IMPLEMENTASI SEGMENTASI PEMBULUH RETINA DENGAN METODE MULTI- SCALE LINE TRACKING

MAKALAH SEMINAR TUGAS AKHIR PERIODE JULI 2011

IMPLEMENTASI SEGMENTASI PEMBULUH RETINA DENGAN METODE MULTISCALE LINE TRACKING Syarifatun Nadhiroh Qomariyah1, Handayani Tjandrasa2, Nanik Suciati3 Teknik Informatika, Fakultas Teknologi Informasi, ITS email : [email protected], [email protected], [email protected] retina dengan bantuan komputer. Sehingga adanya suatu sistem yang mampu secara cepat, otomatis, adaptif, dan akurat dalam mensegmentasi pembuluh retina sangatlah berguna. Teknik deteksi tepi tepi tradisional yang ada, seperti Canny, Sobel, Prewwit, dan lain sebagainya tidak mampu mensegmentasi pembuluh dari background-nya dengan baik, sehingga teknik deteksi tepi khusus sangat diperlukan agar hasil segmentasi pembuluh menjadi lebih akurat. Oleh karena itu, untuk menyelesaikan permasalahan di atas, penulis mengusulkan perancangan dan pembuatan sistem yang mampu mensegmentasi pembuluh pada retina dari background-nya dengan sebuah teknik deteksi tepi khusus, yaitu dengan menggunakan metode multi-scale line tracking [1]. Metode ini dapat digunakan untuk mensegmentasi pembuluh retina pada citra retina dengan perubahan luminosity dan kontras yang besar.

ABSTRAKSI Pembuluh pada retina merupakan objek yang sangat penting untuk mendiagnosis berbagai penyakit. Sehingga adanya suatu sistem yang mampu secara cepat, otomatis, adaptif, dan akurat dalam mensegmentasi pembuluh retina sangat berguna. Pada Tugas Akhir ini, segmentasi pembuluh darah pada retina dilakukan dengan menggunakan metode multi-scale line tracking. Terdapat tiga langkah untuk mensegmentasi pembuluh darah pada retina yang digunakan dalam Tugas Akhir ini. Langkah pertama adalah tahap preprocessing citra. Preprocessing dilakukan dengan mengambil green channel dari citra retina yang kemudian pada green channel tersebut dilakukan contrast enhancement. Langkah kedua adalah segmentasi citra yang terdiri dari pemilihan piksel awal untuk line tracking, inisialiasi line tracking dan estimasi piksel line-tracking yang baru, serta estimasi awal jaringan pembuluh. Proses inisialisasi line tracking dan juga estimasi piksel line-tracking yang baru dilakukan untuk semua scale. Kemudian, langkah yang terakhir yang terakhir adalah postprocessing. Langkah postprocessing terdiri dari penghapusan tepi retina, median filtering, morphological directional filtering dan morphological reconstruction. Dari langkah-langkah tersebut diperoleh hasil akhir segmentasi pembuluh darah pada retina. Berdasarkan uji coba yang dilakukan, metode Multi-scale Line Tracking dapat mensegmentasi pembuluh retina dengan akurasi sebesar 95,07%, sensitivitas sebesar 82,01%, dan spesifisitas sebesar 98,66% . Uji coba dilakukan pada citra retina yang terdapat dalam DRIVE database dengan gold standard ground truth .

2

Citra dapat didefinisikan sebagai fungsi dua dimensi, f(x,y). x dan y merupakan koordinat spasial dan f pada koordinat (x,y) merupakan intensity atau graylevel citra pada titik tersebut. Ketika x,y dan f bernilai diskrit citra disebut disebut citra digital. Sehingga pengolahan citra digital merujuk pada pemrosesan citra digital dengan digital computer. Pengolahan citra digital mencakup proses yang input dan output-nya adalah citra dan juga proses yang mengekstrak atribut dari citra sampai dengan pengenalan objek.

2.1 Citra Digital

Kata kunci : Segmentasi pembuluh retina, Multi-scale line tracking, Citra retina.

