SEGMENTASI OPTIC NERVE HEAD DARI CITRA FUNDUS RETINA DENGAN ALGORITMA HOUGH TRANSFORM Ari Wijayanti1, Handayani Tjandrasa2 Nanik Suciati3 Teknik Infromatika , Institut Teknologi Sepuluh Nopember, ITS Surabaya, Jawa Timur, Indonesia. email :
[email protected],
[email protected],
[email protected] 3 Abstrak Optic nerve head merupakan bagian dari retina dimana sel ganglion axon keluar dari mata untuk membentuk optic nerve. Bagian optic nerve head ini disebut juga dengan “bintik buta” karena tidak sensitif terhadap cahaya. Pada tugas akhir ini penulis membuat sebuah perangkat lunak yang mengimplementasikan algoritma Hough Transform dan Active Contour Model untuk melakukan segmentasi bentuk optic nerve head pada citra fundus retina. Tahap pertama dimulai dengan preprocessing, yaitu perbaikan citra menggunakan Homomorphic Filtering untuk menekan efek iluminasi yang tidak merata sambil menjaga intensitas perbedaan di antara semua komponen dalam citra fundus retina. Kemudian dilanjutkan dengan penghapusan pembuluh darah pada citra untuk menghilangkan bagian yang tidak diperlukan pada citra agar mempermudah proses segmentasi selanjutnya. Tahap berikutnya adalah penggunaan Algoritma Hough Transform untuk melakukan circle fitting pada posisi dan perkiraan bentuk optic nerve head,hasil dari circle fitting ini berupa lingkaran yang menjadi inisialisasi level set untuk proses berikutnya yaitu segmentasi bentuk optic nerve head menggunakan active contour model. Hasil uji coba menunjukkan bahwa algoritma segmentasi yang diimplementasikan mampu melakukan segmentasi optic nerve head pada citra fundus retina dengan radius lingkaran Hough Transform R dan nilai ballon force yang bisa menentukan kontur mengembang atau menyempit ( α ) pada Active Contour Model yang ditentukan, yaitu memiliki nilai rata-rata akurasi sebesar 75.5568% setelah dibandingkan dengan segmentasi manual yang dilakukan dengan tangan manusia. Kata Kunci:
1.
Optic nerve head, Hough Transform, Active Contour Model
Pendahuluan
Glukoma merupakan penyebab kebutaan kedua setelah katarak di dunia. Penyakit ini adalah penyakit mata yang ditandai dengan adanya peningkatan tekanan bola mata disertai kerusakan struktur dan fungsi syaraf optik. Bilik anterior dan bilik posterior mata terisi oleh cairan encer yang disebut humor aqueus. Dalam keadaan normal, cairan ini dihasilkan di dalam bilik posterior, melewati pupil masuk ke dalam bilik anterior lalu mengalir dari mata melalui suatu saluran. Jika aliran cairan ini terganggu (biasanya karena penyumbatan yang menghalangi keluarnya cairan dari bilik anterior), maka akan terjadi peningkatan tekanan. Peningkatan tekanan intraokuler akan mendorong perbatasan antara saraf optikus dan retina di bagian belakang mata. Akibatnya pasokan darah ke saraf optikus berkurang sehingga sel-sel sarafnya mati. Karena saraf optikus mengalami kemunduran, maka akan terbentuk bintik buta pada lapang pandang mata. Yang pertama terkena adalah lapang pandang tepi, lalu diikuti oleh lapang pandang sentral. Jika tidak diobati, glaukoma pada akhirnya bisa menyebabkan kebutaan permanen. Salah satu metode diagnosa penyakit glukoma adalah dengan mengukur lapang
pandangan mata yang dapat dideteksi dari citra fundus retina. Teknik yang perlu dilakukan untuk mengolah citra fundus retina sebelum dilakukan klasifikasi deteksi apakah retina tersebut menderita glukoma atau tidak ialah segmentasi citra tersebut untuk mendapatkan bentuk lingkaran dari optic nerve head . Dalam Tugas Akhir ini penulis mengimplementasikan algoritma Hough Transform dan Active Contour Model untuk melakukan segmentasi bentuk dari optic nerve head pada citra fundus retina.
