implementasi segmentasi pembuluh retina dengan...

MAKALAH SEMINAR TUGAS AKHIR PERIODE JULI 2011

1

IMPLEMENTASI SEGMENTASI PEMBULUH RETINA DENGAN METODE MULTI-

SCALE LINE TRACKING

Syarifatun Nadhiroh Qomariyah1, Handayani Tjandrasa

2, Nanik Suciati

3

Teknik Informatika, Fakultas Teknologi Informasi, ITS

email : [email protected], [email protected], [email protected]

ABSTRAKSI

Pembuluh pada retina merupakan objek yang

sangat penting untuk mendiagnosis berbagai penyakit.

Sehingga adanya suatu sistem yang mampu secara cepat,

otomatis, adaptif, dan akurat dalam mensegmentasi

pembuluh retina sangat berguna. Pada Tugas Akhir ini,

segmentasi pembuluh darah pada retina dilakukan dengan

menggunakan metode multi-scale line tracking. Terdapat

tiga langkah untuk mensegmentasi pembuluh darah pada

retina yang digunakan dalam Tugas Akhir ini. Langkah

pertama adalah tahap preprocessing citra. Preprocessing

dilakukan dengan mengambil green channel dari citra

retina yang kemudian pada green channel tersebut

dilakukan contrast enhancement. Langkah kedua adalah

segmentasi citra yang terdiri dari pemilihan piksel awal

untuk line tracking, inisialiasi line tracking dan estimasi

piksel line-tracking yang baru, serta estimasi awal

jaringan pembuluh. Proses inisialisasi line tracking dan

juga estimasi piksel line-tracking yang baru dilakukan

untuk semua scale. Kemudian, langkah yang terakhir

yang terakhir adalah postprocessing. Langkah

postprocessing terdiri dari penghapusan tepi retina,

median filtering, morphological directional filtering dan

morphological reconstruction. Dari langkah-langkah

tersebut diperoleh hasil akhir segmentasi pembuluh darah

pada retina. Berdasarkan uji coba yang dilakukan,

metode Multi-scale Line Tracking dapat mensegmentasi

pembuluh retina dengan akurasi sebesar 95,07%,

sensitivitas sebesar 82,01%, dan spesifisitas sebesar

98,66% . Uji coba dilakukan pada citra retina yang

terdapat dalam DRIVE database dengan gold standard

ground truth .

Kata kunci : Segmentasi pembuluh retina, Multi-scale line

tracking, Citra retina.

1 PENDAHULUAN

Pembuluh pada retina merupakan objek yang

sangat penting untuk mendiagnosis berbagai penyakit.

Perubahan diameter, sudut percabangan (turtuosity), dan

panjang percabangan dari pembuluh di retina, dapat

digunakan untuk mediagnosis berbagai penyakit,

beberapa diantaranya adalah diabetes, hipertensi,

angiogenesis, dan retinopathy of prematurity (ROP).

Dengan memanfaatkan citra retina yang diperoleh dari

kamera fundus, pengolahan citra dan pengenalan pola,

dapat dilakukan otomatisasi proses diagnosis penyakit,

perkiraan efek terapi dan juga proses operasi laser pada

retina dengan bantuan komputer. Sehingga adanya suatu

sistem yang mampu secara cepat, otomatis, adaptif, dan

akurat dalam mensegmentasi pembuluh retina sangatlah

berguna.

Teknik deteksi tepi tepi tradisional yang ada,

seperti Canny, Sobel, Prewwit, dan lain sebagainya tidak

mampu mensegmentasi pembuluh dari background-nya

dengan baik, sehingga teknik deteksi tepi khusus sangat

diperlukan agar hasil segmentasi pembuluh menjadi lebih

akurat. Oleh karena itu, untuk menyelesaikan

permasalahan di atas, penulis mengusulkan perancangan

dan pembuatan sistem yang mampu mensegmentasi

pembuluh pada retina dari background-nya dengan

sebuah teknik deteksi tepi khusus, yaitu dengan

menggunakan metode multi-scale line tracking [1].