1

PENGOLAHAN CITRA DIGITAL

Pada bagian ini akan dijelaskan mengenai beberapa hal yang berkaitan dengan citra digital, yaitu hubungan antar piksel dan histogram.

PENDAHULUAN 2.1.1

Pembuluh pada retina merupakan objek yang sangat penting untuk mendiagnosis berbagai penyakit. Perubahan diameter, sudut percabangan (turtuosity), dan panjang percabangan dari pembuluh di retina, dapat digunakan untuk mediagnosis berbagai penyakit, beberapa diantaranya adalah diabetes, hipertensi, angiogenesis, dan retinopathy of prematurity (ROP). Dengan memanfaatkan citra retina yang diperoleh dari kamera fundus, pengolahan citra dan pengenalan pola, dapat dilakukan otomatisasi proses diagnosis penyakit, perkiraan efek terapi dan juga proses operasi laser pada

Hubungan Antar Piksel

Terdapat beberapa jenis hubungan antar piksel, diantaranya ketetanggaan dan konektivitas. Sebuah piksel p pada koordinat (x,y) memiliki empat tetangga, yaitu tetangga yang berada pada arah horizontal dan vertical. Keempat tetangga tersebut memiliki koordinat (x+1, y), (x-1, y), (x, y+1), dan (x, y-1). Piksel-piksel tersebut disebut sebut sebagai 4-neighbors dari p, yang dinotasikan dengan N4(p). Selain tetangga pada arah horizontal dan vertical, terdapat empat tetangga piksel p pada arah

1

MAKALAH SEMINAR TUGAS AKHIR PERIODE JULI 2011 diagonal. Koordinat piksel tetangga tersebut adalah (x+1, y+1), (x+1, y-1), (x-1, y+1), dan (x-1, y-1). Piksel-piksel tersebut dinotasikan dengan ND(p). ND(p) bersama dengan 4-neighbors disebut sebagai 8-neighbors dari p, dan dinotasikan dengan N8(p). Konektivitas antar piksel merupakan konsep dasar yang menyederhanakan definisi berbagai konsep dasar citra digital, seperti region dan boundary. Dua piksel dikatakan memiliki konektivitas bila kedua piksel tersebut bertetangga dan gray level-nya memenuhi criteria kesamaan tertentu. Pada binary image, dua piksel dikatakan memiliki konektivitas bila bertetangga dan memiliki nilai yang sama [2].

Secara umum algoritma dalam segmentasi citra berdasar pada dua properti dasar dari nilai intensity, yaitu discontinuity dan similarity. Pendekatan pada kategori yang pertama adalah dengan membagi citra berdasarkan pada perubahan intensity yang tajam, seperti tepi pada citra. Sedangkan pendekatan pada kategori yang kedua berdasarkan pada pembagian citra menjadi region yang mirip berdasarkan pada sekumpulan kriteria yang telah didefiniskan sebelumnya. Beberapa contoh metode pada kategori ini adalah thresholding, region growing dan region splitting, serta merging.

2.1.2

Salah satu metode untuk segmentasi adalah deteksi tepi. Deteksi tepi adalah proses untuk mencari tepi suatu citra. Deteksi tepi mendeteksi perubahan yang tajam dalam brightness citra. Sebagian besar metode deteksi tepi bekerja dengan asumsi bahwa tepi terjadi ketika terdapat diskontinuitas pada intensity. Terdapat banyak metode untuk melakukan deteksi tepi. Namun, secara garis besar terdapat dua metode untuk melakukan deteksi tepi, yaitu gradient dan Laplacian. Metode Sobel menggunakan contoh deteksi tepi yang menggunakan metode gradient. Sebuah piksel dikatakan sebagai tepi bila nilai gradient-nya melebihi threshold. Sobel edge operator menggunakan sepasang mask konvolusi 3x3. Mask konvolusi yang pertama digunakan untuk mengestimasi gradient pada arah-x dan mask konvolusi yang kedua digunakan untuk mengestimasi gradient pada arah-y [4]. Mask Sobel ditunjukkan pada gambar berikut :

