IMPLEMENTASI METODE BERBASIS MULTISCALE FEATURE EXTRACTION UNTUK SEGMENTASI PEMBULUH DARAH CITRA RETINA RED-FREE DAN FLUORESCEIN
Dosen Pembimbing 1 Dr. Agus Zainal Arifin, S.Kom., M.Kom. Dosen Pembimbing 2 Anny Yuniarti, S.Kom., M.Comp.Sc. Oleh: DESI DWI MUSPITASARI 5108100172 JURUSAN TEKNIK INFORMATIKA Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2012
1
Latar Belakang
Bentuk dari pembuluh darah pada retina bisa menjadi indikator yang penting dalam mendiagnosa penyakit diabetes,hipertensi dan retinopathy of prematurity(ROP).
Metode segmentasi pembuluh darah sangat penting untuk deteksi dini perubahan morfologi pembuluh darah pada retina
2
Rumusan Masalah
1. Bagaimana cara melakukan fiture extraction citra retina? 2. Bagaimana memilih skala yang optimal? 3. Bagaimana cara mensegmentasi pembuluh darah pada citra retina ?
3
Data Uji
Data citra tersebut didapatkan dari http://turing.iimas.unam.mx/~elena/Proj ects/segmenta/VesselSegment.html. Citra tersebut disimpan dalam bentuk jpg dengan ukuran 703x599 piksel. Citra input yang digunakan adalah dalam bentuk green channel
4
Tujuan Membangun perangkat lunak untuk melakukan segmentasi pembuluh darah pada citra retina redfree dan fluorescein secara otomatis dengan menggunakan metode berbasis Multiscale Feature Extraction
5
MANFAAT TUGAS AKHIR Menjadi bagian langkah dalam pengolahan citra medis untuk pendeteksian sebuah penyakit
6
Pendahuluan
Kontras antara pembuluh background rendah
darah
dan
Variasi diameter pembuluh darah yang berbeda-beda
Variasi intensitas dalam foto fundus digital sangat tinggi 7
Solusi yang pernah diajukan Beberapa metode diajukan untuk mengatasi problem di atas diantaranya adalah: a. line or edge detectors dengan boundary (Akita dan Kuga, 1982; Wu et al, 1995)
tracing
b. 1-D profile matching dengan vessel tracking dan local tresholding (Zhou et al, 1994) c. 2D matched filters (Chaudhuri et al., 1989)
8
Metode di atas kurang robust
Tidak bisa beradaptasi pada lingkungan citra dengan kontras rendah
9
Solusi yang diajukan Menggunakan metode:
Mutiscale Feature Extraction 1 2 3
•Feature Extraction (Gradient Magnitude dan Principal Curvture)
• Local Maxima Diameter Dependent Equalisation • Region Growing
10
Metode input Ekstraksi Fitur Diameter Dependent Region Growing output 11
Feature Extraction dengan Gradient Magnitude
input Mengkonvolusi citra dengan turunan pertama Gaussian Menghitung nilai gradient magnitude M=abs(Ix) + abs(Iy) Output 12
Feature Extraction dengan Principal Curvature input Mengkonvolusi citra dengan turunan kedua gaussian
Membentuk matrik hessian
Output Normalisasi
0,
λ1<0
Exp(-2Rb2 (1-exp(-s2 / 2c2)))
Rb =λ2/λ1
λ2 = max[λ+, λ−]
s= λ1 2 + λ22
λ1 = min[λ+, λ−]
13
Local Maxima Diameter Dependent Equalisation input
Menyimpan semua input dalam satu matriks
Mencari nilai gradient magnitude dan principal curvature yang paling maksimum Gradient Magnitude
Principal Curvature
Output 14
intensitas
Gradient Magnitude
1 kelas
intensitas
Principal Magnitude
Kelas background
Kelas pembuluh darah
gray level
15
Region Growing Ilustrasi:
16
Region Growing Input D Planting Seed κ<=µb background κ >=µv vessel
(125) (0)
Output RG
Stage 1 vessel
j==0 background
a+=0.5;
Stage 2
Menghitung mean dan standard deviasi baru a+=0.5;
17
Post Processing
Input RG Opening
Membuat mask - Citra complement -Canny edge detection -Dilation
InputRG(mask==1)=0; Citra Mask
Output Region Growing Output Akhir 18
2.28
Menghitung Akurasi akurasi = TP + TN / (TP + FP + FN + TN) TP =4 1 1 1
Citra MFE
1 1
Ground truth 19
Menghitung Akurasi akurasi = TP + TN / (TP + FP + FN + TN)
TN = 28
1
1
1
1
1
1
1
1
1
1
1
1
1
1 1
1 1
1
Citra MFE
1 1 1
1 1
1 1
1
1
1 1 Ground truth 20
akurasi = TP + TN / (TP + FP + FN + TN)
FP
=1
1
Citra MFE
Ground truth 21
akurasi = TP + TN / (TP + FP + FN + TN)
FP
=3
1
1
1 Citra MFE
Ground truth 22
Uji Coba Uji Coba dilakukan dengan data training sebanyak 10 citra, 5 citra red-free dan 5 citra fluorescein Skenario uji coba: 1. Mencari nilai parameter piksel yang optimal pada proses penghilangan noise pembuluh darah 2. Mencari nilai parameter piksel yang optimal pada proses penghilangan noise pada citra mask 3. Mencari nilai threshold yang paling optimal pada proses binerisasi citra pembuluh darah 4. Mencari nilai struktur elemen yang paling optimal pada proses penebalan citra mask 23
Mengukur performa metode berbasis Multiscale Feature Akurasi dari database HOOVER Extraction
Citra Akurasi Performa menghitung A metode ini diukur dengan 99.76% akurasi dari database HOOVER B 99.35% C 99.82% D 99.88% E 99.88% Rata-rata 99.74%
A
B
C
D
E
24
Akurasi Citra Red-free dengan parameter optimal
Perbandingan akurasi citra redCitra Akurasi freeA dan fluorescein A D 98.12%
B 98.23% Hal ini bertujuanC untuk membuktikan 98.10% B E bahwa metode ini jenis D kompatibel untuk 98.15% E citra dengan kontras rendah (red-free) 98.36% C 98.19% dan citra denganRata-rata kontras tinggi
(fluorescein) A
D
B
E
C
Akurasi Citra Fluorescein dengan parameter optimal
Citra A B C D E Rata-rata
Akurasi
98.17% 98.17% 98.46% 98.05% 98.33% 98.24%
25
Kesimpulan
Performa metode berbasis Multiscale Feature Extraction sangat baik, yaitu 99,74 %
Multiscale Feature Extraction mampu mensegmentasi jenis citra retina red-free maupun citra retina fluorescein.
Parameter yang optimal
nilai parameter piksel bwareaopen citra pembuluh darah = 50 parameter piksel bwareaopen citra mask = 20 threshold citra mask = 0.9 struktur elemen = 10 26
Saran Diharapkan ada pengembangan metode untuk mendeteksi dan menghilangkan exudates Diharapkan ada pengembangan metode untuk mendeteksi dan menghilangkan makula
27
TERIMA KASIH
28