2.
Optic Nerve Head
Optic disc atau optic nerve head adalah lokasi dimana sel ganglion axon keluar dari mata untuk membentuk optic nerve. Pada optic nerve head tidak ada titik yang yang peka terhadap cahaya untuk merespon sebuah stimulus cahaya. Hal ini menyebabkan satu titik di bidang visual yang disebut "blind spot" atau "blind spot fisiologis". Optic disc merupakan awal syaraf optik dan titik dimana akson sel ganglion retina bermuara. Optic disc juga merupakan titik masuk untuk pembuluh darah utama yang menyuplai retina. Optic nerve head di mata manusia normal membawa 1 - 1.2 juta neuron dari mata ke otak.
(3.4) (3) Karena optic nerve head hilang pada proses Gaussian filtering, selanjutnya dilakukan pengembalian tepian gigi tersebut menggunakan fungsi spatial dilation. I’ diinvert-transform menjadi domain spatial kemudian dilakukan antilogarithm, sehingga diperoleh filtered homomorphic view dari iluminasi.
Gambar 2.1 Optic Nerve Head
3.
I’(x,y) = ln-1F-1(I’(u,v))
Perbaikan Citra Perbaikan citra merupakan suatu tahapan, dimana citra asli diperbaiki sehingga memudahkan proses pengolahan citra pada tahapan berikutnya. Untuk kasus ini, proses perbaikan citra berupa peningkatan kontras dan intensitas kerataan secara simultan. Metode yang digunakan untuk melakukan perbaikan citra adalah homomorphic filtering.
3.1
(3.5)
Selanjutnya dilakukan dilasi D untuk menyertakan kembali tepian optic nerve head yang terfilter [5]. Akhirnya, efek iluminasi dari citra asli dihilangkan, yakni dengan cara melakukan pembagian dengan dilated homomorphic view dari iluminasi terhadap citra asli, untuk menghasilkan citra yang ter-homomorphic filter I* , yang tampil dengan iluminasi lebih merata.
Homomorphic Filtering
Homomorphic filter merupakan suatu metode yang digunakan dalam pemrosesan citra. Homomorphic filtering ini digunakan untuk meng-kompensasi efek dari iluminasi yang tidak seragam pada citra [2]. Dalam teori, fungsi citra I(x,y) disusun oleh kombinasi perkalian pada komponen iluminasi i(x,y) dan komponen reflektan r(x,y). I(x,y) = i(x,y) . r(x,y)
(3.1)
Dalam tugas akhir ini metode homomorphic filtering digunakan untuk menekan efek iluminasi yang tidak merata sambil menjaga intensitas perbedaan di antara semua komponen dalam citra fundus retina. (1) Penerapan algoritma Fourier transform pada citra fundus retina I(x,y). Hal ini dilakukan untuk mendapatkan jumlah low-frequency dari komponen iluminasi-nya dan highfrequency dari komponen reflektan. I(u,v) = F(ln(I(x,y))) = F(ln(i(x,y))) + F(ln(r(x,y)))
(3.2) (2) Selanjutnya diaplikasikan Gaussian lowpass filter G(u,v) pada I [5]. Hal ini dilakukan untuk menghilangkan detail komponen dan mempertahankan distribusi pencahayaannya. I’(u,v) = G(u,v) . I(u,v)
(3.3)
(3.6) dan menunjukkan komponen reflektan.