Metode ini dapat digunakan untuk mensegmentasi

pembuluh retina pada citra retina dengan perubahan

luminosity dan kontras yang besar.

2 PENGOLAHAN CITRA DIGITAL

Citra dapat didefinisikan sebagai fungsi dua

dimensi, f(x,y). x dan y merupakan koordinat spasial dan f

pada koordinat (x,y) merupakan intensity atau graylevel

citra pada titik tersebut. Ketika x,y dan f bernilai diskrit

citra disebut disebut citra digital. Sehingga pengolahan

citra digital merujuk pada pemrosesan citra digital dengan

digital computer. Pengolahan citra digital mencakup

proses yang input dan output-nya adalah citra dan juga

proses yang mengekstrak atribut dari citra sampai dengan

pengenalan objek.

2.1 Citra Digital

Pada bagian ini akan dijelaskan mengenai beberapa

hal yang berkaitan dengan citra digital, yaitu hubungan

antar piksel dan histogram.

2.1.1 Hubungan Antar Piksel

Terdapat beberapa jenis hubungan antar piksel,

diantaranya ketetanggaan dan konektivitas. Sebuah piksel

p pada koordinat (x,y) memiliki empat tetangga, yaitu

tetangga yang berada pada arah horizontal dan vertical.

Keempat tetangga tersebut memiliki koordinat (x+1, y),

(x-1, y), (x, y+1), dan (x, y-1). Piksel-piksel tersebut

disebut sebut sebagai 4-neighbors dari p, yang dinotasikan

dengan N4(p). Selain tetangga pada arah horizontal dan

vertical, terdapat empat tetangga piksel p pada arah


2

diagonal. Koordinat piksel tetangga tersebut adalah (x+1,

y+1), (x+1, y-1), (x-1, y+1), dan (x-1, y-1). Piksel-piksel

tersebut dinotasikan dengan ND(p). ND(p) bersama

dengan 4-neighbors disebut sebagai 8-neighbors dari p,

dan dinotasikan dengan N8(p).

Konektivitas antar piksel merupakan konsep dasar

yang menyederhanakan definisi berbagai konsep dasar

citra digital, seperti region dan boundary. Dua piksel

dikatakan memiliki konektivitas bila kedua piksel tersebut

bertetangga dan gray level-nya memenuhi criteria

kesamaan tertentu. Pada binary image, dua piksel

dikatakan memiliki konektivitas bila bertetangga dan

memiliki nilai yang sama [2].

2.1.2 Histogram Citra

Histogram pada citra bertindak sebagai representasi

grafis dari distribusi intensity pada citra digital. Histogram

mem-plot jumlah piksel untuk setiap nilai intensity.

Dengan melihat histogram citra seorang pengamat secara

sekilas bisa menilai keseluruhan distribusi intensity pada

citra tersebut.

Sumbu horizontal pada histogram

merepresentasikan nilai intensity, sedangkan sumbu

vertikal pada histogram merepresentasikan jumlah piksel

pada nilai intensity tersebut. Daerah gelap

direpresentasikan di sumbu horizontal sebelah kiri dan

daerah yang terang direpresentasikan pada sumbu

horizontal sebelah kanan. Jadi, semakin ke kanan intensity

semakin terang. Sehingga bila terdapat histogram yang

datanya mengumpul di kiri berarti gambar tersebut sangat

gelap. Sedangkan bila datanya cenderung mengumpul di

kanan, berarti gambar tersebut sangat terang. Sumbu

vertikal mereprsentasikan ukuran daerah setiap intensity.

Karena informasi yang terdapat dalam histogram

merupakan representasi distribusi intensity piksel, maka

dengan menganalisis histogram bisa didapatkan puncak

atau lembah dari histogram citra tersebut. Informasi

tersebut kemudian dapat digunakan untuk menentukan

nilai threshold. Sehingga histogram citra dapat digunakan

untuk thresholding, yang kemudian dapat dimafaatkan

untuk proses deteksi tepi dan segmentasi citra [3].