3

Histogram Citra

Histogram pada citra bertindak sebagai representasi grafis dari distribusi intensity pada citra digital. Histogram mem-plot jumlah piksel untuk setiap nilai intensity. Dengan melihat histogram citra seorang pengamat secara sekilas bisa menilai keseluruhan distribusi intensity pada citra tersebut. Sumbu horizontal pada histogram merepresentasikan nilai intensity, sedangkan sumbu vertikal pada histogram merepresentasikan jumlah piksel pada nilai intensity tersebut. Daerah gelap direpresentasikan di sumbu horizontal sebelah kiri dan daerah yang terang direpresentasikan pada sumbu horizontal sebelah kanan. Jadi, semakin ke kanan intensity semakin terang. Sehingga bila terdapat histogram yang datanya mengumpul di kiri berarti gambar tersebut sangat gelap. Sedangkan bila datanya cenderung mengumpul di kanan, berarti gambar tersebut sangat terang. Sumbu vertikal mereprsentasikan ukuran daerah setiap intensity. Karena informasi yang terdapat dalam histogram merupakan representasi distribusi intensity piksel, maka dengan menganalisis histogram bisa didapatkan puncak atau lembah dari histogram citra tersebut. Informasi tersebut kemudian dapat digunakan untuk menentukan nilai threshold. Sehingga histogram citra dapat digunakan untuk thresholding, yang kemudian dapat dimafaatkan untuk proses deteksi tepi dan segmentasi citra [3].

DETEKSI TEPI SOBEL

-1

0

+1

+1

+2

+1

-2

0

+2

0

0

0

-1

0

+1

-1

-2

-1





Gambar 1 Mask Sobel Sobel edge operator menghitung gradient dari intensity citra pada setiap titik. Magnitude gradient dapat dihitung menggunakan formula sebagai berikut:

2.2 Segmentasi Citra Segmentasi membagi citra menjadi objek atau daerah yang dipilih. Sampai seberapa jauh pembagian dalam citra tersebut tergantung pada permasalahan yang ingin diselesaikan. Ketika objek yang ingin disegmentasi telah terisolasi, segmentasi harus dihentikan. Karena tidak ada gunanya untuk melakukan segmentasi melebihi tingkat kedetailan yang seharusnya dibutuhkan untuk mengidentifikasi elemen tersebut. Sementasi citra merupakan salah satu pekerjaan yang paling sulit dalam pengolahan citra. Akurasi dari segmentasi menentukan kesuksesan atau kegagalan prosedur analisa yang terkomputerisasi. Oleh karena itu, sangat penting untuk meningkatkan akurasi segmentasi.

||     

(1)

Sobel detector sangat sensitif terhadap derau pada citra.

4

IMAGE ENHANCEMENT DALAM DOMAIN SPASIAL

Image enhacement merupakan suatu proses pengolahan citra sehingga citra hasil menjadi lebih sesuai untuk aplikasi tertentu daripada citra aslinya. Image enhancement dapat dibagi menjadi dua kategori. Yaitu image enhancement dalam domain spasial dan image enhancement dalam domain frekuensi. Pada image 2

MAKALAH SEMINAR TUGAS AKHIR PERIODE JULI 2011 enhancement dalam domain spasial, teknik enhancement dilakukan dengan memanipulasi piksel dalam citra secara langsung. Sedangkan pada image enhancement dalam domain frekuensi, teknik pemrosesannya dilakukan berdasarkan modifikasi transformasi Fourier. Proses enhancement dalam domain spasial dapat dinotasikan dengan ekspresi sebagai berikut : gx, y  Tfx, y

