implementasi segmentasi hard exudates pada diabetic...

PRESENTASI TUGAS AKHIR – KI091391

IMPLEMENTASI SEGMENTASI HARD EXUDATES PADA DIABETIC RETINOPATHY UNTUK CITRA FUNDUS

RETINA

Penyusun Tugas Akhir :Noriandini Dewi Salyasari

(NRP : 5108.100.014)

Dosen Pembimbing I :Prof.Ir.Handayani Tjandrasa, M.Sc., Ph.D.

NIP. 19490823 197603 2 001

08 Februari 2012 1Tugas Akhir – KI091391

(Kata Kunci: Hard Exudates, Diabetic Retinopathy, FCM Korelasi Spasial)

Dosen Pembimbing II :Arya Yudhi Wijaya, S.Kom., M.Kom.

NIP. 19840904 201012 1 002

08 Februari 2012 Tugas Akhir – KI091391 2

PENDAHULUAN

TINJAUAN PUSTAKA

DESAIN & IMPLEMENTASI

UJI COBA & ANALISA

KESIMPULAN & SARAN

• Latar Belakang Tugas Akhir• Tujuan Tugas Akhir• Permasalahan Tugas Akhir• Batasan Masalah Tugas Akhir

•Optik Disk• Exudates

•Desain Aplikasi Secara Umum•Preprocessing•Segmentasi•Rancangan Antar Muka

•Uji coba dengan perbandingan•Ukuran window•Uji coba berdasar nilai spasial scale•Dan gray scale•Uji coba berdasar nilai konvergensi•Uji coba berdasar jumlah cluster

08 Februari 2012 Tugas Akhir – KI091391 3

Latar Belakang

Diabetic retinopathy adalah salah satu komplikasiserius yang disebabkan oleh penyakit diabetesmellitus yang menyebabkan kurangnya dayapenglihatan atau kebutaan

08 Februari 2012 Tugas Akhir – KI091391 4

Selama ini mendeteksi kelainan hard exudatesdilakukan oleh seorang ophtalmologist (ahli penyakitmata) dan profesional yang melakukan pengkurandan pelabelan area hard exudates secaramanual.

08 Februari 2012 Tugas Akhir – KI091391 5

Latar Belakang

Mengimplementasikan segmentasi hardexudates pada citra fundus retina yangterkena kelainan diabetic retinopathy.

Hasil segmentasi ini nantinya akanmemberikan bantuan di bidang kesehatandengan cara mempermudah pasien diabetesmellitus mendeteksi secara dini dan otomatiskelainan diabetic retinopathy yangmenyerang retina mata.

08 Februari 2012 Tugas Akhir – KI091391 6

Tujuan

PreprocessingDeteksi optik diskEliminasi optik disk

SegmentasiSegmentasi Hard Exudates dengan

menggunakan Fuzzy C means KorelasiSpasial

08 Februari 2012 Tugas Akhir – KI091391 7

Permasalahan

Metode fuzzy c means yang digunakan merupakanmetode fuzzy c means yang telah di modifikasiberdasarkan korelasi spasial.Dataset citra menggunakan data dari DIARETDB danbeberapa citra dari sumber berbeda yang memilikiilluminasi yang bagus dan yang memiliki brightarea dari sisi exudates.Citra input yang digunakan berukuran 390 x 390.

08 Februari 2012 Tugas Akhir – KI091391 8

Batasan Masalah

08 Februari 2012 Tugas Akhir – KI091391 9

• Optik disk (OD) atau pusat syaraf mataadalah daerah pada mata tempat syarafmata memasuki retina dan merupakanpertemuan seluruh syaraf mata.

08 Februari 2012 Tugas Akhir – KI091391 10

Optik Disk

Hard Exudates merupakan suatu bercak kecildisebabkan merembesnya cairan yang kaya lemakdan protein bersama darah ke mata. Hal ini dapatmencegah cahaya untuk mencapai retina, danmenyebabkan gangguan penglihatanSoft Exudates disebabkan pra kapiler retina arteriolmemasok darah ke lapisan serat saraf yangtersumbat dan saraf akson serat lokal menjadimembengkak.

