implementasi model segmentasi pembuluh...

MAKALAH SEMINAR TUGAS AKHIR PERIODE JANUARI 2012

1

IMPLEMENTASI MODEL SEGMENTASI PEMBULUH PADA CITRA RETINA FUNDUS MENGGUNAKAN ALGORITMA MODULAR SUPERVISED

Ika Rahmawati1, Handayani Tjandrasa

2, Isye Arieshanti

3

Teknik Informatika, Fakultas Teknologi Informasi, ITS

email : [email protected], [email protected]

2, [email protected]

3

ABSTRAKSI

Segmentasi pembuluh pada citra retina

fundus dilakukan untuk menganalisis

karakteristik pembuluh. Analisis karakteristik

pembuluh akan sangat membantu dalam

diagnosis penyakit. Pada Tugas Akhir ini,

diimplemetasikan algoritma modular

supervised untuk segmentasi pembuluh pada

citra retina fundus[1]. Algoritma yang

digunakan bersifat modular dan terdiri dari dua

modul dasar. Modul pertama adalah tahap

preprocessing citra dan proses vessel

enhancement. Preprocessing dilakukan dengan

mengambil green channel pada citra,

dilanjutkan dengan perbaikan kontras

menggunakan contrast-limited adaptive

histogram equalization (CLAHE). Vessel

enhancement merupakan proses pengenalan

pembuluh. Modul kedua meliputi proses

binarisasi gambar, operasi pembersihan, serta

penghilangan Field of View (FOV).

Serangkain proses tersebut menghasilkan

segmentasi pembuluh dari citra retina fundus.

Proses selanjutnya adalah optimasi parameter

standard deviasi dan threshold yang bersifat

supervised berdasarkan nilai Measure of

Performance (MOP). Optimasi ini bertujuan

untuk memaksimalkan performa model.

Metode ini telah diujikan pada

database DRIVE yang terdiri dari 40 foto

retina. Dengan database ini, didapatkan rata-

rata akurasi SNSP sebesar -0.058 (nilai akurasi

semakin bagus jika mendekati 0)

menggunakan dua parameter optimum yang

sudah didapatkan sebelumnya[1]. Metode ini

terbukti mampu mensegmentasi pembuluh

pada citra fundus mata berwarna dengan baik.

Kata Kunci: Segmentasi pembuluh darah

retina, Algoritma supervised, Citra retina.

1. PENDAHULUAN

Mata merupakan organ penting bagi

manusia. Sebagai indra penglihatan, mata

adalah organ yang sensitif. Terjadinya

ketidaknornamalan pada mata, akan sangat

mengganggu. Banyaknya penderita penyakit

mata, sebagian besar adalah penderita dengan

usia di atas 40 tahun. Dengan diagnosis awal,

beberapa penyakit mata tertentu akan lebih

mudah proses penyembuhannya.

Salah satu hal yang dapat dilakukan untuk

mengetahui struktur pembuluh yaitu dengan

melakukan identifikasi melalui segmentasi

gambar retina yang ditangkap dengan kamera

mata fundus. Segmentasi merupakan salah satu

bidang penting dalam pengolahan citra digital.

Analisis karakteristik pembuluh darah retina

(melalui extraksi/segmentasi pembuluh) akan

sangat membantu dalam diagnosis medis[1-3].

Banyak riset dan penelitian yang dilakukan

untuk mengetahui jenis penyakit tertentu

melalui struktur pembuluh retina pada mata.

Beberapa penyakit yang dapat diketahui dari

hasil karakteristik pembuluh retina misalnya

occlusion pada pembuluh, hipertensi serta

diabetes.

Segmentasi pembuluh dapat dilakukan

dengan berbagai metode yang berbeda[2,4].

Beberapa algoritma segmentasi berdasarkan

srategi yang supervised telah diajukan pada

literatur[5-7]. Namun, biasanya dalam

implementasi pengolahan citra, semua

parameter yang digunakan dalam algoritma

pengolahan citra ditentukan secara heuristik.