4.2 Contrast Limited Equalization (CLAHE)

Adaptive

Histogram

Contrast Limited Adaptive Histogram Equalization (CLAHE) termasuk teknik perbaikan citra yang digunakan untuk memperbaiki kontras pada citra. CLAHE memperbaiki local contrast pada citra. CLAHE merupakan generalisasi dari Adaptive Histogram Equalization (AHE) [6]. Berbeda dengan histogram equalization yang beropersi pada keseluruhan region pada citra, CLAHE beroperasi pada region kecil pada citra grayscale yang disebut dengan tile. Kontras pada setiap tile diperbaiki sehingga histogram yang dihasilkan dari region tersebut kira-kira cocok dengan bentuk histogram yang ditentukan.Tile yang saling bertetangga disambungkan dengan menggunakan interpolasi bilinear. Hal ini dilakukan agar hasil penggabungan tile terlihat halus. Kontras, terutama pada area yang homogen, dapat dibatasi untuk menghindari penguatan derau yang mungkin terdapat dalam citra [6].

(2)

fx, y merupakan input image, gx, y merupakan output image, dan T merupakan operator pada f yang didefinisikan dalam beberapa ketetanggaan dari x, y. Prinsip yang digunakan dalam mendefinisikan ketetanggaan dari titik x, y adalah dengan menggunakan square atau rectangle subimage area yang terpusat pada x, y. Bentuk ketetanggan tidak selalu square atau rectangle, namun square dan rectangle merupakan bentuk yang paling umum. Square atau rectangle subimage berpindah dari satu piksel ke piksel yang lain dan operator T diterapkan pada setiap lokasi x, y. Transformasi dalam image enhancement bisa berupa point processing ataupun mask processing atau filtering. Pada point processing, enhancement pada citra hanya bergantung pada gray level pada titik tersebut. Sedangkan pada mask processing atau filtering, nilai piksel (x,y) yang baru bergantung pada nilai-nilai tetangganya.

5

MORPHOLOGICAL IMAGE PROCESSING

Salah satu penerapan morfologi adalah dalam pengekstrakan komponen citra yang berguna dalam representasi dan deskripsi bentuk. Dalam morphology sekumpulan refleksi dan translasi dilakukan berdasarkan structuring element (SE). Structuring element merupakan suatu set kecil atau subimage yang digunakan untuk memeriksa citra yang sedang dipelajari propertinya. Structuring element biasanya direpresentasikan dengan matriks 0 dan 1, namun terkadang hanya ditampilkan yang bernilai 1 saja. Pada bagian berikut ini dijelaskan mengenai beberapa operasi dasar dalam morphology. Operasi – operasi tersebut antara lain dilasi, erosi, opening, closing, dan morphological reconstruction [7].

4.1 Median Filter Median filter termasuk salah satu teknik image enhancement yang berkerja dalam domain spasial dan merupakan nonlinear spatial filter. Pada median filtering, nilai suatu piksel digantikan dengan median dari gray level dari ketetanggan piksel tersebut. Median filter biasanya digunakan untuk mengurangi derau pada citra dan digunakan untuk smoothing. Median filter efektif khususnya dalam mengurangi jenis derau berupa impulsive noise atau salt and pepper [5]. Pada median filter terdapat mekanisme untuk mengurangi derau pada citra dengan tetap menjaga tepi citra secara lebih efektif daripada linear smoothing filter. Banyak teknik pengolahan citra digital seperti rank-order dan morphological processing merupakan variasi dari algoritma median dasar [6]. Pada median filter, untuk setiap piksel dalam citra, nilai piksel dalam window ketetanggaan diurutkan berdasarkan intensity dan dicari nilai tengahnya (median) untuk menjadi nilai output titik tersebut. Karena operasi median filter harus dilakukan jutaan kali untuk memfilter citra yang berukuran besar, maka hal tersebut menyebabkan median filter memiliki komputasi yang relatif mahal dan kompleks. Oleh karena itu, berbagai macam algoritma dikembangkan untuk mengatasi permasalahan tersebut.