08 Februari 2012 Tugas Akhir – KI091391 11

Exudates

08 Februari 2012 Tugas Akhir – KI091391 12

08 Februari 2012 Tugas Akhir – KI091391 13

Step 1PREPROCESSING

• Enhacement Histogram Equalization

• Eliminasi optik disk

Step 2Segmentasi

• Membentuk matriks ketetanggaan

• Menghitung local image feature

• Pembobotan piksel• Initial pusat cluster dengan

FCM basic• Membership dan pusat kluster

dengan FCM Korelasi Spasial

Desain Aplikasi Secara Umum

08 Februari 2012 Tugas Akhir – KI091391 14

Histogram Equalization

Deteksi Optik Disk

Eliminasi optik diskDengan

Midpointcircle algorithm

Preprocessing

08 Februari 2012 Tugas Akhir – KI091391 15

Preprocessing

Hasil Akhir Tahap Preprocessing

Citra input Histogram equalization

08 Februari 2012 Tugas Akhir – KI091391 16

Segmentasi

Membentuk Matriks Ketetanggaan

Menentukan Local Image Feature

Melakukan Pembobotan Piksel

Inisialisasai pusat cluster Dengan FCM-basic

Menentukan pusat kluster Dan keanggotaan

Dengan FCM Korelasi Spasial

Ekstraksi Hard Exudates

08 Februari 2012 Tugas Akhir – KI091391 17

Segmentasi

Hasil Akhir Hard Exudates

08 Februari 2012 Tugas Akhir – KI091391 18

Rancangan Antar Muka

08 Februari 2012 Tugas Akhir – KI091391 19

Perhitungan akurasi segmentasi hardexudates didapatkan dari membandingkanpiksel foreground antara citra hasilsegmentasi dengan citra ground truth.

08 Februari 2012 Tugas Akhir – KI091391 20

Perhitungan Akurasi

Image 016.png

08 Februari 2012 Tugas Akhir – KI091391 21

Uji Coba dengan Perbandingan Ukuran Window

Ukuran window 3 x 3

Ukuran window 5 x 5

Citra input

No Ukuranwindow

Akurasi Running Time

1 3 x 3 85.39 25.64

2 5 x 5 83.73 28.76

08 Februari 2012 Tugas Akhir – KI091391 22

Uji Coba dengan Perbandingan Ukuran Window

Analisa:Parameter ukuran w indow sangat berpengaruh dalam proses segmentasi hard exudates dengan FCM korelasi spasial.Semakin kecil ukuran window dalam hal ini ukuran window sama dengan 3maka hasil hard exudates yang tersegmentasi akan semakin baikdan running time yang singkat

Image016.png

08 Februari 2012 Tugas Akhir – KI091391 23

Uji Coba berdasar Nilai Spatial Scale dan Gray Scale

Spatial scale, gray scale =1

Spatial scale, gray scale = 3

Citra input

Spatial scale, gray scale = 10

No Spatial dan Gray Scale

Akurasi

1 1 85.39

2 3 79.13

3 10 77.49

08 Februari 2012 Tugas Akhir – KI091391 24

Uji Coba berdasar Spatial Scale dan Gray Scale

Analisa:Pemilihan nilai spatial scale dan gray scale sangat mempengaruhi hasil segmentasi citra hard exudates.Nilai spatial scale dan gray scale yang kecil, maka akan semakin banyak pengaruh antar pikselnya dalam segmentasi hard exudates.Apabila nilai spatial scale dan gray scale yang besar maka akan semakin sedikit pengaruh antar pikselnya dalam segmentasi hard exudates

Image016.png

08 Februari 2012 Tugas Akhir – KI091391 25

Uji Coba berdasar Nilai Konvergensi Error

Konvergensi error=0.01

Konvergensi Error= 0.001

Citra input

Konvergensi Error= 0.0001

No NilaiKonvergensi

Akurasi Running Time

1 0.01 77.60 23.47

2 0.001 77.64 23.93

3 0.0001 85.39 25.64

08 Februari 2012 Tugas Akhir – KI091391 26

Uji Coba berdasar Nilai Konvergensi Error

Analisa:Nilai konvergensi error yang dipilih akan sangat mempengaruhi nilai akurasi segmentasi citra.Semakin kecil nilai konvergensi error yang digunakan, maka akan menyebabkaniterasi perubahan pusat kluster dan keanggotaan citra hard exudates akanberhenti ketika sudah benar-benar optimal