4.
masing-masing iluminasi dan
Segmentasi Citra
Segmentasi membagi sebuah citra ke dalam region-region atau objek-objek yang bersesuaian. Level pembagian sub divisi tergantung pada permasalahan yang ingin dipecahkan. Ini berarti segmentasi harus berhenti ketika object of interest dalam sebuah aplikasi telah terisolasi. . Fitur yang dapat mempengaruhi proses segmentasi citra diantaranya fitur garis, kontras warna, tekstur citra. Proses segmentasi pada citra pada umumnya didasarkan pada sifat discontinuity dan similarity dari intensitas suatu piksel citra. Pendekatan discontinuity merupakan proses partisi citra bila terdapat perubahan intensitas atau informasi citra secara tiba-tiba yang pada umumnya disebut dengan edge based. Sedangkan pendekatan similarity merupakan proses partisi citra menjadi bagian-bagian yang memiliki persamaan ciri tertentu yang pada umumnya disebut dengan region based.
4.1
Hough Transform untuk Deteksi Lingkaran
Hough Transform dapat dideskripsikan sebagai sebuah transformasi dari sebuah titik pada bidang xy terhadap ruang parameter. Ruang
parameter ditentukan berdasarkan bentuk dari objek yang dicari. Sebuah garis lurus melewati titik dan terhadap bidang xy dapat dideskripsikan sebagai berikut:
(4.1) Ini adalah rumus untuk sebuah garis lurus dalam sistem koordinat Cartesian, dimana a dan b merepresentasikan parameter dari garis. Hough Transform untuk garis tidak menggunakan representasi garis, karena garis yang tegak lurus terhadap sumbu x akan memiliki sebuah nilai tak terhingga. Hal ini memaksa ruang parameter a,b untuk memiliki ukuran yang tidak terbatas. Sebaliknya, sebuah garis direpresentasikan oleh garis normalnya yang dapat direpresentasikan oleh sebuah sudut dan sebuah panjang .
(4.2) Ruang parameter kini dapat direntang dan , dimana dapat memiliki nilai oleh terbatas , tergantung pada resolusi yang digunakan untuk . Jarak ke garis akan memiliki ukuran maksimum dari dua kali panjang diagonal citra. Lingkaran sebenarnya lebih sederhana untuk direpresentasikan ke dalam ruang parameter dibandingkan dengan garis, karena lingkaran dapat langsung ditransfer ke ruang parameter. Rumus dari sebuah lingkaran adalah :
(4.3) Pada tugas akhir ini, tugas dari Hough Transform hanya untuk mendeteksi satu buah lingkaran pada tiap citra untuk mendeteksi letak lingkaran optic nerve head. Jika lingkaran pada citra memiliki radius R yang telah diketahui, maka pencarian dapat dikurangi ke 2D. Akan tetapi, jika radius R belum diketahui, solusi paling mudah adalah dengan cara menebak, yaitu membuat asumsi nilai R. Batas maksimum nilai R yang paling aman adalah panjang diagonal dari citra. Tidak akan ada kemungkinan lingkaran pada citra yang memiliki radius lebih besar daripada atau sama dengan panjang diagonalnya. Jadi selanjutnya tidak lagi menggunakan ruang parameter 3D. Setiap bidang horizontal akan setara dengan ruang parameter 2D dimana nilai R telah diketahui.