5.1 Dilasi dan Erosi Dilasi adalah operasi yang membuat objek dalam citra biner menjadi lebih “tebal”. Penebalan ini dikontrol oleh structuring element. Sedangkan erosi merupakan operasi yang membuat objek menjadi lebih “tipis” atau “menyusut”. Penipisan pada erosi juga dikontrol oleh structuring element seperti pada proses dilasi. Secara matematis, proses dilasi A oleh B, dengan A adalah citra yang akan didilasi dan B adalah structuring element, dapat dinotasikan sebagai berikut :       |    

(3)

Sedangkan proses erosi A oleh B dapat dinotasikan sebagai berikut :      |    

3

(4)

MAKALAH SEMINAR TUGAS AKHIR PERIODE JULI 2011 Secara konsep morphological reconstruction merupakan dilasi citra yang disebut citra marker secara berulang sampai kontur marker pas di bawah citra mask. Dilasi marker dibatasi oleh mask dan bila dilasi selanjutnya tidak merubah citra, proses dilasi dihentikan. Dilasi yang terakhir merupakan reconstructed image [9].

Secara grafis proses dilasi seperti proses mentranslasikan structuring element ke seluruh piksel pada citra dan kemudian diperiksa dimana saja piksel yang overlap dengan piksel yang bernilai 1. Lalu piksel citra hasil dilasi bernilai 1 pada setiap lokasi structuring element overlap minimal satu piksel bernilai 1 pada citra asli. Erosi secara grafis dapat digambarkan sebagai proses translasi structuring element ke seluruh citra dan kemudian dilakukan pengecekan utnuk melihat lokasi structuring element cocok sepenuhnya dengan foreground dari citra. Citra output bernilai 1 pada setiap lokasi structuring element overlap piksel bernilai 1 saja pada citra asli atau dengan kata lain tidak overlap dengan background citra.

6 PERHITUNGAN AKURASI, SENSITIVITAS, DAN SPESIFISITAS Ketika hasil segmentasi telah didapat, perlu dilakukan perhitungan tingkat kebenaran hasil segmentasi. Perhitungan tingkat kebenaran dilakukan dengan membandingkan hasil segmentasi dengan ground truth. Sensitivitas dan spesifisitas merupakan beberapa contoh ukuran statistik untuk mengetahui tingkat kebenaran. Sensitivitas merupakan ukuran true positives yang telah dinormalisasi. Sedangkan spesifisitas merupakan ukuran proporsi dari true negatives. Rumus untuk perhitungan akurasi, sensitivitas, dan spesifisitas ditunjukkan pada persamaan berikut ini:

5.2 Morphological Opening dan Closing Morphological opening merupakan erosi yang diikuti dengan dilasi. Morphological opening A oleh B, dengan A adalah citra yang akan di-opening dan B adalah structuring element, dapat dinotasikan sebagai A ! B  !    #    

&'(&)*)+)*,& 

(5)

&2'&)3)&)*,& 

Persamaan di atas secara sederhana dapat diinterpretasikan $ ! % adalah gabungan dari seluruh translasi dari % yang pas sepenuhnya dengan $. Morphological opening menghapus daerah yang tidak mengandung structuring element, memperhalus kontur objek, memutus koneksi tipis, dan menghapus tonjolan tipis. Morphological closing merupakan kebalikan dari morphological opening. Jika pada opening, operasi yang dilakukan adalah erosi yang diikuti dengan dilasi, maka pada closing, operasi yang dilakukan adalah dilasi yang diikuti dengan erosi. Morphological closing A oleh B dapat dinotasikan dengan  •   •      # 

-. -./01 -1 -1/0.

(7) (8)

Dalam kasus segmentasi pembuluh, 45 (True Positive) merupakan piksel pembuluh yang disegmentasi dengan benar sebagai piksel pembuluh. 46 (True Negative) merupakan piksel bukan pembuluh yang disegmentasi dengan benar sebagai piksel bukan pembuluh. 75 (False Positive) merupakan piksel yang seharusnya bukan pembuluh namun disegmentasi sebagai piksel pembuluh. Sedangkan 76 (False Negative) meupakan piksel yang seharusnya pembuluh namun disegmentasi sebagai bukan pembuluh.