Dalam implementasi Tugas Akhir ini, akan

diimplementasikan perangkat lunak segmentasi

yang menggunakan metode modular

supervised.

Algoritma modular supervised ini dipilih

karena memberikan hasil segmentasi dengan

nilai akurasi yang tinggi serta waktu komputasi

yang relatif cepat. Dengan algoritma modular

supervised nilai dua parameter penting

(standard deviation/sigma yang digunakan

dalam proses pengenalan pembuluh, dan

threshold yang digunakan dalam proses image

binarization) dioptimalkan berdasarkan

maximum nilai measure of performances

(MOPs) saat training phase. Dimana MOP

merupakan akurasi dari citra hasil segmentasi

dibandingkan dengan citra ground truth

manual database.

mailto:[email protected]




2

2. DASAR PENGOLAHAN CITRA

Citra adalah gambar dua dimensi yang

dihasilkan dari gambar analog dua dimensi

yang kontinu menjadi gambar diskrit melalui

proses sampling. Proses sampling dibagi

menjadi 2, yaitu downsampling dan

upsampling. Downsampling merupakan proses

untuk menurunkan jumlah piksel atau resolusi

citra spasial sehingga menghasilkan nilai citra

yang lebih kecil. Sedangkan upsampling

merupakan proses untuk menaikkan jumlah

piksel atau peningkatan resolusi gambar[13].

2.1 CITRA GREEN CHANNEL

Channel merupakan istilah yang lazim

digunakan untuk menyebut komponen tertentu

dalam sebuah citra. Sebuah citra RGB

mempunyai tiga channel : red, green, dan blue.

RGB channel mengikuti reseptor warna pada

mata manusia dan digunakan dalam

menampilkan gambar pada komputer dan

scanner.

Dalam pengolahan citra selanjutnya

akan digunakan citra green channel.

Karena sifat refleksi dari permukaan mata,

red channel dari foto fundus terkadang

mengalami saturasi yang terlalu berlebihan

(oversaturated) terutama di daerah pusat

dan saraf optik. Sedangkan blue channel

dapat mengalami saturasi yang terlalu

rendah (undersaturated) dan terdapat

banyak noise.

2.2 PERBAIKAN CITRA

Perbaikan citra bertujuan meningkatkan

kualitas tampilan citra untuk mengkonversi

suatu citra agar memiliki format yang lebih

baik sehingga citra tersebut menjadi lebih

mudah diolah dengan mesin (komputer).

2.2.1 Contrast Limited Adaptive Histogram

Equalization (CLAHE)

Contrast Limited Adaptive Histogram

Equalization (CLAHE) termasuk teknik

perbaikan citra yang digunakan untuk

memperbaiki kontras pada citra. CLAHE

memperbaiki local kontras pada citra. CLAHE

meripakan generalisasi dari Adaptive

Histogram Equalization (AHE). Berbeda

dengan Histogram Equalization yang

beroperasi pada keseluruhan region pada citra,

CLAHE beroperasi pada region yang kecil dan

disebut dengan tile. Sebagai tambahan, untk

mengeliminasi adanya region boundaries,

CLAHE menerapkan interpolasi bilinear. Oleh

karena itu, region - region kecil yang

bertetangga tidak terlihat batasnya, atau terlihat

lebih halus.

Keuntungan menggunakan CLAHE

adalah perhitungan yang sederhana, mudah

digunakan dan menghasilkan output yang

bagus pada sebagian besar citra. Citra yang

menerapkan CLAHE memiliki noise yang

sedikit dan bisa menghindari adanya saturasi

kecerahan yang biasa terjadi pada Histogram

Equalization.