Gambar 3.1 Representasi Ruang Parameter Pada Gambar 3.1, tiap titik pada ruang geometrik (kiri) menghasilkan sebuah lingkaran pada ruang parameter (kanan). Lingkaranlingkaran pada ruang parameter beririsan pada (a, b) yang merupakan titik tengah pada ruang geometrik. Untuk setiap titik batas luar lingkaran digambarkan sebuah lingkaran dengan titik tersebut sebagai titik pusat dan radius R. Lingkaran digambarkan dalam ruang parameter dengan sumbu x adalah nilai a dan sumbu y adalah nilai b, sedangkan sumbu z adalah radius R. Pada koordinat yang termasuk dalam keliling lingkaran, nilai matriks akumulator yang pada dasarnya memiliki ukuran yang sama dengan ruang parameter dinaikkan. Caranya adalah menelusuri setiap titik tepi pada citra masukan untuk menggambar lingkaran dengan radius yang telah ditentukan dan menaikkan nilai akumulator. Ketika setiap titik tepi dan radius digunakan, maka perhatian dapat teralihkan pada akumulator. Akumulator sekarang berisi angka-angka yang sesuai dengan jumlah lingkaran yang melewati koordinat individu. Dengan demikian angka tertinggi (dipilih dengan cara tertentu, dalam kaitannya dengan radius) sesuai dengan pusat lingkaran pada citra. 4.2
Active Contour Model
Active contour model juga biasa disebut snake adalah sebuah framework untuk menggambarkan sebuah bentuk objek dari citra 2D. Disebut dengan snake karena cara meluncur kontur yang disertai dengan peminimalan energi. Framework ini mencoba untuk meminimalisasi sebuah energi yang berhubungan dengan bentuk citra sebagai sebuah jumlah energi internal dan eksternal. Energi eksternal harus jadi minimum ketika snake telah berada pada posisi batas luar suatu objek. Pendekatan yang paling sederhana adalah memberi nilai gradien rendah pada sekitar posisi kontur hingga mencapai nilai minimum. Sedangkan energi internal harus jadi minimum ketika snake mempunyai bentuk yang sesuai dengan bentuk objek yang dicari. Pendekatan yang paling sederhana adalah dengan memberikan nilai energi yang tinggi untuk kontur memanjang (elastic force) dan kelengkungan kontur yang tinggi (rigid force), tergantung dari seberapa bentuk objek tersebut harus sama, teratur dan sehalus mungkin. [9]
Snake direpresentasikan sebagai kumpulan n titik pada suatu citra. Representasi posisi dari snake : (4.4)
E snake = E int ernal + E eksternal
(4.5)
penghentian (terminations). Energi ini dapat direpresentasikan sebagai : Eimage = wlineEline + wedgeEedge + wtermEterm
Fungsi garis adalah fungsi intensitas dari citra, yang dapat direpresentasikan sebagai :
Esnake = ∫ Esnake (v( s))ds = ∫ (Eint ernal (v( s )) + Eimages (v( s)) + Econ (v( s)) )ds 1
1
0
0
(4.6) (4.7) Dimana: Einternal = energi internal Eeksternal = energi eksternal Eimage = menimbulkan image force = menimbulkan external constraint force Econ
(4.12) Akan tetapi fungsi garis ini tergantung pada wline , dimana snake akan ditarik ge garis gelap atau garis terang. [9]. Tepi pada citra dapat dicari dengan fungsi energi sebagai berikut yang akan membuat snake menarik ke arah kontur dengan gradient citra yang besar. (4.13) 4.5
4.3
Energi Internal
Energi spline internal dapat dituliskan dengan :
(4.8) (4.9)
Desain dari Fungsi SPF
Fungsi SPF memiliki range nilai antara [-1, 1]. Range nilai ini, merepresentasikan tanda dari kekuatan tekanan pada inside dan outside kontur. Sehingga kontur menyempit ketika berada diluar objek, dan melebar ketika berada didalam objek [5]. Fungsi SPF dapat diformulakan sebagai berikut : c1 + c 2 2 spf ( I ( x)) = c + c2 max | I ( x) − 1 2 I ( x) −
(4.10) Dimana :
= energi dari kontur snake = energy dari kurva spline
Bagian pertama membuat snake berlaku seperti selaput dan bagian kedua membuat snake yang berlaku seperti piringan tipis. Nilai besar akan meningkatkan energi internal yang dapat merentangkan snake terus menerus, dimana yang kecil akan membuat fungsi energi nilai tidak sensitif terhadap jumlah rentangan. Sama dengan , nilai yang besar akan meningkatkan energy internal dari snake saat snake membuat lengkungan lebih banyak, sebaliknya nilai yang kecil akan membuat fungsi energi tidak sensitif terhadap lengkungan pada snake. Nilai dan yang lebih kecil akan menempatkan batasan yang lebih sedikit pada ukuran dan bentuk snake. 4.4
Image Force
Image force atau energi citra adalah energi yang membawa snake menuju fitur citra yang menonjol. Energi citra mempunyai tiga komponen yaitu garis (lines), tepi (edges), dan
(4.11)
|
, xεΩ
(4.14) Intensitas pada inside dan outside objek adalah homogen. Hal ini intuitif bahwa Min(I(x)) c1 dan c2 Max(I(x)). Tanda-tanda yang sama tidak bisa diperoleh secara bersamaan dimanapun kontur tersebut. Oleh karena itu, menggunakan formula berikut : Min( I ( x)) <
c1 + c 2 < Max( I ( x)), xεΩ 2
(4.15) Formula level set untuk segmentasi lokal atau global secara selektif, adalah sebagai berikut : ∇φ ∂φ = spf ( I ( x)). div + α | ∇φ | +∇spf ( I ( x)).∇φ , xεΩ ∂t | ∇φ |
5.