7 SEGMENTASI PEMBULUH RETINA DENGAN MENGGUNAKAN METODE MULTISCALE LINE TRACKING

(6)

Langkah-langkah dalam proses melakukan segmentasi pembuluh retina dengan metode multi-scale line trcaking [1] adalah sebagai berikut: 1. Mengambil green channel citra retina. 2. Melakukan contrast enhancement dengan metode Contrast Limited Adaptive Histogram Equalization (CLAHE). 3. Melakukan pemilihan piksel awal (seed) untuk line tracking (8&). Pemilihan piksel dilakukan sesuai persamaan 8&  9, :: 4<=> ? @9, : ? 4A)BCD, dengan TLow = 30 dan THigh = 70. 4. Melakukan inisialisasi line tracking. k F 1, VI k F VJ t, CI F D. VI merupakan himpunan piksel yang sedang di-track pada iterasi t. Sedangkan CI merupakan himpunan piksel line-tracking yang baru. 5. Melakukan estimasi piksel line-tracking yang baru. Estimasi dilakukan dengan menggunakan cross-

Seperti halnya pada opening, closing juga cenderung menghaluskan kontur pada objek. Perbedaannya adalah closing biasanya menyambung objek yang terputus dan mengisi lubang yang lebih kecil dari structuring element.

5.3 Morphological Reconstruction Reconstrcution merupakan morphological transformation yang melibatkan dua citra dan satu structuring element. Citra pertama digunakan sebagai marker, sedangkan citra kedua digunakan sebagai mask. Marker berfungsi sebagai starting point untuk transformasi. Mask berfungsi sebagai batasan transformasi. Sedangkan structuring element digunakan untuk mendefinisikan konektivitas.

4

MAKALAH SEMINAR TUGAS AKHIR PERIODE JULI 2011 sectional profile (VM ). VM untuk semua CI diestimasi dengan formula : 8N 9, :, O, PQ   @9  RO cos PQ – > sin PQ Y , :  ZO sin PQ  > cos PQ [  @ 9  ZO cos PQ  > sin PQ [ , :  ZO sin PQ \ > cos PQ [ \ 2@ 9  9, : ^ _ dan ZO cos PQ [ , :  ZO sin PQ [, >  ` \ 1⁄2 (3.4) CI merupakan delapan tetangga terdekat Nc dari piksel yang saat ini sedang di-track, kecuali piksel yang termasuk dalam VI .  O, PQ  merupakan koorddinat polar dari kandidat yang relatif terhadap  9, : dan ` merupakan lebar dari cross-sectional profile. Sudut ketika cros-sectional profile parameter bernilai maksimum dan juga melebihi nilai threshold 4 digunakan untuk menentukan piksel yang akan ditrack selanjutnya. Sudut yang dimaksud pada penjelasan di atas dapat dinotasikan dengan