3. KONVOLUSI

Konvolusi adalah operasi matematika

sederhana yang banyak digunakan dalam

operasi pengolahan citra. Konvolusi dilakukan

dengan mengalikan secara bersamaan dua

array yang memiliki dimensi yang sama

dengan ukuran yang berbeda untuk

menghasilkan array baru dengan dimensi yang

sama. Konvolusi dapat digunakan dalam

pengolahan citra sebagai operator yang

outputnya merupakan nilai pixel kombinasi

linear sederhana dari nilai-nilai piksel input

tertentu.

Dalam konteks pengolahan citra, salah

satu array input biasanya berupa gambar

graylevel. Array kedua biasanya jauh lebih

kecil, berukuran dua-dimensi (meskipun

mungkin hanya sebuah piksel tunggal tebal),

dan biasanya disebut kernel.

4. MATRIKS HESSIAN

Matrik Hessian adalah matrik yang setiap

elemennya dibentuk dari turunan parsial kedua

dari suatu fungsi[10]. Misalkan f(x) fungsi

dengan n variabel yang memiliki turunan

parsial kedua dan turunannya kontinu, matrik

Hessian f(x) ditulis H direpresentasikan seperti

gambar 2.6.

(1)

Matrik Hessian dapat digunakan untuk

melakukan uji turunan kedua fungsi lebih

dari satu variabel, yaitu untuk mengidentifikasi

optimum relatif dari nilai fungsi tersebut.

Penggolongan titik stasioner fungsi dua

variabel dengan menggunakan matriks

Hessian[10].


3

5. EIGENVALUE DAN EIGENVECTOR

Eigenvalue sering diartikan dengan

akar ciri. dalam bahasa yang lebih mudah

eigen value merupakan suatu nilai yang

menunjukkan seberapa besar pengaruh suatu

variabel terhadap pembentukan karakteristik

sebuah vektor atau matriks. eigen value

dinotasikan dengan λ[9]. Nilai λ paling besar

adalah yang memberikan karakteristik atau ciri

paling kuat pada suatu vektor atau matriks.

Eigenvalue merupakan nilai yang mewakili

total varian yang dijelaskan oleh setiap faktor.

Sedangkan eigenvektor digunakan untuk

menentukan arah. Untuk mencari eigenvalue

dari matriks persegi, digunaan persamaan

berikut :

(2)

6. BINARISASI GAMBAR

(THRESHOLDING)

Dalam image processing, mengubah

gambar menjadi biner artinya mengubah warna

tiap-tiap pixel pada gambar menjadi hanya

bernilai 0 atau 255, sehingga hanya berwarna

hitam dan putih. Dengan normalisasi gambar

bisa juga dinyatakan dengan warna tiap-tiap

pixel pada gambar 0 atau 1.

Thresholding adalah proses mengubah

citra berderajat keabuan menjadi citra biner

atau hitam putih sehingga dapat diketahui

daerah mana yang termasuk obyek dan

background dari citra secara jelas. Citra hasil

thresholding biasanya digunakan lebih lanjut

untuk proses pengenalan obyek serta ekstraksi

fitur[13].

Citra hasil thresholding dapat didefinisikan

sebagaimana persamaan berikut :

(3)

7. DETEKSI TEPI

Deteksi tepi (Edge Detection) pada suatu

citra adalah suatu proses yang menghasilkan

tepi-tepi dari obyek-obyek citra. Tujuan edge

detection ada dua, pertama untuk menandai

bagian yang menjadi detil citra. Kedua untuk

memperbaiki detil dari citra yang kabur, yang

terjadi karena derau atau adanya efek dari

proses akuisisi citra.