Image.016.png

08 Februari 2012 Tugas Akhir – KI091391 27

Uji Coba berdasar Jumlah Cluster

Jumlah cluster =6

Jumlah cluster =8

Citra input

Image.016.png

08 Februari 2012 Tugas Akhir – KI091391 28

Uji Coba berdasar Jumlah Cluster

Jumlah cluster =10

Jumlah cluster =12

Citra input

No JumlahCluster

Akurasi Running Time

1 6 32.27 10.08

2 8 85.39 25.64

3 10 73.43 37.19

4 12 68.50 54.75

08 Februari 2012 Tugas Akhir – KI091391 29

Uji Coba berdasar Jumlah Cluster

Analisa:Jumlah clustering bergantung pada berapa jenis warna yang terdapat pada citra tersebut supaya citra dengan piksel tertinggi yaitu hard exudatesdapat terkelompokkan dengan benar.

08 Februari 2012 Tugas Akhir – KI091391 30

Rata-rata Akurasi

Citra Ukuranwindow

Spatial , Gray level

Nilaikonvergen

Jumlahcluster

Akurasi(%)

3 1 0.0001 8 85.39

08 Februari 2012 Tugas Akhir – KI091391 31

Dengan melihat hasil uji coba terbukti bahwaalgoritma FCM Korelasi Spasial dapatmensegmentasi dengan baik citra fundus mataberwarna sehingga didapatkan hasil segmentasiberupa hard exudates.Perubahan ukuran w indow dalam segmentasi mempengaruhi hasil akurasi segmentasi citra dari proses algoritma ini. Semakin kecil ukuran window, maka semakin besar local image feature nya yang berarti semakin tinggi korelasi antar pikselnya

08 Februari 2012 Tugas Akhir – KI091391 32

Kesimpulan

Nilai spatial scale dan gray level berpengaruhterhadap hasil akurasi segmentasi citra dariproses algoritma ini. Apabila nilai spatial scale dangray level kecil, maka akan semakin berpengaruhantar pikselnya.Jumlah cluster setiap citra untuk mendapatkanhasil segmentasi yang optimal berbeda-beda.Bergantung pada iluminasi dan warna dari citratersebut.

08 Februari 2012 Tugas Akhir – KI091391 33

Kesimpulan

08 Februari 2012 Tugas Akhir – KI091391 34

Saran

• Terdapat kekurangan pada hasil segmentasi hardexudates yaitu belum mampu mensegmentasidengan optimal apabila terdapat exudatesyang tingkat kecerahannya berbeda-beda.

• Sehingga diharapkan adanya pengembanganmetode yang mampu mensegmentasi denganoptimal apabila terdapat permasalahan seperti yangtelah disebutkan sebelumnya.

08 Februari 2012 Tugas Akhir – KI091391 35

TERIMA KASIH

2 3 3 2

4 2 4 3

3 2 3 5

2 4 2 4

08 Februari 2012 Tugas Akhir – KI091391 36

Histogram Equalization

4x4 image Gray scale = [0,9]

histogram

0 1

1

2

2

3

3

4

4

5

5

6

6

7 8 9

No. of pixels

Gray level

08 Februari 2012 Tugas Akhir – KI091391 37

Histogram Equalization

GrayLevel(j) 0 1 2 3 4 5 6 7 8 9

No. ofpixels 0 0 6 5 4 1 0 0 0 0

0 0 6 11 15 16 16 16 16 16

0 06/16

11/16

15/16

16/16

16/16

16/16

16/16

16/16

s x 9 0 0 3.3≈3

6.1≈6

8.4≈8 9 9 9 9 9

∑=

k

jjn

0

∑=

=k

j

j

nn

s0

08 Februari 2012 Tugas Akhir – KI091391 38

Midpointcircle Algoritma

(0,R)