(4.16)
Perancangan Sistem Secara Umum
Secara umum sistem perangkat lunak ini adalah melakukan segmentasi optic nerve head (optic disk) pada citra fundus retina dengan algoritma Hough Transform. Tujuan dari sistem ini ialah untuk melakukan segmentasi bagian optic nerve head (optic disk) yang selanjutnya dapat diteruskan untuk melakukan deteksi beberapa penyakit mata, salah satunya glukoma. Secara garis besar system ini terdiri dari 3 tahap, yaitu preprocessing , tahap penghapusan pembuluh pada citra, dan tahap segmentasi.
Tahap segmentasi juga dilakukan dengan dua tahap, yaitu tahap melingkari perkiraan bentuk optic nerve head untuk segmentasi secara kasar dan tahap segmentasi lebih halus lagi mendekati bentuk aslinya. Citra inputan yang diproses pada perangkat lunak ini citra fundus retina berwarna ukuran 185 x 172 pixel.
2
3
3
7
4
9
5
12
6
17
7
19
8
26
9
27
mulai
Data citra fundus retina berwarna
Preprocessing dengan Homomorphic filtering
Penghapusan pembuluh darah dari citra
Circle fitting optic nerve head dengan Hough Transform
Segmentasi bentuk optic nerve head dengan Active Contour Model
Hasil segmentasi optic nerve head
selesai
Gambar 5.1 Diagram Alir Sistem Secara Umum
6.
Uji Coba dan Evaluasi
Data utama yang digunakan pada uji coba ini adalah citra fundus retina berwarna berukuran 185 X 172 piksel berformat tif. Citra yang akan digunakan 30 buah. Citra berasal dari database DRIVE.
No
1
Nama Urutan Citra
2
Citra
10
Dari Gambar 6.1 dan 6.2 sekilas telihat hasil segmentasi yang hampir sama, akan tetapi setelah dihitung nilai akurasinya berbeda. Untuk hasil segmentasi citra 9 Uji Coba I dengan R=45 akurasinya 80.1794% dan, sedangkan dengan R=42 nilai akurasinya 83.4509%.
29
Tabel 6.2 Perbandingan Nilai Rata-rata Akurasi dengan Nilai Radius R yang Berbeda
Tabel 6.1 Data uji coba 6.1.
Skenario Uji Coba
Pada bagian ini dijelaskan mengenai skenario uji coba yang telah dilakukan. Terdapat dua skenario, yaitu : 1. Perbandingan nilai akurasi dari hasil segmentasi citra otomatis yang dilakukan oleh sistem dibandingkan segmentasi manual berdasarkan dua nilai inisialisasi radius lingkaran Hough Transform yang berbeda, yaitu R=45 dan R=42. Perbandingan nilai akurasi dari hasil segmentasi citra otomatis yang dilakukan oleh sistem dibandingkan segmentasi manual dengan nilai α = 10, α = 1, dan α = 0.1 pada Active Contour Model 6.1.1.