7.1 Deteksi Tepi Sobel

Salah satu contoh metode yang

mengimplementasikan deteksi tepi adalah

metode deteksi tepi Sobel. Secara sederhana,

operator Sobel menghitung gradien dari

intensitas citra pada setiap titik sehingga

didapatkan kemungkinan arah yang terbesar

yang bertambah dari warna yang terang sampai

warna gelap dan laju perubahan pada masing-

masing arah. Hasilnya akan menunjukkan

seberapa halus citra akan melakukan

perubahan pada titik tersebut. Pada banyak

aplikasi, sobel digunakan sebagai metode

komputasi gradien standar untuk mendapatkan

gradien citra dan tepi. Lebih spesifiknya,

deteksi tepi Sobel terdiri dari 2 directional

filter yaitu Gx dan Gy. Formula dari sobel

adalah sebagai berikut :

(4)

Gx Gy

Gambar 1. Matriks Konvolusi Sobel

8. Structuring Element dan Operasi

Morphology

Structuring element memegang peranan

penting dalam pengolahan citra dengan

morfologi. Pemilihan bentuk dan ukuran

structuring element sangat berpengaruh

terhadap hasil pengolahan citra. Penggunaan

dua buah structuring element yang berbeda

akan menghasilkan hasil yang berbeda juga

meski objek/citra yang dianalisa sama.

Pembahasan mengenai operasi morfologi

pada citra meliputi dasar-dasar matematika

morfologi meliputi Dilasi, Erosi, dan Opening

Operation.

Dilasi adalah operasi yang akan membuat

sebuah objek berkembang atau menebal sesuai

dengan bentuk Structuring Element yang

digunakan. Dalam operasi dilasi, citra asli akan

mengalami pelebaran dengan mengikuti bentuk

Structuring Element yang digunakan[10].


4

dilasi A oleh B, dinotasikan dengan

dapat diperoleh dari persamaan

(4)

Erosi adalah operasi yang akan membuat

sebuah objek menyusut atau menipis. Seperti

pada operasi dilasi, objek akan menyusut atau

menipis sesuai dengan bentuk dan ukuran dari

Structuring Element[10]. Erosi A oleh B

didefinisikan oleh persamaan

(5)

Opening umumnya digunakan untuk

menghaluskan kontur dari sebuah objek,

memutuskan garis tipis yang menghubungkan

dua region besar, dan menghilangkan tonjolan

tipis[10]. Operasi opening dari himpunan A

oleh Structuring Element B, yang dinotasikan

dengan , didefinisikan pada persamaan

berikut :

(6)

9. METODE PERHITUNGAN

TINGKAT AKURSI

Perhitungan akurasi segmentasi citra

dapat dihitung dengan menggunakan nilai

SNSP[8] mengikuti persamaan

(7)

(8)

Dimana sensitivity merupakan ukuran

kemampuan mendeteksi pembuluh, sedangkan

specificity merupakan ukuran kemampuan

untuk mendeteksi yang bukan termasuk

pembuluh. Perhitungan sensitivity dan

specificity, ditunjukkan dalam persamaan

berikut

(9)

(10)

Sensitivity dan specificity memiliki nilai

range dari 0 sampai maksimum 1. True

negative merupakan jumlah piksel benar

terdeteksi sebagai background baik pada citra

groundtruth maupun pada citra hasil

segmentasi. False positive merupakan jumlah

piksel yang salah terdeteksi, dimana hasil

segmentasi menyatakan sebagai pembuluh,

tetapi pada citra groundtruth merupakan

background. Sedangkan false negative

merupakan jumlah piksel yang salah terdeteksi

sebagai background, dimana hasil segmentasi

menyatakan sebagai background, tetapi pada

citra groundtruth merupakan pembuluh.

10. SEGMENTASI CITRA RETINA

MENGGUNAKAN ALGORITMA

MODULAR SUPERVISED

Langkah-langkah dalam melakukan

segmentasi citra menggunakan algoritma

modular supervised adalah sebagai berikut[8] :

1. Merubah citra masukan ke green channel.

2. Memperbaiki kontras dengan contrast-

limited adaptive histogram equalization.

3. Melakukan konvolusi dengan turunan

kedua Gaussian 2D yang kemudian

membentuk Matriks Hessian[11] seperti

pada persamaan (1).

