Implementasi Evaluasi Performa Struktural Algoritma Deteksi Struktur Garis Lengkung

Transkripsi

1 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: ( Print) 1 Imlementasi Evaluasi Performa Struktural Algoritma Deteksi Struktur Garis Lengkung Mujaahidah As Sayfullooh, Anny Yuniarti, dan Agus Zainal Arifin Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Seuluh Noember (ITS) Jl. Arief Rahman Hakim, Surabaya anny@if.its.ac.id, agusza@cs.its.ac.id Abstrak Struktur garis lengkung adalah fitur yang berguna dalam berbagai alikasi, terutama dalam analisis citra medis. Metode evaluasi erforma algoritma deteksi struktur garis lengkung sangat dibutuhkan untuk mengukur akurasi dari hasil deteksi garis lengkung. Oleh karena itu, telah dibangun sistem engukur erforma algoritma deteksi struktur garis lengkung dengan metode evaluasi erforma struktural ada kasus segmentasi embuluh darah retina. Metode evaluasi erforma struktural adalah metode evaluasi berdasarkan erbandingan struktur dari hasil segmentasi garis lengkung dengan ground truth melalui roses oint matching. Metode ini terdiri dari lima roses yaitu melakukan ekstraksi struktur dengan skeletonisasi, emilihan kandidat match berdasarkan jarak Euclidean dan selisih lebar struktur, enghitungan cost dari kandidat match, enghitungan otimal structural matching, dan engukuran kualitas deteksi yang menghasilkan dua asek erforma yaitu nilai akurasi dan akurasi deteksi. Metode berhasil mengukur erforma algoritma dengan baik dan menghasilkan informasi karakteristik dari struktur garis lengkung yang dideteksi. Kata Kunci Evaluasi erforma, Image matching, Segmentasi struktur garis lengkung, Skeletonisasi. E I. PENDAHULUAN VALUASI erforma algoritma adalah salah satu ermasalahan yang enting dalam engenalan ola [1]. Penelitian yang ekstensif telah banyak dilakukan ada bidang evaluasi erforma algoritma deteksi tei dan region, sedangkan enelitian ada evaluasi algoritma deteksi struktur garis lengkung (curvilinear) lebih sedikit sehingga bereluang untuk diekslorasi lebih luas. Struktur garis lengkung adalah garis atau lengkungan ada citra dengan lebar yang bervariasi. Struktur garis lengkung adalah fitur yang berguna dalam berbagai alikasi misalnya untuk menemukan jalan atau sungai ada citra udara, mendeteksi jalur lalu lintas, dan lain-lain. Struktur garis lengkung juga menjadi fitur yang banyak diamati ada citra medis, misalnya embuluh darah, rongga udara, tulang, dan struktur tiis lainnya [2]. Salah satu struktur garis lengkung yang banyak diteliti adalah embuluh darah retina yang meruakan indikator enting mendiagnosis enyakit diabetes, hiertensi, dan arteriosclerosis. Sebagian besar algoritma deteksi embuluh darah retina menggunakan evaluasi erforma berbasis ground truth dengan erbandingan iksel objek hasil segmentasi dengan ground truth, dimana ground truth adalah citra referensi dari hasil yang diharakan. Evaluasi ini disebut dengan evaluasi ixel-wise. Setelah mendaatkan citra hasil segmentasi/machinesegmented (MS), maka evaluasi dimulai dengan mencari jumlah iksel embuluh ada MS dan ground truth (GT) yang dihitung sebagai true ositive (). Piksel yang ditandai sebagai embuluh di MS tetai bukan embuluh ada GT dihitung sebagai false ositive (FP). True Positive Rate (R) adalah embagian dengan total iksel embuluh GT. Sedangkan False Positive Rate (FPR) adalah embagian FP dengan total iksel yang bukan embuluh ada GT. Sebagai alternatif, FPR juga daat dihitung berdasarkan jumlah iksel bukan embuluh yang berada dalam lingkaran yang