(0,-R)

(R,0)

x+

y+

0),( =yxF0),( <yxF0),( >yxF

222),( RyxyxF −+=

on circle

inside

outside

08 Februari 2012 Tugas Akhir – KI091391 39

Midpointcircle Algoritma

M

(x, y) (x+1, y)

(x+1, y+1)SE

0)2/1,1( >++ yxF0)2/1,1( ≤++ yxF

EPilih E

Pilih SE

1 2 4

6 3 5

7 8 9

08 Februari 2012 Tugas Akhir – KI091391 40

Matriks Ketetanggaan

Dengan Center = 3 dan menggunakan window 3 x 3:Tetangga = 1 2 4 6 5 7 8 9

Dengan Center = 3 dan menggunakan window 5 x5Tetangga = 0 0 0 0 0 0 1 2 4 0 0 6 5 0 0 7 8 9 0

0 0 0 0 0

0 1 2 4 0

0 6 3 5 0

0 7 8 9 0

0 0 0 0 0

Salah satu bagian dari fuzzy c means dengan korelasispasial adalah dengan menentukan terlebihdahulu local image feature. Local image featurebergantung pada local spatial dan local gray levelsuatu image.

08 Februari 2012 Tugas Akhir – KI091391 41

Local Image Feature

Fijs digunakan untuk mencari jarakpiksel pusat dengan pikselketetanggaannya sekitar piksel pusat.

08 Februari 2012 Tugas Akhir – KI091391 42

Local Image Feature

Fijg menunjukkan hubungan dari piksel-piksel dalam satu window, yang dapatmerefleksikan ketidaksamaan piksel-pikselyang bertetangga dalam satu windowtersebut.

08 Februari 2012 Tugas Akhir – KI091391 43

Local Image Feature

Semakin dekat nilai gray suatu pikseltetangga dengan nilai gray pusat piksel dariwindow, maka semakin besar juga nilai localimage feature Fij piksel tetangga tersebut.

08 Februari 2012 Tugas Akhir – KI091391 44

Local Image Feature

08 Februari 2012 Tugas Akhir – KI091391 45

Pembobotan Piksel

Pembobotan piksel merupakan suatu proses pergantian nilai piksel dari gambar asli yang telah mendapat pengaruh local image feature sehingga nilai piksel citra asli telah memiliki ketergantungan dari piksel-piksel di sekitarnya sesuai dengan window yang telah ditentukan

Fuzzy C-Means adalah suatu teknik pengelompokan datadimana keberadaan titik-titik data dalam suatu klusterditentukan oleh derajat keanggotaan.Penentuan titik kluster dilakukan secara berulang-ulang hinggadiperoleh data yang akurat berdasarkan derajatkeanggotaannya

08 Februari 2012 Tugas Akhir – KI091391 46

FCM- Basic

08 Februari 2012 Tugas Akhir – KI091391 47

FCM- Basic

Objective functionyang berusahadiminimalkan oleh fuzzy c-means

dk(i,j) merupakan jarak antara piksel f(i,j) dengan kluster ke-k

Membership dan Pusat Cluster

08 Februari 2012 Tugas Akhir – KI091391 48

FCM- Basic

1 Inisialisasi pusat kluster(v) dan set posisi cluster(j) = 0

2 Inisialisasi matriks partisi fuzzy U(j=0) dengan persamaan(2.8)

3 Tambahkan j=j+1 lalu hitung pusat kluster denganpersamaan (2.9)

4 Hitung membership u(j) dengan persamaan (2.8)

5 Lakukan iterasi untuk step 3,4 hingga mencapai konvergensisetelah memenuhi kriteria persamaan (2.10)

08 Februari 2012 Tugas Akhir – KI091391 49

Pembentukan membership dan pusat cluster

Piksel yang telah mendapatkan pengaruh korelasi piksel ketetangaan dapat membantu dalam proses klusterisasi piksel. Piksel yang memiliki keterkaitan dengan piksel tetangganya akan menjadikan kemungkinan suatu piksel dengan piksel tetangganya dalam proses pengelompokan dikelompokan dalam satu kluster yang sama.