4. Mencari nilai eigenvalue dari matriks

seperti persamaan (2).

5. Melakukan normalisasi nilai piksel

berdasarkan nilai eigenvalue.

6. Menentukan piksel apakah termasuk

sebagai pembuluh atau bukan.

7. Mengubah citra menjadi biner dengan

metode thresholding.

8. Membersihkan elemen-elemen kecil yang

bukan termasuk pembuluh dengan

bantuan morphology opening seperti

persamaan (6).

9. Menghapuskan tepi retina yang bukan

termasuk pembuluh (Field Of View

removal), dengan tahapan berikut :

a. Citra masukan retina fundus dirubah

ke citra red channel.

b. Mendapatkan mask dengan

thresholding citra red channel.

c. Mendeteksi tepi dari citra hasil

keluaran tahap (b).

d. Menebalkan tepi yang terdeteksi

dengan morphology dilasi seperti

persamaan (4).

e. Pencocokan gambar hasil keluaran

tahap (d) dengan citra keluaran tahap

(8). Pada posisi tepi gambar (d), rubah

piksel pada gambar (8) menjadi

nol/background.

10. Melakukan optimasi paramter standard

deviasi/sigma dan threshold.

11. UJI COBA DAN EVALUASI

Uji coba dilakukan terhadap citra DRIVE

[12] yang berukuran 565x584 piksel dan

merupakan citra RGB.


5

11.1 Perbandingan hasil akurasi segmentasi

citra dengan nilai threshold tetap dan

standard deviation/sigma yang berbeda-beda

Pada skenario uji coba ini akan

dibandingkan nilai akurasi segmentasi citra

yang dihasilkan dari masing-masing citra

dengan nilai standard deviasi/sigma dan

threshold yang berbeda-beda. Uji coba pertama

skenario ini akan diujikan pada citra 1_test.tif.

Gambar 2. Citra masukan 1_test.tif uji coba I

Pada skenario ini, proses segmentasi

akan diulang dengan memberikan nilai

parameter standard deviation/sigma 1, 2, 3, 4,

5 dan threshold 0.01, 0.05, 0.1, 0.15, 0.2.

Kemudian akan dilihat hasil segmentasi citra

dan akurasi dari hasil segmentasi citra tersebut.

Berikut ini ditunjukkan pada gambar 3

merupakan hasil keluaran citra dengan

threshold 0.01 dan sigma yang berbeda-beda,

yaitu 1, 2, 3, 4, 5.

Gambar 3. Uji Coba 1_test.tif dengan threshold 0.01;

(a)Citra green cahnnel; (b)Citra dengan sigma 1;

(c)Citra dengan sigma 2; (d)Citra dengan sigma 3;

(e)Citra dengan sigma 4; (f)Citra dengan sigma 5




yaitu 1, 2, 3, 4, 5.








yaitu 1, 2, 3, 4, 5.








6


yaitu 1, 2, 3, 4, 5.








yaitu 1, 2, 3, 4, 5.





Berdasarkan Tabel 1 dapat dilihat bahwa

semakin besar nilai threshold, rata-rata nilai

akurasi SNSP dari 10 gambar yang berbeda

akan semakin kecil. Dengan nilai threshold

yang sama, hasil akurasi SNSP akan semakin

kecil dan running time proses lebih lama

seiring dengan bertambahnya nilai sigma.

Tabel 1. Akurasi citra uji coba I

11.2 Perbandingan hasil akurasi segmentasi

citra dengan nilai standard deviation/sigma

yang tetap dan threshold yang berbeda-beda

Pada skenario uji coba yang kedua ini

akan dibandingkan hasil akurasi citra dari nilai

sigma tetap dan threshold yang berbeda-beda.

Uji coba dilakukan terhadap citra 19_test.tif.