tamak, field of view (FOV) [3]. Setelah mendaatkan nilai R dan FPR, erforma sistem daat diteliti dengan menggunakan kurva receiver oerating curves (ROC). Jika nilai yang dihasilkan semakin mendekati sudut kiri atas kurva (R = 100% dan FPR = 0%), maka erforma sistem semakin baik [2]. Metode evaluasi ixel-wise digunakan untuk mengevaluasi metode binarisasi [4]. Selain itu, juga digunakan untuk mengekstraksi bangunan ada citra udara [5]. Metode ini teat digunakan untuk region yang besar, tetai alikasinya ada struktur garis lengkung yang meruakan region tiis dan terulur anjang daat diertimbangkan kembali. Hal ini dibuktikan dari nilai R dan FPR emat citra sintetis MS yang meruakan modifikasi dari sebuah citra GT STARE yang ditamilkan ada Gambar 1 (c) (f) [2]. Gambar 1. (a) Citra retina STARE; (b) GT; (c) MS thin: GT yang dierosi; (d) MS del: GT dengan sejumlah iksel yang dihaus; (e) MS ex: GT yang didilasi; (f) MS ins: GT dengan sejumlah iksel yang disisikan [2]

2 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: ( Print) 2 Dengan metode evaluasi ixel-wise, MS thin dan MS del menghasilkan nilai R dan FPR yang sama yaitu 85,1% dan 0% adahal dua citra MS ini memiliki bentuk yang berbeda. Kejadian yang serua juga terjadi ada citra MS ex dan MS ins yang menghasilkan nilai yang sama untuk R = 100% dan FPR = 1,7% adahal keduanya juga memiliki bentuk berbeda yang memungkinkan untuk menghasilkan nilai evaluasi yang berbeda. Contoh di atas menunjukkan kekurangan dari evaluasi ixel-wise untuk mengevaluasi erforma algoritma deteksi struktur garis lengkung yaitu menghasilkan evaluasi yang belum cuku objektif selain itu, juga tidak daat menghasilkan informasi karakteristik struktur dari hasil segmentasi yaitu hasil segmentasi lebih tebal atau tiis dari ground truth. Evaluasi erforma lain juga telah digunakan ada citra dengan kontras yang tinggi tetai tidak daat menghasilkan informasi karakteristik dari hasil deteksi [6]. Pada metode lainnya, tidak daat mengevaluasi struktur garis lengkung dengan tebal yang bervariasi [7]. Sistem evaluasi erforma struktural algoritma deteksi struktur garis lengkung yang dibangun menggunakan masukan citra GT dan MS dan keluaran berua dua asek erforma yaitu nilai deteksi (beraa banyak struktur garis lengkung yang dideteksi) dan akurasi deteksi (bagaimana keteatan dari struktur garis lengkung yang dideteksi dengan ground truth). Sehingga didaatkan hasil evaluasi yang bernilai cuku objektif dan daat menghasilkan informasi karakteristik dari struktur garis lengkung. A. Ekstraksi Struktur II. METODOLOGI Masukan citra GT dan MS dikonstruksi menjadi citra skeleton GT t dan MS t untuk mendaatkan structure oint untuk GT t dan q untuk MS t. Setelah didaatkan structure oint dan q, maka dihitung jarak Euclidean d dan dq dari masing-masing structure oint dan q ke iksel backgroundnya yang terdekat. Setelah itu, ditentukan lebar w untuk setia structure oint dan q dimana w adalah 2d. B. Pemilihan Kandidat Match Match adalah himunan asangan structure oint dan q. Structural matching adalah match dimana setia satu structure oint hanya berasangan dengan satu q, begituun sebaliknya. Pembentukan matching GT t dan MS t dilakukan dengan memasangkan setia structure oint dengan q. Tidak setia asangan (, adalah kandidat match. Syarat asangan (, meruakan kandidat match adalah: Jarak Euclidean antara dan q tidak terlalu jauh. Selisih lebar dan q tidak terlalu besar. Sebuah asangan (, adalah kandidat match jika dan hanya jika d(, d w w w (1), max q max dimana d(, adalah jarak