7. Setelah proses multi-scale line tracking dilakukan, dan telah didapatkan multi-scale confidence image, selanjutnya dilakukan estimasi awal jaringan pembuluh. Estimasi awal jaringan pembuluh dilakukan dengan menggunakan metode map quantization. Metode ini cukup cepat dan sederhana. Pada map quantization, jaringan pembuluh awal dibangun dari piksel yang memiliki confidence matrix yang lebih besar atau sama dengan threshold TI . Threshold TI nilainya ditentukan dari jumlah scale yang digunakan dalam multi scale line tracking. Sehingga, piksel yang memiliki nilai confidence matrix lebih dari jumlah scale yang digunakan pada saat multi scale line tracking, maka piksel tersebut termasuk piksel pembuluh. 8. Hasil estimasi awal jaringan masih memiliki banyak derau dan juga terdapat kesalahan deteksi retina boundaries sebagai pembuluh. Sehingga perlu dilakukan penghapusan retina boundaries untuk meningkatkan tingkat kebenaran hasil segmentasi. Penghapusan retina boundaries dilakukan dengan melakukan beberapa langkah. Langkah yang pertama adalah melakukan deteksi tepi pada citra green channel retina. Deteksi tepi dilakukan dengan deteksi tepi Sobel dengan parameter sensitivitas threshold adalah 0,15. Deteksi tepi dilakukan untuk mendapatkan retina boundaries. Setelah diketahui lokasi retina boundaries dari hasil deteksi tepi, pada lokasi yang sama pada citra hasil estimasi awal jaringan pembuluh, nilai piksel pada citra hasil estimasi awal jaringan dibuat menjadi bernilai nol. Piksel bernilai nol merupakan piksel bukan pembuluh. Sehingga akan didapatkan citra yang telah terhapus retina boundaries-nya. 9. Setelah initial vessel network diperoleh dan telah dilakukan penghapusan retina boundary pada hasil estimasi awal jaringan pembuluh , dilakukan median filtering untuk menyambungkan garis – garis pembuluh yang seharusnya terhubung dan juga menghilangkan derau-derau yang masih ada dalam initial vessel network, sehingga tingkat kesalahan deteksi pembuluh akan berkurang. Median filter yang digunakan adalah median filter 3x3. 10. Setelah dilakukan median filtering, dilakukan morphological opening menggunakan structuring element berbentuk line dengan lima sudut yang berbeda pada citra biner hasil tahap sebelumnya. Panjang structuring element yang digunakan sebesar M = 3 dan sudut yang digunakan sebesar 150° . Moprphological 0° , 30° , 60° , 120° , dan directional filtering dilakukan dengan menjalankan morphological opening menggunakan sudut-sudut yang telah ditentukan. Kemudian hasil masing-masing opening digabungkan menggunakan logika OR. 11. Langkah yang terkahir adalah morphological reconsruction. Pada morphological reconstruction, marker image yang digunakan adalah image hasil morphological directional filtering yang telah diopening dan mask image yang digunakan adalah

Pd  ,OBef maxi8N j9, :, O, PQ k: 8N j9, :, O, PQ k l 4m (9) dan piksel yang akan di-track selanjutnya dapat dinotasikan dengan 9 , :   9  O cos Pd , :  O sin Pd  .

(10)

Setelah diperoleh koordinat piksel yang akan di-track selanjutnya, maka confidence array _o di-update : _o 9, : F _o 9, :  1.

(11)

Kemudian nilai variabel k di-update dan koordinat piksel yang akan di-track selanjutnya dimasukkan dalam 8 : 9, : F 9 , : , p F p  1, 8 p  9, :. (12) Selanjunya langkah pencarian piksel untuk linetracking yang baru diulang dari pengisian variabel _ . Namun bila ternyata semua cross-sectional profile parameter pada persamaan x.x nilainya kurang dari threshold 4, maka algoritma line-tracking dimulai lagi dari piksel seed berikutnya * F *  1 dari langkah inisialisasi line tracking. Threshold 4 algoritma ini, digunakan dalam eliminasi piksel sehingga mengurangi line tracking yang salah dalam citra bernoise. 6. Line racking untuk semua seed diulang sebanyak jumlah scale. Jumlah scale yang digunakan tergantung pada ukuran tubuler dari struktur pembuluh yang akan dideteksi pada citra retina. Pada Tugas Akhir ini scale yang digunakan sejumlah lima scale, yaitu W = 3, 5,7,9, dan 11. Pada proses multi-scale line tracking didapatkan multi-scale confidence image. Multi-scale confidence image merupakan gabungan dari confidence matrix setiap scale.

5

MAKALAH SEMINAR TUGAS AKHIR PERIODE JULI 2011 image hasil morpohological directional filtering yang asli. Structuring element yang digunakan adalah structuring element berbentuk disk dengan radius R = 2 dan konektivitas yang digunakan adalah 8connectivity.