2.2 Segmentasi Citra

Segmentasi membagi citra menjadi objek atau

daerah yang dipilih. Sampai seberapa jauh pembagian

dalam citra tersebut tergantung pada permasalahan yang

ingin diselesaikan. Ketika objek yang ingin disegmentasi

telah terisolasi, segmentasi harus dihentikan. Karena tidak

ada gunanya untuk melakukan segmentasi melebihi

tingkat kedetailan yang seharusnya dibutuhkan untuk

mengidentifikasi elemen tersebut.

Sementasi citra merupakan salah satu pekerjaan

yang paling sulit dalam pengolahan citra. Akurasi dari

segmentasi menentukan kesuksesan atau kegagalan

prosedur analisa yang terkomputerisasi. Oleh karena itu,

sangat penting untuk meningkatkan akurasi segmentasi.

Secara umum algoritma dalam segmentasi citra

berdasar pada dua properti dasar dari nilai intensity, yaitu

discontinuity dan similarity. Pendekatan pada kategori

yang pertama adalah dengan membagi citra berdasarkan

pada perubahan intensity yang tajam, seperti tepi pada

citra. Sedangkan pendekatan pada kategori yang kedua

berdasarkan pada pembagian citra menjadi region yang

mirip berdasarkan pada sekumpulan kriteria yang telah

didefiniskan sebelumnya. Beberapa contoh metode pada

kategori ini adalah thresholding, region growing dan

region splitting, serta merging.

3 DETEKSI TEPI SOBEL

Salah satu metode untuk segmentasi adalah deteksi

tepi. Deteksi tepi adalah proses untuk mencari tepi suatu

citra. Deteksi tepi mendeteksi perubahan yang tajam

dalam brightness citra. Sebagian besar metode deteksi

tepi bekerja dengan asumsi bahwa tepi terjadi ketika

terdapat diskontinuitas pada intensity. Terdapat banyak

metode untuk melakukan deteksi tepi. Namun, secara

garis besar terdapat dua metode untuk melakukan deteksi

tepi, yaitu gradient dan Laplacian. Metode Sobel

menggunakan contoh deteksi tepi yang menggunakan

metode gradient. Sebuah piksel dikatakan sebagai tepi

bila nilai gradient-nya melebihi threshold. Sobel edge

operator menggunakan sepasang mask konvolusi 3x3.

Mask konvolusi yang pertama digunakan untuk

mengestimasi gradient pada arah-x dan mask konvolusi

yang kedua digunakan untuk mengestimasi gradient pada

arah-y [4]. Mask Sobel ditunjukkan pada gambar berikut :

-1 0 +1

-2 0 +2

-1 0 +1

Sobel edge operator menghitung gradient dari intensity

citra pada setiap titik. Magnitude gradient dapat dihitung

menggunakan formula sebagai berikut:

|�| � ��

� (1)

Sobel detector sangat sensitif terhadap derau pada citra.

4 IMAGE ENHANCEMENT DALAM

DOMAIN SPASIAL

Image enhacement merupakan suatu proses

pengolahan citra sehingga citra hasil menjadi lebih sesuai

untuk aplikasi tertentu daripada citra aslinya. Image

enhancement dapat dibagi menjadi dua kategori. Yaitu

image enhancement dalam domain spasial dan image

enhancement dalam domain frekuensi. Pada image

Gambar 1 Mask Sobel

+1 +2 +1

0 0 0

-1 -2 -1

��


3

enhancement dalam domain spasial, teknik enhancement

dilakukan dengan memanipulasi piksel dalam citra secara

langsung. Sedangkan pada image enhancement dalam

domain frekuensi, teknik pemrosesannya dilakukan

berdasarkan modifikasi transformasi Fourier.

Proses enhancement dalam domain spasial dapat

dinotasikan dengan ekspresi sebagai berikut :

g�x, y� � T�f�x, y�� (2)

f�x, y� merupakan input image, g�x, y� merupakan output

image, dan T merupakan operator pada f yang

didefinisikan dalam beberapa ketetanggaan dari �x, y�.