Gambar 8. Citra masukan 19_test.tif uji coba II

Pada skenario ini, proses segmentasi akan

diulang dengan memberikan nilai parameter

threshold 0.01, 0.05, 0.1, 0.15, 0.2 dan

standard deviation/sigma 1, 2, 3, 4, 5.

Kemudian akan dilihat hasil segmentasi citra

dan akurasi dari hasil segmentasi citra tersebut.


merupakan hasil keluaran citra dengan sigma 1

dan threshold yang berbeda-beda, yaitu 0.01,

0.05, 0.1, 0.15, 0.2.


7

Gambar 9. Uji Coba 19_test.tif dengan sigma 1;

(a)Citra green cahnnel; (b)Citra dengan threshold

0.01; (c)Citra dengan threshold 0.05; (d)Citra dengan

threshold 0.1; (e)Citra dengan threshold 0.15; (f)Citra

dengan threshold 0.2




0.05, 0.1, 0.15, 0.2.









0.05, 0.1, 0.15, 0.2.









0.05, 0.1, 0.15, 0.2.









8


0.05, 0.1, 0.15, 0.2.






Tabel 2. Akurasi citra uji coba II

Pada tabel di atas, berisi rata-rata nilai

akurasi SNSP, serta running time dari 10

gambar yang berbeda. Dari hasil uji coba yang

kedua ini, semakin besar nilai sigma, maka

akurasi SNSP akan semakin bagus, serta

running time proses lebih lama. Dengan nilai

sigma yang sama, hasil akurasi SNSP akan

semakin kecil seiring dengan bertambahnya

nilai threshold.

12. EVALUASI

Dari hasil uji coba yang telah dilakukan,

beberapa parameter yang digunakan selama uji

coba memberikan pengaruh terhadap hasil

segmentasi pembuluh darah retina pada citra

retina fundus dengan algoritma modular

supervised.

Perubahan nilai sigma, memberikan

pengaruh terhadap hasil akurasi segmentasi

citra. Apabila nilai sigma terlalu kecil, maka

citra hasil segmentasi akan semakin tipis. Hal

ini tidak sesuai dengan citra groundtruth,

sehingga mengakibatkan nilai akurasi yang

kecil. Karena groundtruth lebig tebal. Semakin

kecil nilai sigma yang diberikan, juga

mengakibatkan semakin sedikit pembuluh

darah yang bisa disegmentasi dan berakibat

pada semakin sedikit pula pembuluh yang bisa

dideteksi. Sebaliknya, apabila nilai sigma

terlalu besar maka citra keluaran segmentasi

semakin tebal pembuluhnya. Hal ini

mengakibatkan ketidaksesuaian dengan citra

groundtruth. Sehingga citra groundtruth

seolah-olah merupakan bagian dari citra

keluaran. Dengan jumlah pembuluh yang

semakin banyak terdeteksi, sehingga

mengakibatkan nilai akurasi yang baik.

Selain itu, perubahan nilai threshold

memberikan pengaruh terhadap hasil akurasi

segmentasi citra. Apabila nilai threshold terlalu

kecil, maka akan semakin banyak cabang-

cabang pembuluh darah yang masuk dalam

segmentasi, sehingga tidak sesuai dengan

pembuluh darah pada citra groundtruth dan

nilai akurasi kecil. Sebaliknya apabila nilai

threshold terlalu besar maka akan semakin

sedikit cabang-cabang kecil pada pembuluh

darah yang menghilang dan nilai akurasinya

pun juga akan kecil. Hal ini dapat dilihat dari

hasil segmentasi citra pembuluh darah, apabila

nilai threshold terlalu kecil, maka akan banyak

cabang-cabang kecil pada pembuluh darah

yang seharusnya hilang. Dan apabila nilai

threshold terlalu besar, akan ada cabang

pembuluh darah yang menghilang.

