IMPLEMENTASI ALGORITMA EKSTRAKSI CENTERLINE BERBASIS KURVA PRINCIPAL: STUDI KASUS SEGMEN PEMBULUH DARAH RETINA

  W ;/--n

  TUGAS AKHIR – KI141502

IMPLEMENTASI ALGORITMA EKSTRAKSI

  CENTERLINE

BERBASIS KURVA PRINCIPAL:

  

STUDI KASUS SEGMEN PEMBULUH DARAH RETINA

FRISKA AJENG RIZKI NRP 5111100135 Dosen Pembimbing I Ahmad Saikhu, S.Si., M.T. Dosen Pembimbing II Rully Soelaiman, S.Kom., M.Kom. JURUSAN TEKNIK INFORMATIKA Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2016

  TUGAS AKHIR – KI141502

  

IMPLEMENTASI ALGORITMA EKSTRAKSI CENTERLINE

BERBASIS KURVA PRINCIPAL: STUDI KASUS SEGMEN PEMBULUH DARAH RETINA FRISKA AJENG RIZKI NRP 5111100135 Dosen Pembimbing I Ahmad Saikhu, S.Si., M.T. Dosen Pembimbing II Rully Soelaiman, S.Kom., M.Kom. JURUSAN TEKNIK INFORMATIKA Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2016

  

[Halaman ini sengaja dikosongkan]

  UNDERGRADUATE THESES – KI141502

  

IMPLEMENTATION OF CENTERLINE EXTRACTION

ALGORITHM VIA PRINCIPAL CURVE: CASE STUDY SEGMENT RETINAL VESSELS FRISKA AJENG RIZKI NRP 5111100135 Supervisor I Ahmad Saikhu, S.Si., M.T. Supervisor II Rully Soelaiman, S.Kom., M.Kom. DEPARTMENT OF INFORMATICS FACULTY OF INFORMATION TECHNOLOGY

INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2016

  

[Halaman ini sengaja dikosongkan]

  

LEMBAR PENGESAHAN

IMPLEMENTASI ALGORITMA EKSTRAKSI

  

STUDI KASUS SEGMEN PEMBULUH DARAH

RETINA

TUGAS AKHIR

  Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer pada

  Bidang Studi Dasar Terapan Komputasi Program Studi S-1 Jurusan Teknik Informatika

  Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember

  Oleh

  

FRISKA AJENG RIZKI

NRP : 5111 100 135

  Disetujui oleh Dosen Pembimbing Tugas Akhir: 1.

  Ahmad Saikhu, S.Si., M.T.

  ..................... NIP: 197107182006041001 (Pembimbing 1) 2.

  Rully Soelaiman, S.Kom., M.Kom.

  ..................... NIP: 197002131994021001 (Pembimbing 2)

  

SURABAYA

JUNI, 2016

  

[Halaman ini sengaja dikosongkan]

IMPLEMENTASI ALGORITMA EKSTRAKSI

  

STUDI KASUS SEGMEN PEMBULUH DARAH

RETINA

Nama Mahasiswa : FRISKA AJENG RIZKI NRP : 5111100135 Jurusan : Teknik Informatika FTIF-ITS Dosen Pembimbing 1 : Ahmad Saikhu, S.Si, M.T. Dosen Pembimbing 2 : Rully Soelaiman, S.Kom., M.Kom.

  

Abstrak

Dewasa ini, terdapat banyak jenis penyakit yang

disebabkan oleh kerusakan pada pembuluh darah retina,

seperti glaukoma, retinopati diabetik, dan age-related macular

degeneration (AMD). Diperkirakan sebelumnya oleh WHO

sekitar 2.2 juta penderita glaukoma, 1.8 juta penderita AMD,

dan 4.1 juta penderita retinopati diabetik penderita berasal

dari orang dewasa berusia di atas 40 tahun. Melihat banyaknya

jenis penyakit dari kerusakan pembuluh darah retina tersebut,

dibutuhkan diagnosis untuk dapat mendeteksi penyakit

tersebut. Untuk mempermudah proses diagnosis tersebut,

dilakukan ekstraksi segmen ke dalam bentuk centerline pada

citra pembuluh darah retina.

  Tugas akhir ini mengimplementasikan algortima

ekstraksi centerline berbasis kurva principal. Terdapat dua

tahap utama dari Tugas Akhir ini. Tahap pertama yakni

melakukan perbaikan terhadap citra menggunakan Frangi

filter, metode praproses menggunakan mean filter dan masking,

serta segmentasi citra menggunakan Bradley thresholding yang

dilanjutkan dengan morfologi area opening dan morfologi

close. Tahap kedua adalah melakukan ekstraksi centerline yang

  

detection, non maxima suppression, classic ridge transversal,

dan Laplacian of Gaussian.

  Dari uji coba dari tahap segmentasi dari citra

pembuluh darah retina, didapatkan tingkat akurasi sebesar

93.54% dengan perbandingan citra ground truth dari basis

data DRIVE. Sedangkan pada tahap ekstraksi centerline,

didapatkan tingkat akurasi sebesar 97.08%. Dengan demikian

dapat disimpulkan bahwa metode pada Tugas akhir ini dapat

dijadikan salah satu alternatif algoritma yang dapat digunakan

untuk segmentasi biner dan ekstraksi centerline.