Prinsip yang digunakan dalam mendefinisikan

ketetanggaan dari titik �x, y� adalah dengan menggunakan

square atau rectangle subimage area yang terpusat pada �x, y�. Bentuk ketetanggan tidak selalu square atau

rectangle, namun square dan rectangle merupakan bentuk

yang paling umum. Square atau rectangle subimage

berpindah dari satu piksel ke piksel yang lain dan operator

T diterapkan pada setiap lokasi �x, y�.

Transformasi dalam image enhancement bisa berupa point

processing ataupun mask processing atau filtering. Pada

point processing, enhancement pada citra hanya

bergantung pada gray level pada titik tersebut. Sedangkan

pada mask processing atau filtering, nilai piksel (x,y)

yang baru bergantung pada nilai-nilai tetangganya.

4.1 Median Filter

Median filter termasuk salah satu teknik image

enhancement yang berkerja dalam domain spasial dan

merupakan nonlinear spatial filter. Pada median filtering,

nilai suatu piksel digantikan dengan median dari gray

level dari ketetanggan piksel tersebut. Median filter

biasanya digunakan untuk mengurangi derau pada citra

dan digunakan untuk smoothing. Median filter efektif

khususnya dalam mengurangi jenis derau berupa

impulsive noise atau salt and pepper [5]. Pada median

filter terdapat mekanisme untuk mengurangi derau pada

citra dengan tetap menjaga tepi citra secara lebih efektif

daripada linear smoothing filter. Banyak teknik

pengolahan citra digital seperti rank-order dan

morphological processing merupakan variasi dari

algoritma median dasar [6].

Pada median filter, untuk setiap piksel dalam citra,

nilai piksel dalam window ketetanggaan diurutkan

berdasarkan intensity dan dicari nilai tengahnya (median)

untuk menjadi nilai output titik tersebut. Karena operasi

median filter harus dilakukan jutaan kali untuk memfilter

citra yang berukuran besar, maka hal tersebut

menyebabkan median filter memiliki komputasi yang

relatif mahal dan kompleks. Oleh karena itu, berbagai

macam algoritma dikembangkan untuk mengatasi

permasalahan tersebut.

4.2 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 contrast pada citra. CLAHE

merupakan generalisasi dari Adaptive Histogram

Equalization (AHE) [6].

Berbeda dengan histogram equalization yang

beropersi pada keseluruhan region pada citra, CLAHE

beroperasi pada region kecil pada citra grayscale yang

disebut dengan tile. Kontras pada setiap tile diperbaiki

sehingga histogram yang dihasilkan dari region tersebut

kira-kira cocok dengan bentuk histogram yang

ditentukan.Tile yang saling bertetangga disambungkan

dengan menggunakan interpolasi bilinear. Hal ini

dilakukan agar hasil penggabungan tile terlihat halus.

Kontras, terutama pada area yang homogen, dapat

dibatasi untuk menghindari penguatan derau yang

mungkin terdapat dalam citra [6].

5 MORPHOLOGICAL IMAGE

PROCESSING

Salah satu penerapan morfologi adalah dalam

pengekstrakan komponen citra yang berguna dalam

representasi dan deskripsi bentuk. Dalam morphology

sekumpulan refleksi dan translasi dilakukan berdasarkan

structuring element (SE). Structuring element merupakan

suatu set kecil atau subimage yang digunakan untuk

memeriksa citra yang sedang dipelajari propertinya.

Structuring element biasanya direpresentasikan dengan

matriks 0 dan 1, namun terkadang hanya ditampilkan

yang bernilai 1 saja.

Pada bagian berikut ini dijelaskan mengenai

beberapa operasi dasar dalam morphology. Operasi –

operasi tersebut antara lain dilasi, erosi, opening, closing,

dan morphological reconstruction [7].