Euclidean antara dan q, d max adalah jarak Euclidean maksimum, w danw q adalah lebar structure oint dan q, dan w max adalah selisih lebar maksimum dari asangan structure oint yang meruakan erkalian dari arameter cw dengan structure oint yang memiliki nilai lebar yang aling besar. w cw max w max GT t (2), dimana cw (coefficient width) adalah bobot nilai untuk menetakan jarak Euclidean dan selisih lebar maksimum dari asangan kandidat match structure oint GT t dan MS t. Parameter cw memengaruhi jumlah kandidat match otimal yang terilih. Nilai cw didaatkan melalui taha uji coba training. Kemudian untuk d max, maka nilainya sama dengan w max. C. Penghitungan Cost Kandidat Match Untuk setia kandidat match (,, GT t dan q MS t, maka cost yang dibutuhkan adalah d(, w (, ) 1 1 wq c q 1 d max wmax 0,1 (3), dimana c(, adalah cost kandidat match. Semakin baik sebuah kandidat match (, maka memiliki jarak Euclidean dan selisih lebar yang kecil, sehingga menghasilkan cost yang kecil juga. Cost minimum adalah 0, yang didaatkan dari kandidat match yang semurna (erfect match). Berdasarkan cost dari setia kandidat match yang lolos sebagai structural matching, maka total cost dari structural matching adalah C( M ) (4), c(, 0, M (, M dimana M adalah structural matrching dan C(M) adalah cost total dari structural matrching. D. Penghitungan Otimal Structural Matching Langkah ertama yang dilakukan untuk mendaatkan otimal structural matching adalah encarian erfect match (,, yaitu asangan (, yang memiliki cost = 0 di dalam kandidat match. Setelah mendaatkan erfect match, selanjutnya dilakukan encarian asangan (, yang masih memenuhi syarat di bawah batas jarak Euclidean dan selisih lebar maksimum serta memenuhi definisi structural matching untuk ditambahkan ke dalam himunan structural matching yang masih berisi asangan erfect match. Jumlah dari keduanya disebut dengan otimal structural matching. E. Pengukuran Kualitas Deteksi Pengukuran kualitas deteksi dilakukan untuk menghasilkan nilai erforma dari evaluasi struktural yang terdiri dari dua asek erforma yaitu nilai deteksi dan akurasi deteksi. 1. Nilai Deteksi Nilai deteksi adalah asek erforma untuk mengetahui beraa banyak struktur garis lengkung yang berhasil terdeteksi

3 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: ( Print) 3 ada roses segmentasi. Pengukuran kualitas deteksi didefinisikan dengan (5), dimana adalah jumlah structure oint MS t yang match dengan structure oint GT t dan meruakan otimal structural matching. R (6), dimana R adalah bobot keberhasilan dari structure oint GT t yang berhasil dideteksi oleh MS t. q FP (7), dimana FP adalah jumlah structure oint MS t yang tidak memiliki asangan ada GT t. FP FPR (8), dimana FPR adalah bobot kesalahan MS t dalam mendeteksi structure oint dengan adalah iksel yang bukan structure oint. q FN (9), dimana False negative (FN) adalah jumlah structure oint di GT t yang tidak memiliki asangan di MS t. FN FNR (10), dimana False negative rate (FNR) adalah bobot yang mengindikasikan structure oint GT t yang hilang dalam roses segmentasi. 2. Akurasi Deteksi Akurasi deteksi adalah asek erforma untuk mengetahui bagaimana keteatan dari struktur garis lengkung yang terdeteksi dengan ground truth sehingga didaatkan informasi karakteristik dari hasil segmentasi. Akurasi deteksi ini mengukur kualitas matching berdasarkan nilai detection error (DE). C( ) DE 0,1 (11), dimana DE adalah nilai yang mendeteksi kesalahan ada matching MS t dan GT t. Jika nilai DE adalah 0, mengindikasikan best case untuk matching MS t dan GT t, yang artinya MS miri dengan GT. Deteksi kesalahan daat diisah menjadi deteksi kesalahan osisi dan lebar struktur. 