Uji Coba I dengan Radius Berbeda
Nilai radius sangat berpengaruh pada hasil segmentasi. Hal ini dikarenakan jika nilai radius berbeda, maka hasil cicle fitting oleh Hough Transform akan menunjukkan perbedaan yang signifikan pada luasan dan posisi lingkaran, sehingga menyebabkan inisialisasi level set untuk proses kontur aktif juga menjadi berubah yang berakibat pada penurunan nilai akurasi. Pada skenario ini terdapat 30 buah citra yang digunakan dalam uji coba. Pada sub bab ini akan ditampilkan perwakilan beberapa buah citra yang telah diuji dengan nilai R = 45 dan R = 42
(a)
(b)
(c)
Gambar 6.1 Hasil Segmentasi Citra 9 Uji Coba I; R = 45 ;(a) citra masukan; (b) kontur; (c) binary mask
(a)
(b)
(c)
Gambar 6.2 Hasil Segmentasi Citra 9 Uji Coba I, R = 42; (a) citra masukan; (b) kontur; (c) binary mask
Nilai R 45 42 6.1.2.
Rata-rata akurasi 73.2525% 75.5568%
Uji Coba II dengan Nilai Alpha Berbeda
Nilai alpha (α) adalah nilai yang sangat penting pada tahap segementasi akhir dengan active contour model. Nilai α mempengaruhi fungsi SPF pada evolusi kontur. Variasi pada nilai α akan menimbulkan perbedaan nilai akurasi dan error pada hasil segmentasi. Beberapa contoh hasil segmentasi dengan nilai α yang berbedabeda ditunjukkan pada Gambar 6.3 sampai dengan Gambar 6.5. Uji coba dilakukan pada citra masukan 26 dengan nilai α bervariasi yaitu 0.1 , 1, dan 10.
(a)
(b)
(c)
Gambar 6.3 Hasil Segmentasi Citra 26 Uji Coba II; α= 0.1 ;(a) citra masukan; (b) kontur; (c) binary mask
(a)
(b)
(c)
Gambar 6.4 Hasil Segmentasi Citra 26 Uji Coba II; α= 1 ;(a) citra masukan; (b) kontur; (c) binary mask
(a)
(b)
(c)
Gambar 6.5 Hasil Segmentasi Citra 26 Uji Coba II; α= 10 ;(a) citra masukan; (b) kontur; (c) binary mask
Gambar 6.3, 6.4, dan 6.5 adalah hasil segmentasi citra 26 dengan nilai α 0.1, 1, dan 10. Akurasi untuk α=0.1 adalah 82.3529%. Akurasi untuk α=1 adalah 85.9853%. Sedangkan akurasi untuk α=10 adalah 86.7329%. Tabel 6.3 Perbandingan Nilai Rata-rata Akurasi dengan Nilai Radius α yang Berbeda
Nilai α 0.1 1 10 6.2.
Rata-rata akurasi 70.8754 73.7828 75.5568
2.
3.
Evaluasi 4.
Dari hasil uji coba yang telah dilakukan, beberapa parameter yang digunakan selama uji coba memberikan pengaruh terhadap hasil segmentasi citra. Parameter tersebut diantaranya adalah besar radius lingkaran yang ditentukan pada algoritma Hough Transform dan nilai α yang digunakan pada fungsi SPF pada Acrive Contour Model. Nilai radius sangat berpengaruh pada hasil segmentasi. Hal ini dikarenakan jika nilai radius berbeda, maka hasil cicle fitting oleh Hough Transform akan menunjukkan perbedaan yang signifikan pada luasan dan posisi lingkaran, sehingga menyebabkan inisialisasi level set untuk proses kontur aktif juga menjadi berubah yang berakibat pada penurunan nilai akurasi. Dari uji coba yang telah dilakukan terhadap 30 buah citra dapat disimpulkan bahwa nilai R dapat ditentukan berdasarkan kondisi tiap citra yang berbeda-beda, tetapi sebagian besar data citra yang digunakan untuk uji coba ini menghasilkan segmentasi dengan akurasi yang lebih baik saat menggunakan nilai radius R=42. Nilai alpha (α) adalah nilai yang sangat penting pada tahap segementasi akhir dengan active contour model. Nilai α mempengaruhi fungsi SPF pada evolusi kontur. Variasi pada nilai α akan menimbulkan perbedaan nilai akurasi pada hasil segmentasi. Setelah dilakukan uji coba terhadap 30 buah citra ditarik kesimpulan bahwa peningkatan nilai α berbanding lurus dengan peningkatan akurasi.