5.1 Dilasi dan Erosi

Dilasi adalah operasi yang membuat objek dalam

citra biner menjadi lebih “tebal”. Penebalan ini dikontrol

oleh structuring element. Sedangkan erosi merupakan

operasi yang membuat objek menjadi lebih “tipis” atau

“menyusut”. Penipisan pada erosi juga dikontrol oleh

structuring element seperti pada proses dilasi. Secara

matematis, proses dilasi A oleh B, dengan A adalah citra

yang akan didilasi dan B adalah structuring element,

dapat dinotasikan sebagai berikut :

� � � � � � |�� (3)

Sedangkan proses erosi A oleh B dapat dinotasikan

sebagai berikut :

� � � � � �|�� (4)


4

Secara grafis proses dilasi seperti proses

mentranslasikan structuring element ke seluruh piksel

pada citra dan kemudian diperiksa dimana saja piksel

yang overlap dengan piksel yang bernilai 1. Lalu piksel

citra hasil dilasi bernilai 1 pada setiap lokasi structuring

element overlap minimal satu piksel bernilai 1 pada citra

asli.

Erosi secara grafis dapat digambarkan sebagai

proses translasi structuring element ke seluruh citra dan

kemudian dilakukan pengecekan utnuk melihat lokasi

structuring element cocok sepenuhnya dengan foreground

dari citra. Citra output bernilai 1 pada setiap lokasi

structuring element overlap piksel bernilai 1 saja pada

citra asli atau dengan kata lain tidak overlap dengan

background citra.

5.2 Morphological Opening dan Closing

Morphological opening merupakan erosi yang

diikuti dengan dilasi. Morphological opening A oleh B,

dengan A adalah citra yang akan di-opening dan B adalah

structuring element, dapat dinotasikan sebagai A ! B

� ! � � �� # � � � � (5)

Persamaan di atas secara sederhana dapat

diinterpretasikan $ ! % adalah gabungan dari seluruh

translasi dari % yang pas sepenuhnya dengan $.

Morphological opening menghapus daerah yang tidak

mengandung structuring element, memperhalus kontur

objek, memutus koneksi tipis, dan menghapus tonjolan

tipis.

Morphological closing merupakan kebalikan dari

morphological opening. Jika pada opening, operasi yang

dilakukan adalah erosi yang diikuti dengan dilasi, maka

pada closing, operasi yang dilakukan adalah dilasi yang

diikuti dengan erosi. Morphological closing A oleh B

dapat dinotasikan dengan � • �

� • � � �� # � (6)

Seperti halnya pada opening, closing juga

cenderung menghaluskan kontur pada objek.

Perbedaannya adalah closing biasanya menyambung

objek yang terputus dan mengisi lubang yang lebih kecil

dari structuring element.

5.3 Morphological Reconstruction

Reconstrcution merupakan morphological

transformation yang melibatkan dua citra dan satu

structuring element. Citra pertama digunakan sebagai

marker, sedangkan citra kedua digunakan sebagai mask.

Marker berfungsi sebagai starting point untuk

transformasi. Mask berfungsi sebagai batasan

transformasi. Sedangkan structuring element digunakan

untuk mendefinisikan konektivitas.

Secara konsep morphological reconstruction

merupakan dilasi citra yang disebut citra marker secara

berulang sampai kontur marker pas di bawah citra mask.

Dilasi marker dibatasi oleh mask dan bila dilasi

selanjutnya tidak merubah citra, proses dilasi dihentikan.

Dilasi yang terakhir merupakan reconstructed image [9].

6 PERHITUNGAN AKURASI, SENSITIVITAS,

DAN SPESIFISITAS

Ketika hasil segmentasi telah didapat, perlu

dilakukan perhitungan tingkat kebenaran hasil

segmentasi. Perhitungan tingkat kebenaran dilakukan

dengan membandingkan hasil segmentasi dengan ground

truth. Sensitivitas dan spesifisitas merupakan beberapa

contoh ukuran statistik untuk mengetahui tingkat

kebenaran. Sensitivitas merupakan ukuran true positives

yang telah dinormalisasi. Sedangkan spesifisitas

merupakan ukuran proporsi dari true negatives. Rumus

untuk perhitungan akurasi, sensitivitas, dan spesifisitas

ditunjukkan pada persamaan berikut ini:

&'(&)*)+)*,& � -.-./01

(7)

&2'&)3)&)*,& � -1-1/0.