Citra masukan disegmentasi dengan menggunakan scale 1, 3, 5, 7, 9, 11, 13 Berikut ini merupakan hasil segmentasi citra 01_test.tif dengan menggunakan scale 1, 3, 5, 7, 9, 11, 13. Hasil citra green channel dan segmentasi citra ditunjukkan pada Error! Reference source not found.. Dari uji coba tersebut didapatkan nilai sensitivitas segmentasi citra sebesar 75,54% dan nilai spesifisitas sebesar 98,07%. •

8 UJI COBA DAN EVALUASI Data yang digunakan pada uji coba ini adalah citra retina pada DRIVE database[10] yang merupakan citra fundus mata berwarna dengan ukuran 565x584 piksel dan berupa citra RGB.

8.1 Uji Coba Perbandingan Hasil Sensitivitas

dan Spesifisitas Segmentasi Citra dari Proses Segmentasi dengan Scale yang Berbeda-Beda

(a1) (a2) Gambar 4 Hasil uji coba I dengan scale 1, 3, 5, 7, 9, 11, 13 (a) citra green channel (b) hasil segmentasi

Pada skenario uji coba yang pertama ini akan dibandingkan nilai sensitivitas dan spesifisitas segmentasi citra yang dihasilkan dari masing-masing citra dengan scale yang berbeda-beda. Uji coba pertama skenario ini akan diujikan pada citra 01_test.tif yang merupakan citra dari DRIVE database.

Citra masukan disegmentasi dengan menggunakan scale 3, 5, 7, 9 Berikut ini merupakan hasil segmentasi citra 01_test.tif dengan menggunakan scale 3, 5, 7, 9. Hasil citra green channel dan segmentasi citra ditunjukkan pada Error! Reference source not found.. Dari uji coba tersebut didapatkan nilai sensitivitas segmentasi citra sebesar 76,83% dan nilai spesifisitas sebesar 98,20%. •

Gambar 2 Citra masukan 01_test.tif uji coba I Pada skenario ini, segmentasi dilakukan pada citra 01_test.tif dengan menggunakan scale 1, 3, 5, 7, 9, 11; 1, 3, 5, 7, 9, 11, 13; 3, 5, 7, 9; 3, 5, 7, 9, 11; 3, 5, 7, 9, 11, 13; 5, 7, 9, 11; dan 5, 7, 9, 11, 13. Kemudian akan dilihat hasil segmentasi citra dan sensitivitas dan spesifisitas dari hasil segmentasi citra tersebut.

(a1) (a2) Gambar 5 Hasil uji coba I dengan scale 3, 5, 7, 9 (a) citra green channel (b) hasil segmentasi Citra masukan disegmentasi dengan menggunakan scale 3, 5, 7, 9, 11 Berikut ini merupakan hasil segmentasi citra 01_test.tif dengan menggunakan scale 3, 5, 7, 9, 11. Hasil citra green channel dan segmentasi citra ditunjukkan pada Error! Reference source not found.. Dari uji coba tersebut didapatkan nilai sensitivitas segmentasi citra sebesar 79,04% dan nilai spesifisitas sebesar 97,81%. •

Citra masukan disegmentasi dengan menggunakan scale 1, 3, 5, 7, 9, 11 Berikut ini merupakan hasil segmentasi citra 01_test.tif dengan menggunakan scale 1, 3, 5, 7, 9, 11. Hasil citra green channel dan segmentasi citra ditunjukkan pada Gambar 3. Dari uji coba tersebut didapatkan nilai sensitivitas segmentasi citra sebesar 73,09% dan nilai spesifisitas sebesar 98,53%. •

(a1) (a2) Gambar 6 Hasil uji coba I dengan scale 3, 5, 7, 9, 11 (a) citra green channel (b) hasil segmentasi

(a1) (a2) Gambar 3 Hasil uji coba I dengan scale 1, 3, 5, 7, 9, 11 (a) citra green channel (b) hasil segmentasi

•

6

Citra masukan disegmentasi dengan menggunakan scale 3, 5, 7, 9, 11, 13