1 PE, q d, q (12) Position error (PE) adalah nilai deteksi kesalahan osisi dari asangan structure oint GT t dan MS t. Jika nilai PE adalah 0, maka setia structure oint di MS t berada ada osisi yang sama dengan GT t. 1 WE, q w w q (13) Width error (WE) adalah nilai deteksi kesalahan lebar dari asangan structure oint GT t dan MS t. Jika nilai WE adalah 0, maka setia structure oint di MS t memiliki lebar yang sama dengan GT t. Jika WE > 0, maka structure oint GT t lebih tebal dari MS t, dan sebaliknya, WE < 0, structure oint GT lebih tiis dari MS. Semakin kecil nilai DE, PE, dan WE yaitu mendekati 0 maka semakin tinggi akurasi dari algoritma segmentasi struktur garis lengkung, dengan kata lain hasil segmentasi semakin miri dengan ground truth. III. UJI COBA A. Data Uji Coba Data yang digunakan adalah sebuah citra GT STARE dan emat citra sintetis GT tersebut dengan ukuran 700 x 650 iksel [8]. Kemudian 20 citra firsthand labelling, 10 citra secondhand labelling DRIVE berukuran 565 x 564 iksel [9]. Terakhir, 10 citra hasil segmentasi yang menggunakan data DRIVE. B. Proses Uji Coba Uji coba sistem ini dilakukan dengan tiga roses yang berbeda yaitu: 1. Proses uji coba embuktian kekurangan evaluasi ixelwise menggunakan sebuah citra GT dan emat citra sintetis STARE. 2. Proses uji coba training menggunakan data DRIVE untuk mendaatkan nilai arameter cw. 3. Proses uji coba testing menggunakan data DRIVE untuk menilai erforma algoritma segmentasi struktur garis lengkung dari TA salah satu mahasiswa Teknik Informatika ITS yang berjudul, Imlementasi Segmentasi Pembuluh Darah Retina ada Citra Fundus Mata Menggunakan Tekstur, Thresholding, dan Oerasi Morfologi [10]. C. Hasil Uji Coba Pembuktian Kekurangan Evaluasi Pixelwise Sistem dijalankan dengan data sintetis STARE untuk

4 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: ( Print) 4 membuktikan kekurangan dari evaluasi ixel-wise ada engukuran erforma algoritma deteksi struktur garis lengkung. Pada Gambar 2, berdasarkan metode evaluasi ixel-wise dieroleh citra MS thin dan MS del menghasilkan nilai yang sama untuk R = 85,0972% dan FPR = 0%. Citra MS ex menghasilkan nilai R = 100% dan R MS ins = 99,997%, sedangkan untuk nilai FPR ada MS ex dan MS ins memiliki nilai yang sama yaitu 1,20708%. Karena evaluasi ixel-wise belum cuku objektif selain itu tidak daat menambahkan informasi karakteristik dari MS, maka dilakukan evaluasi struktural dengan hasil yang ditamilkan ada Tabel 1. Evaluasi struktural terdiri dari dua asek erforma yaitu nilai deteksi dan akurasi seteksi. Nilai R dan FPR meruakan bagian dari nilai deteksi. Emat citra sintetis berasal dari sebuah citra GT yang dimodifikasi menjadi emat citra yang berbeda, MS thin adalah citra GT yang dierosi, MS del adalah citra GT dengan iksel objek bagian tengah yang dihaus, MS ex adalah citra GT yang didilasi ada embuluh bagian atas. Sedangkan citra MS ins adalah citra GT yang ditambahkan sejumlah iksel bukan embuluh. Berdasarkan kondisi nyata maka karakter struktur embuluh yang sangat miri dengan GT adalah MS ins sehingga nilai DE yang dihasilkan seharusnya sama dengan 0. Untuk membuktikan hiotesa tersebut maka dilakukan enghitungan akurasi deteksi. Untuk analisis awal dilakukan ada nilai deteksi yaitu nilai R dan FPR. Nilai R MS thin dan MS del adalah 99,6330% dan 77,2972%, nilai FPR 0,005% dan 0,0012%. Berdasarkan nilai R, ada MS del lebih banyak