(8)

Dalam kasus segmentasi pembuluh, 45 (True

Positive) merupakan piksel pembuluh yang disegmentasi

dengan benar sebagai piksel pembuluh. 46 (True

Negative) merupakan piksel bukan pembuluh yang

disegmentasi dengan benar sebagai piksel bukan

pembuluh. 75 (False Positive) merupakan piksel yang

seharusnya bukan pembuluh namun disegmentasi sebagai

piksel pembuluh. Sedangkan 76 (False Negative)

meupakan piksel yang seharusnya pembuluh namun

disegmentasi sebagai bukan pembuluh.

7 SEGMENTASI PEMBULUH RETINA

DENGAN MENGGUNAKAN METODE MULTI-

SCALE LINE TRACKING

Langkah-langkah dalam proses melakukan

segmentasi pembuluh retina dengan metode multi-scale

line trcaking [1] adalah sebagai berikut:

1. Mengambil green channel citra retina.

2. Melakukan contrast enhancement dengan metode

Contrast Limited Adaptive Histogram Equalization

(CLAHE).

3. Melakukan pemilihan piksel awal (seed) untuk line

tracking (8&). Pemilihan piksel dilakukan sesuai

persamaan 8& � ��9, :�: 4<=> ? @�9, :� ? 4A)BCD, dengan TLow = 30 dan THigh = 70.

4. Melakukan inisialisasi line tracking. k F 1, VI�k� FVJ�t�, CI F �D. VI merupakan himpunan piksel yang

sedang di-track pada iterasi t. Sedangkan CI

merupakan himpunan piksel line-tracking yang baru.

5. Melakukan estimasi piksel line-tracking yang baru.

Estimasi dilakukan dengan menggunakan cross-


5

sectional profile (VM). VM untuk semua CI diestimasi

dengan formula :

8N��9, :�, �O, PQ� � @�9 � RO cos PQ – > sin PQY , : � ZO sin PQ � > cos PQ[� � @ �9 � ZO cos PQ � > sin PQ[ , : � ZO sin PQ \ > cos PQ[� \ 2@ �9 � ZO cos PQ[ , : � ZO sin PQ[�, �9, :� ^ _� dan

> � �` \ 1� 2⁄ (3.4)

CI merupakan delapan tetangga terdekat Nc dari piksel

yang saat ini sedang di-track, kecuali piksel yang

termasuk dalam VI. � O, PQ � merupakan koorddinat

polar dari kandidat yang relatif terhadap � 9, :� dan `

merupakan lebar dari cross-sectional profile. Sudut

ketika cros-sectional profile parameter bernilai

maksimum dan juga melebihi nilai threshold 4

digunakan untuk menentukan piksel yang akan di-

track selanjutnya. Sudut yang dimaksud pada

penjelasan di atas dapat dinotasikan dengan

Pd �,OBef maxi8Nj�9, :�, �O, PQ�k: 8Nj�9, :�, �O, PQ�k l 4m (9)

dan piksel yang akan di-track selanjutnya dapat

dinotasikan dengan

�9�, :�� 9 � O cos Pd, : � O sin Pd� . (10)

Setelah diperoleh koordinat piksel yang akan di-track

selanjutnya, maka confidence array _o di-update :

_o�9, :� F _o�9, :� � 1. (11)

Kemudian nilai variabel k di-update dan koordinat

piksel yang akan di-track selanjutnya dimasukkan

dalam 8�:

�9, :� F �9� , :��, p F p � 1, 8��p� � �9, :�. (12)

Selanjunya langkah pencarian piksel untuk line-

tracking yang baru diulang dari pengisian variabel _�.