13. KESIMPULAN

Berdasarkan implementasi Tugas Akhir

ini, didapatkan beberapa kesimpulan :

1. Perangkat lunak untuk segmentasi

pembuluh darah dapat diimplementasikan


9

dengan menggunakan algoritma modular

supervised. Algoritma ini terdiri dari

modul preprocessing, vessel

enhancement, image binarization,

cleaning, dan FOV removal.

2. Perangkat lunak ini terbukti mampu

mensegmentasi dengan baik, dibuktikan

dengan nilai rata-rata akurasi SNSP yang

cukup tinggi sekitar -0.058 (nilai SNSP

akan semakin bagus jika mendekati 0).

3. Nilai threshold berpengaruh terhadap

hasil akurasi segmentasi citra. Apabila

nilai threshold terlalu besar, maka nilai

akurasi kecil.

4. Nilai sigma mempengaruhi hasil akurasi

segmentasi citra. Apabila nilai sigma

terlalu kecil, maka nilai akurasi kecil.

14. DAFTAR PUSTAKA

[1]. C. Tsai, C. Stewart, H. Tanebaum, B.

Roysam, Model-based method for improving

the accuracy and repeatability of estimating

vascular bifurcation and crossovers from

retinal fundus images, IEEE Tr ans. I nf.

Technol. Biomed. 8 ( 2004) 122 – 130.

[2]. J . Staal, M . Abramoff, M. Niemeijer,

M. Vi ergever, B. van Ginneken, Ridge-based

vessel segmentation in color images of the

retina, IEEE Trans. Med. Imag. 23 (2004)

501 – 509.

[3]. M . M artinez-Perez, A. Hughes, S.

Thom, A. Bharath, K. Parker, Segmentation of

blood vessels from red-free and fluorescein

retinal images, Med. Image Anal. 11 ( 2007)

47 – 61.

[4]. C. Kirbas, F. Quek, A review of vessel

extraction t echniques and algorithms, ACM

Comput. Surv. 36 (2004) 81 – 121.

[5]. S. Salem, N. Salem, A. Nandi,

Segmentation of retinal blood vessels using a

novel clustering algorithm ( RACAL) with a

partial s upervision strategy, Med. Biol. Eng.

Comput. 45 ( 2007) 261 – 273.

[6]. J .V.B. Soares, J .J.G. Leandro, R.M.

Cesar, H.F. Jelinek, M.J. Cree, Retinal vessel s

egmentation using the 2-D Gabor wavelet and

supervised classification, IEEE Trans. Med.

Imag. 25 (2006) 1214 – 1222.

[7]. E. Ricci, R. Perfetti, Retinal blood

vessel segmentation using line operators and

support vector classification, IEEE Trans. M

ed. Imag. 26 (2007) 1357 – 1365.

[8]. Anzalone A, Izzarri F.B, Parodi M,

Storace M, A modular supervised algorithm

for vessel segmentation in red-free retinal

images. Computers in Biology and Medicine

38 (2008) 913 – 922.

[9]. Eigen Value (λ) , <URL: http://

nuvie81.wordpress.com/2008/08/29/eigen-

value-%CE%BB/ diakses pada 12 November

2012>

[10]. Gonzales, R.C., et al. 2004. Digital

Image Processing Using MATLAB 3rd

edition. United States of America : Prentice

Hall.

[11]. A. F. Frangi, W. J. Niessen, K. L.

Vincken, Max A. Viergever, Multiscale vessel

enhancement filtering, Image Sciences

Institute, University Hospital Utrecht (1998).

[12]. DRIVE (Digital Retinal Image for

Vessel Extraction). Drive Database, <URL:

http://www.isi.uu.nl/Research/Databases/DRI

VE/ diakses pada 15 Oktober 2011>

[13]. M. Iqbal, Dasar Pengolahan Citra

Menggunakan Matlab

http://www.isi.uu.nl/Research/Databases/DRIVE/

http://www.isi.uu.nl/Research/Databases/DRIVE/

implementasi model segmentasi pembuluh...

Documents