorescein. Dari gambar tersebut tampak hanya sedikit perbedaan hasil antara keduanya. Walaupun untuk citra fluorescein hasilnya lebih bagus dikarenakan citra fluorescein mempunyai kontras yang lebih tinggi. Berikut hasil akurasi dari keduanya bisa dilihat pada Tabel 4.1. Akurasi red-free dan fluorescein didapatkan dengan membandingkan hasil segmentasi MFE dengan ground truth. Pada Tabel 4.1 dan Tabel 4.2 menunjukkan hasil akurasi yang hampir sama antara red-free dan fluorescein, hal ini membuktikan bahwa metode yang berbasis MFE kompatibel untuk citra dengan kontras rendah maupun tinggi.
Gambar 4.2 (a) Hasil semnetasi MFE, (b) groundtruth HOOVER. Tabel A.1 Evaluasi kinerja Multiscale Feature Extraction dengan parameter optimal Citra A B C D E Rata-rata
Akurasi 92.04% 89.37% 77.04% 84.78% 85.20% 85.69%
Tabel 4.2 Akurasi citra fluorescein Citra A B C D E Rata-rata
Akurasi 94.08% 95.06% 92.30% 90.03% 87.91% 91.88%
5. Kesimpulan Kesimpulan yang dapat diambil berdasarkan hasil uji coba yang telah dilakukan pada Tugas Akhir ini yaitu: 1. Multiscale Feature Extraction secara efektif dapat mengambil fitur citra yang paling optimal dari berbagai parameter skala yang berbeda-beda. 2. Multiscale Feature Extraction mampu mensegmentasi untuk jenis citra retina dengan kontras rendah (citra retina redfree) maupun citra retina dengan kontras tinggi (citra retina fluorescein). Hal ini dapat dibuktikan dengan nilai akurasi masing-masing jenis citra sangat tinggi dan mempunyai perbedaan yang sangat tipis.
Tabel 4.1 Akurasi citra red-free Citra A B C D E Rata-rata
b
Akurasi 90.87% 95.88% 97.65% 95.72% 95.66% 95.16%
6. Saran Adapun saran yang ingin disampaikan penulis terkait dengan pengerjaan Tugas Akhir ini adalah 1. Diharapkan ada pengembangan metode untuk mendeteksi dan menghilangkan exudates. 2. Diharapkan ada pengembangan metode untuk mendeteksi dan menghilangkan makula.
4.2 Perbandingan dengan database HOOVER Gambar 4.2 berikut adalah perbandingan hasil segmentasi MFE dengan groundtruth pada database HOOVER.. Akurasi dari metode Multiscale Feature Extraction ini adalah sebesar 91.88%.
5
7.
DAFTAR PUSTAKA
[1] Akita, K.,Kuga, H., 1982. “A computer method of understanding ocular fundus images”. PatternRecogn. 15, 431– 443. [2] Bland, J. M., Altman, D.G. 1986. “Statistical methods forassessing agreement between two methods of clinical measurement”. Lancet1 (8476), 307–310. [3] Chaudhuri, S., Chatterjee, S., Katz, N., Nelson, M., Goldbaum, M. 1989. “Detection of blood vessels in retinal images using two-dimensional matched filters”. IEEE Trans. Med. Imag. 8, 263–269. [4] Martinez-Perez, E., Hughes, A., Thom, S., Bharath, A,. Parker, K. 2007. “Segmentation of blood vessels from redfree and fluorescein retinal images”. Technology and Medicine, University of London. [5] Purnomo, Mauridhi Henry. 2010. Konsep Pengolahan Citra Digital dan Ekstraksi Fitur. Surabaya: Graha Ilmu.
6