Namun bila ternyata semua cross-sectional profile

parameter pada persamaan x.x nilainya kurang dari

threshold 4, maka algoritma line-tracking dimulai lagi

dari piksel seed berikutnya * F * � 1 dari langkah

inisialisasi line tracking. Threshold 4 algoritma ini,

digunakan dalam eliminasi piksel sehingga

mengurangi line tracking yang salah dalam citra ber-

noise.

6. Line racking untuk semua seed diulang sebanyak

jumlah scale. Jumlah scale yang digunakan tergantung

pada ukuran tubuler dari struktur pembuluh yang akan

dideteksi pada citra retina. Pada Tugas Akhir ini scale

yang digunakan sejumlah lima scale, yaitu W = 3,

5,7,9, dan 11. Pada proses multi-scale line tracking

didapatkan multi-scale confidence image. Multi-scale

confidence image merupakan gabungan dari

confidence matrix setiap scale.

7. Setelah proses multi-scale line tracking dilakukan, dan

telah didapatkan multi-scale confidence image,

selanjutnya dilakukan estimasi awal jaringan

pembuluh. Estimasi awal jaringan pembuluh

dilakukan dengan menggunakan metode map

quantization. Metode ini cukup cepat dan sederhana.

Pada map quantization, jaringan pembuluh awal

dibangun dari piksel yang memiliki confidence matrix

yang lebih besar atau sama dengan threshold TI.

Threshold TI nilainya ditentukan dari jumlah scale

yang digunakan dalam multi scale line tracking.

Sehingga, piksel yang memiliki nilai confidence

matrix lebih dari jumlah scale yang digunakan pada

saat multi scale line tracking, maka piksel tersebut

termasuk piksel pembuluh.

8. Hasil estimasi awal jaringan masih memiliki banyak

derau dan juga terdapat kesalahan deteksi retina

boundaries sebagai pembuluh. Sehingga perlu

dilakukan penghapusan retina boundaries untuk

meningkatkan tingkat kebenaran hasil segmentasi.

Penghapusan retina boundaries dilakukan dengan

melakukan beberapa langkah. Langkah yang pertama

adalah melakukan deteksi tepi pada citra green

channel retina. Deteksi tepi dilakukan dengan deteksi

tepi Sobel dengan parameter sensitivitas threshold

adalah 0,15. Deteksi tepi dilakukan untuk

mendapatkan retina boundaries. Setelah diketahui

lokasi retina boundaries dari hasil deteksi tepi, pada

lokasi yang sama pada citra hasil estimasi awal

jaringan pembuluh, nilai piksel pada citra hasil

estimasi awal jaringan dibuat menjadi bernilai nol.

Piksel bernilai nol merupakan piksel bukan pembuluh.

Sehingga akan didapatkan citra yang telah terhapus

retina boundaries-nya.

9. Setelah initial vessel network diperoleh dan telah

dilakukan penghapusan retina boundary pada hasil

estimasi awal jaringan pembuluh , dilakukan median

filtering untuk menyambungkan garis – garis

pembuluh yang seharusnya terhubung dan juga

menghilangkan derau-derau yang masih ada dalam

initial vessel network, sehingga tingkat kesalahan

deteksi pembuluh akan berkurang. Median filter yang

digunakan adalah median filter 3x3.

10. Setelah dilakukan median filtering, dilakukan

morphological opening menggunakan structuring

element berbentuk line dengan lima sudut yang

berbeda pada citra biner hasil tahap sebelumnya.

Panjang structuring element yang digunakan sebesar

M = 3 dan sudut yang digunakan sebesar

0°, 30°, 60°, 120°, dan 150°. Moprphological

directional filtering dilakukan dengan menjalankan

morphological opening menggunakan sudut-sudut

yang telah ditentukan. Kemudian hasil masing-masing

opening digabungkan menggunakan logika OR.

11. Langkah yang terkahir adalah morphological

reconsruction. Pada morphological reconstruction,

marker image yang digunakan adalah image hasil

morphological directional filtering yang telah di-

opening dan mask image yang digunakan adalah


6

image hasil morpohological directional filtering yang

asli. Structuring element yang digunakan adalah

structuring element berbentuk disk dengan radius R =

2 dan konektivitas yang digunakan adalah 8-

connectivity.