struktur embuluh yang hilang sehingga mengakibatkan sedikitnya jumlah asangan structure oint MS del dengan GT yang berakibat jumlah otimal structure oint berkurang dan nilai R menjadi rendah. Untuk nilai FPR, jika dilakukan embulatan nilai maka mencaai 0% yang mengindikasikan hamir tidak ada objek bukan embuluh yang terdeteksi. Pada MS ex dan MS ins dieroleh nilai R yang juga berbeda yaitu 99,5019% dan 99,9738%, sedangkan untuk nilai FPR 0,0043% dan 0,0943%. Berdasarkan nilai FPR, ada MS ins objek tambahan yang bukan embuluh menyebabkan erubahan struktur jaringan embuluh dari MS ins, sehingga banyak structure oint ada MS ins yang tidak memiliki asangan dengan GT dibandingkan dengan MS ex yang berakibat bertambahnya nilai FPR ada MS ins. Analisis selanjutnya berdasarkan asek erforma akurasi deteksi yaitu dengan nilai DE, PE, dan WE yang dihasilkan oleh keemat citra sintetis. Hasil terbaik dieroleh dari MS ins dimana nilai DE adalah 0, yang artinya semua struktur GT memiliki asangan ada MS ins walauun ada objek bukan embuluh yang disisikan, selain itu struktur GT dan MS ins tidak memiliki erbedaan osisi dan lebar sehingga nilai PE dan WE menjadi 0. Nilai DE dari MS ins membuktikan hiotesa awal sebelum uji coba dilakukan adalah benar, sehingga daat dibuktikan bahwa evaluasi struktural daat menghasilkan informasi karakteristik dari hasil deteksi struktur garis lengkung. (a) Citra MS thin (b) Citra MS del (c) Citra MS ex (d) Citra MS ins Gambar 2. Hasil uji coba embuktian kekurangan evaluasi ixel-wise dengan data STARE Tabel 1. Hasil enghitungan evaluasi struktural data STARE Nilai MS thin MS del MS ex MS ins R 99, , , ,9738 FPR 0,0050 0,0012 0,0043 0,0943 DE 0,0412 0,0013 0, WE 0,0583 0,0019 0, PE Untuk MS thin, MS del, dan MS ex menghasilkan nilai DE yang besar dari 0 yaitu: 0,0412, 0,0013, dan 0,0325 yang mengindikasikan bahwa roses erosi, enghausan iksel, dan dilasi mengakibatkan kehilangan sejumlah kandidat erfect match dari ketiga MS sintetis tersebut dan digantikan kandidat match lain yang memiliki erbedaan osisi dengan GT. Kesalahan osisi juga dibuktikan dengan nilai WE dari ketiga citra adalah 0 yang artinya semua structure oint MS memiliki lebar yang sama dengan GT. D. Hasil Uji Coba Training Sistem dijalankan dengan data DRIVE menggunakan variasi nilai cw mulai dari [0,3-0,7]. Performa nilai R dan FPR yang baik dieroleh ketika menggunakan nilai cw antara [0,4-0,7] yang ditamilkan ada grafik Gambar 3. Oleh karena itu, dilakukan evaluasi sekali lagi untuk mencari nilai cw yang aling otimal berdasarkan erforma DE dan WE, maka nilai 0,5 adalah nilai yang aling bagus. Hasil uji coba ditamilkan ada Tabel 2.

5 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: ( Print) 5 True Prositive Rate _GT 05_GT 07_GT 09_GT 14_GT 16_GT 17_GT 18_GT 19_GT 20_GT False Positive Rate cw = 0,3 cw = 0,35 cw = 0,4 cw = 0,45 cw = 0,5 cw = 0,55 cw = 0,6 cw = 0,65 cw = 0,7 Gambar 3.Grafik engukuran erforma dari variasi nilai cw berdasarkan nilai R dan FPR Tabel 2. Nilai DE dan WE dari variasi nilai cw Nilai cw Citra 0,4 0,45 0,5 0,55 0,6 0,65 0,7 DE WE DE WE DE WE DE WE DE WE DE WE DE WE 03_GT 0,43 0 0,38 0 0,34 0 0,36 0 0,33 0 0,30 0 0, _GT 0,42 0 0,37 0 0,33 0 0,34 0, ,31 0, ,27 0, ,27 0, _GT 0,39 0 0,35 0 0,31 0 0,31 0, ,29 0, ,26 0, ,25 0, _GT ,45 0 0,38 0 0,38 0 0,35 0 0, _GT 0,41 0 0,37 0 0,33 0 0,31 0 0,31 0 0,28 0 0, _GT 0,38 0 0,34 0 0,31 0 0,30 0, ,28 0, ,26 0, ,24 0, _GT 0,32 0 0,29 0 0,26 0 0,23 0 0,23 0 0,21 0 0, _GT 0,40 0 0,40 0 0,32 0 0,32 0 0,29 0 0,27 0 0, _GT 0,38 