7.
7.2. Saran Adapun saran yang ingin disampaikan penulis terkait dengan pengerjaan Tugas Akhir ini adalah, hasil segmentasi optic nerve head pada citra fundus retina dengan algoritma Hough Transform dan Contour Active Model memliki nilai akurasi yang seharusnya bisa lebih besar. Hal ini mungkin dikarenakan masih adanya pembuluh darah dan serabut syaraf yang kurang bersih pada citra khususnya pada bagian optic nerve head itu sendiri, sehingga mempengaruhi proses evolusi kontur. Diperlukan algoritma yang lebih optimal untuk melakukan pembersihan pembuluh darah dan serabut syaraf.
8.
Chrástek, R., Wolf, M., Donath, K., Niemann, H., Paulus, D., Hothorn, T., Lausen, B., Lämmer, R., Mardin, C., Michelson, G., 2005. Automated segmentation of the optic nerve head for diagnosis of glaucoma. Med. Image Anal. 9 (4), 297–314.
[2]
Bock, Rudiger, Meier, Jorg, Nyul, Laszio G., Hornegger, Joachim, dan Michelson, Georg, 2010. Glaucoma risk index:Automated glaucoma detection from color fundus images, Erlangen Nuremberg University, Germany. Med. Image. Anal. 14, 471-481.
[3]
S., Soemartono, Dr.H.SpM., Mengenali Glaukoma (Diagnosa dan Pemeriksaan), Glaucoma Center RS Mata Undaan, Surabaya, Indonesia
Kesimpulan dan Saran
Berdasarkan hasil uji coba yang telah dilakukan, terdapat beberapa kesimpulan yang dapat diambil, yaitu: Algoritma Hough Transform dapat digunakan untuk mendeteksi letak lingkaran
Referensi
[1]
7.1. Kesimpulan
1.
optic nerve head pada citra fundus retina akan tetapi untuk menemukan bentuk optic nerve head yang lebih mirip dengan bentuk aslinya dilakukan proses active contour model. Hal ini dilakukan karena bentuk optic nerve head yang tidak persis lingkaran. Kedua metode tersebut terbukti efektif untuk melakukan segmentasi optic nerve head pada citra fundus retina dengan radius R dan nilai α yang ditentukan, yaitu memiliki nilai akurasi sebesar 75.5568% . Berdasarkan uji coba, radius R dapat ditentukan berdasarkan kondisi tiap citra yang berbeda-beda, akan tetapi pada data uji coba nilai radius yang menghasilkan akurasi hasil segmentasi terbaik saat R=42. Variasi pada nilai α akan menimbulkan perbedaan nilai akurasi pada hasil segmentasi. Setelah dilakukan uji coba terhadap 30 buah citra ditarik kesimpulan bahwa peningkatan nilai α berbanding lurus dengan peningkatan akurasi.
[4]
Yoga, Pramana, 2010. Segmentasi Citra XRAY Dental Bitewing Untuk Menentukan Jenis Gigi, Tugas Akhir, Jurusan Teknik Informatika Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia
[5]
MATLAB® . 2008. “image processing MATLAB® toolbox”. MATLAB® 7.6 Help.
[6]
Michael Kass, Andrew Witkin, Demetri Terzopoulus. 1988. Snake: Active Contour Models. International Journal of Computing Vision 321-331
[7] Utkarsh. 2011. Circle Hough Transform.
[8] Bourne, Rupert.RA. 2006. The Optic Nerve Head in Glaucoma. Community Eye Journal. [9] Wikipedia. 2011. Active Contour Model. [10] R.C. Gonzales, et al. 2008. Digital Image Processing, 3rd edition, United State of America : Prentice Hall.