8 UJI COBA DAN EVALUASI

Data yang digunakan pada uji coba ini adalah

citra retina pada DRIVE database[10] yang merupakan

citra fundus mata berwarna dengan ukuran 565x584

piksel dan berupa citra RGB.

8.1 Uji Coba Perbandingan Hasil Sensitivitas

dan Spesifisitas Segmentasi Citra dari

Proses Segmentasi dengan Scale yang

Berbeda-Beda

Pada skenario uji coba yang pertama ini akan

dibandingkan nilai sensitivitas dan spesifisitas segmentasi

citra yang dihasilkan dari masing-masing citra dengan

scale yang berbeda-beda. Uji coba pertama skenario ini

akan diujikan pada citra 01_test.tif yang merupakan citra

dari DRIVE database.

Gambar 2 Citra masukan 01_test.tif uji coba I

Pada skenario ini, segmentasi dilakukan pada citra

01_test.tif dengan menggunakan scale 1, 3, 5, 7, 9, 11; 1,

3, 5, 7, 9, 11, 13; 3, 5, 7, 9; 3, 5, 7, 9, 11; 3, 5, 7, 9, 11, 13;

5, 7, 9, 11; dan 5, 7, 9, 11, 13. Kemudian akan dilihat

hasil segmentasi citra dan sensitivitas dan spesifisitas dari

hasil segmentasi citra tersebut.

• Citra masukan disegmentasi dengan menggunakan

scale 1, 3, 5, 7, 9, 11

Berikut ini merupakan hasil segmentasi citra 01_test.tif

dengan menggunakan scale 1, 3, 5, 7, 9, 11. Hasil citra

green channel dan segmentasi citra ditunjukkan pada

Gambar 3. Dari uji coba tersebut didapatkan nilai

sensitivitas segmentasi citra sebesar 73,09% dan nilai

spesifisitas sebesar 98,53%.

(a1)

(a2)

Gambar 3 Hasil uji coba I dengan scale 1, 3, 5, 7, 9, 11

(a) citra green channel (b) hasil segmentasi


scale 1, 3, 5, 7, 9, 11, 13


dengan menggunakan scale 1, 3, 5, 7, 9, 11, 13. Hasil

citra green channel dan segmentasi citra ditunjukkan pada

Error! Reference source not found.. Dari uji coba

tersebut didapatkan nilai sensitivitas segmentasi citra

sebesar 75,54% dan nilai spesifisitas sebesar 98,07%.

(a1)

(a2)

Gambar 4 Hasil uji coba I dengan scale 1, 3, 5, 7, 9, 11,

13 (a) citra green channel (b) hasil segmentasi


scale 3, 5, 7, 9


dengan menggunakan scale 3, 5, 7, 9. Hasil citra green

channel dan segmentasi citra ditunjukkan pada Error!

Reference source not found.. Dari uji coba tersebut

didapatkan nilai sensitivitas segmentasi citra sebesar

76,83% dan nilai spesifisitas sebesar 98,20%.

(a1)

(a2)

Gambar 5 Hasil uji coba I dengan scale 3, 5, 7, 9 (a)

citra green channel (b) hasil segmentasi


scale 3, 5, 7, 9, 11


dengan menggunakan scale 3, 5, 7, 9, 11. Hasil citra

green channel dan segmentasi citra ditunjukkan pada

Error! Reference source not found.. Dari uji coba

tersebut didapatkan nilai sensitivitas segmentasi citra

sebesar 79,04% dan nilai spesifisitas sebesar 97,81%.

(a1)

(a2)

Gambar 6 Hasil uji coba I dengan scale 3, 5, 7, 9, 11

(a) citra green channel (b) hasil segmentasi


scale 3, 5, 7, 9, 11, 13

implementasi segmentasi pembuluh retina dengan...

Documents