0, ,34 0, ,31 0, ,30-0,0001 0,30-0,0001 0,26-0,0001 0,24-0, _GT 0,41 0, ,37 0, ,33 0, ,33-0, ,31-0, ,28-0, ,26-0,00034 Tabel 3. Hasil evaluasi erforma struktural data DRIVE Citra R FP FPR FN DE PE WE , , ,32 0, , , ,34 0, , , ,32 0,45 0, , , ,31 0, , , ,31 0, , , ,30 0, , , ,32 0, , , ,43 0, , , ,31 0,44 0, , , ,31 0,44 0 E. Hasil Uji Coba Testing Sistem dijalankan untuk menghasilkan nilai evaluasi erforma struktural dari hasil segmentasi algoritma deteksi struktur embuluh darah retina dari TA salah satu mahasiswa Teknik Informatika ITS yang menggunakan data DRIVE sebagai data uji cobanya. Tabel 3 menamilkan hasil evaluasi struktural yang meliuti nilai deteksi:, R, FP, FPR, dan FN; dan akurasi deteksi: DE, PE, dan WE. Dengan menggunakan evaluasi struktural didaatkan keutusan bahwa algoritma segmentasi yang digunakan ada TA tersebut memiliki erforma yang rendah berdasarkan nilai R tertinggi hanya mencaai 61.51%. Sedangkan untuk akurasi deteksi, hasil segmentasi menghasilkan embuluh yang memiliki erbedaan osisi struktur dengan GT berdasarkan nilai PE yang besar dari 0. IV. KESIMPULAN DAN SARAN A. Kesimulan Evaluasi erforma struktural cuku objektif untuk mengukur erforma algoritma deteksi struktur garis lengkung,

6 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: ( Print) 6 selain itu daat menghasilkan informasi karakteristik dari hasil deteksi struktur garis lengkung. Untuk mendaatkan otimal structural matchingi maka nilai threshold (nilai batas) yang aling bagus untuk arameter cw adalah 0,5. B. Saran Metode ekstraksi struktur erlu dikembangkan untuk mendaatkan struktur garis lengkung yang lebih baik. Perlu adanya riset yang lebih mendalam untuk metode enghitungan otimal structural matching untuk mendaatkan nilai evaluasi erforma algoritma deteksi struktur garis lengkung yang lebih akurat. DAFTAR PUSTAKA [1] Bharkad and Kokare, "Performance evaluation of distance metrics," Pattern Recognation Artificial Intelligent, vol. 25, no. 6, , [2] X. Jiang, M. Lambers, and H. Bunke, "Structural Performance Evaluation of Curvilinear Structure Detection Algorithms," Pattern Recognition Letters, vol. 33, no. 15, , Nov [3] Niemeijer, B. v. Ginnecken, and C. M.J., "Retinoathy online challenge: Automatic detection of microaneurysms in digital color fundus hotograhs," IEEE Transaction Medical Image, vol. 29, no. 1, , [4] S. U. Lee, S. Y. Chung, and R. H. Park, "A comarative erformance study of several global thresholding techniques for segmentation," Comuter Vision, Grahics,and Image Processing, no. 52, , [5] S. J.A, "Performance evaluation and analysis of monocular building extraction from aerial imagery," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 21, no. 4, , [6] B. Fang, X. You, Y. Y. Tang, and W. S. Chen, "Morhological structure reconstruction of retinal vessels in fundus images," International Journal Pattern Recognation Artificial Intelligent, vol. 19, no. 7, , [7] M.Niemeijer, J. J. Staal, B. v. Ginneken, M. Loog, and M. D. Abramoff, "Comarative study of retinal vessel segmentation methods on a new ubliclyavailable database," Fitzatrick, J., Sonka, M. (Eds.), SPIE Medical Imaging, vol. 5370, [8] M. D.,. Michael Goldbaum. (2013, Jan.) STructured Analysis of the Retina. [Online]. htt:// [9] I. S. Institute. (2013, Nov.) Image Sciences Institute. [Online]. htt:// [10] M. R. Kurnia, "Imlementasi Segmentasi Pembuluh Darah Retina ada Citra Fundus Mata Menggunakan Tekstur, Thresholding. dan Oerasi Morfologi," Institut Teknologi Seuluh Noember Tugas Akhir KI091391, 2012.