IMPLEMENTASI METODE BERBASIS MULTISCALE FEATURE EXTRACTION UNTUK SEGMENTASI PEMBULUH DARAH CITRA RETINA RED-FREE DAN FLUORESCEIN Dosen Pembimbing Dr. Agus Zainal Arifin, S.Kom., M.Kom. Dosen Pembimbing 2 Anny Yuniarti, S.Kom., M.Comp.Sc. Oleh: DESI DWI MUSPITASARI 5080072 JURUSAN TEKNIK INFORMATIKA Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 202
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. 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 darah dan background rendah 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 tracing (Akita dan Kuga, 982; Wu et al, 995) b. -D profile matching dengan vessel tracking dan local tresholding (Zhou et al, 994) c. 2D matched filters (Chaudhuri et al., 989) 8
Metode di atas kurang robust Tidak bisa beradaptasi pada lingkungan citra dengan kontras rendah 9
Solusi yang diajukan Menggunakan metode: Mutiscale Feature Extraction 2 3 Feature Extraction (Gradient Magnitude dan Principal Curvture) Local Maxima Diameter Dependent Equalisation Region Growing 0
Metode input Ekstraksi Fitur Diameter Dependent Region Growing output
Feature Extraction dengan Gradient Magnitude input Mengkonvolusi citra dengan turunan pertama Gaussian Menghitung nilai gradient magnitude M=abs(Ix) + abs(iy) Output 2
Feature Extraction dengan Principal Curvature input Mengkonvolusi citra dengan turunan kedua gaussian Output Membentuk matrik hessian Normalisasi 0, λ<0 Exp(-2Rb 2 (-exp(-s 2 / 2c 2 ))) Rb =λ2/λ s= λ 2 + λ2 2 λ2 = max[λ+, λ ] λ = min[λ+, λ ] 3
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 4
Gradient Magnitude intensitas kelas Principal Magnitude intensitas Kelas background Kelas pembuluh darah gray level 5
Region Growing Ilustrasi: 6
Region Growing Input D Planting Seed κ<=µb background (25) κ >=µv vessel (0) Output RG Stage vessel background a+=0.5; Menghitung mean dan standard deviasi baru j==0 Stage 2 a+=0.5; 7
Post Processing Input RG Opening Membuat mask - Citra complement -Canny edge detection -Dilation InputRG(mask==)=0; Citra Mask Output Region Growing Output Akhir 8
2.28 Menghitung Akurasi akurasi = TP + TN / (TP + FP + FN + TN) TP =4 Citra MFE Ground truth 9
Menghitung Akurasi akurasi = TP + TN / (TP + FP + FN + TN) TN = 28 Citra MFE Ground truth 20
akurasi = TP + TN / (TP + FP + FN + TN) FP = Citra MFE Ground truth 2
akurasi = TP + TN / (TP + FP + FN + TN) FP = 3 Citra MFE Ground truth 22
Uji Coba Uji Coba dilakukan dengan data training sebanyak 0 citra, 5 citra red-free dan 5 citra fluorescein Skenario uji coba:. 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 Akurasi metode dari database berbasis HOOVER Multiscale Feature Extraction Citra Akurasi Performa A metode ini diukur dengan menghitung 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
Perbandingan akurasi parameter citra optimal redfree dan Citra Akurasi fluorescein A A 98.2% B 98.23% Hal ini bertujuanc untuk membuktikan B 98.0% E bahwa metode ini D kompatibel untuk 98.5% jenis citra dengan kontras E rendah (red-free) 98.36% C dan citra denganrata-rata kontras tinggi 98.9% (fluorescein) A B C D D E Citra Akurasi Citra Red-free dengan Akurasi Citra Fluorescein dengan parameter optimal Akurasi A 98.7% B 98.7% C 98.46% D 98.05% E 98.33% Rata-rata 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 = 0 26
Saran Diharapkan ada pengembangan metode untuk mendeteksi dan menghilangkan exudates Diharapkan ada pengembangan metode untuk mendeteksi dan menghilangkan makula 27
TERIMA KASIH 28