  

Kata kunci: Pembuluh Darah Retina, Segmentasi, Deteksi

Garis Tepi, Ekstraksi Centerline.

  

IMPLEMENTATION OF CENTERLINE EXTRACTION

ALGORITHM VIA PRINCIPAL CURVE:

CASE STUDY SEGMENT RETINAL VESSELS

  : FRISKA AJENG RIZKI Student’s Name

: 5111100135

Student’s ID

  Department : Teknik Informatika FTIF-ITS First Advisor : Ahmad Saikhu, S.Si, M.T. Second Advisor : Rully Soelaiman, S.Kom., M.Kom.

  

Abstract

Nowadays, there are many types of diseases are caused

by damage to the blood vessels of the retina, such as glaucoma,

diabetic retinopathy, and age-related macular degeneration

(AMD). Earlier estimates by WHO that they affect 2.2 million

people due to glaucoma, 1.8 million people with AMD, and 4.1

million due to diabetic retinopathy came from adults over age

  

40. Seeing the severity of damage to the blood vessels of the

retina, needed a reliable method to diagnose it. The method is

expected to diagnose colon cancer with high accuracy. To

simplify the diagnostic, the segments are extracted into a

centerline on retinal blood vessels.

  The final project is to implement one of the methods

centerline extraction algorithm via principal curves. This final

project consists of two stages. The first stage is the improvement

images using Frangi filter, preprocessing using mean filter and

masking, also image segmentation using Bradley thresholding

with morphological operation area opening and close. The

second stage is the stage of centerline extraction with several

methods such as distance map, Canny edge detection, non

maxima suppression, classic ridge transversal, dan Laplacian

  From few trials above, this segmentation method

obtained an accuracy rate is 93.54% with ground truth

comparison from DRIVE database. And from centerline

extraction method obtained an accuracy rate is 97.08%.

Therefore, it can be used as one of the alternative algorithm

then used for binary segmentation and centerline extarction.

  

Keywords: Retinal Blood Vessels, Segmentation, Edge

Detection, Centerline Extraction

KATA PENGANTAR

  Alhamdulillahirabbil’alamin, segala puji dan syukur bagi Allah SWT, yang telah melimpahkan rahmat, dan hidayah-Nya sehingga penulis dapat menyelesaikan Tugas Akhir yang berjudul

  “IMPLEMENTASI ALGORITMA EKSTRAKSI

CENTERLINE BERBASIS KURVA PRINCIPAL: STUDI

KASUS SEGMEN PEMBULUH DARAH RETINA ”.

  Pengerjaan Tugas Akhir ini merupakan suatu kesempatan yang berharga bagi penulis. Dengan pengerjaan Tugas Akhir, penulis dapat memperdalam, meningkatkan, serta menerapkan apa yang telah didapatkan penulis selama menempuh perkuliahan di Teknik Informatika ITS. Terselesaikannya Tugas Akhir ini tidak lepas dari bantuan dan dukungan dari berbagai pihak. Dan dalam kesempatan ini penulis mengucapkan rasa syukur dan terima kasih kepada: 1.

  Allah SWT, karena atas izin-Nya lah penulis dapat menyelesaikan Tugas Akhir dengan baik.

  2. Nabi Muhammad SAW, yang telah memberikan banyak sekali teladan dan inspirasi bagi penulis.

  3. Ayah, Bunda, serta Adik penulis yang senantiasa memberikan banyak semangat, dukungan, doa, dan perhatian kepada penulis. Buku ini penulis persembahkan secara khusus untuk Ayah, Bunda, dan Fathur.

  4. Bapak Rully Soelaiman, S.Kom., M.Kom. selaku pembimbing II juga merupakan dosen penulis yang paling gokil dan “Metal”. Terima kasih atas kesabaran bapak terhadap penulis dalam menerima curahan hati, membimbing, membantu, memotivasi, memberikan semangat, serta ajakan kuliner dengan geng IMFC selama menyelesaikan rangkaian Tugas Akhir.

  5. Bapak Ahmad Saikhu, S.Si., M.T. selaku pembimbing I Tugas Akhir penulis yang telah membimbing, membantu, dan memotivasi penulis sehingga dapat menyelesaikan Tugas Akhir.

  6. Bapak Radityo Anggoro, S.Kom., M.Sc. selaku koordinator TA, dan segenap dosen Teknik Informatika yang telah membagikan ilmu kepada penulis.

  7. Aditya Putra dan Fiandra Fatharany yang telah bersedia mendengarkan keluh kesah dan curahan dari penulis di setiap waktu, serta selalu menyemangati dan menyempatkan untuk bertemu sehingga penulis dapat termotivasi.

  8. Muhammad Januar Fathoni, yang telah bersedia mendengarkan curahan hati, menyemangati, menghibur, dan menemani penulis. Terima kasih selama ini telah bersedia direpotkan dan diganggu hampir setiap hari.

  9. Arianto Wibowo, Devanda Tamba, Astris Dyah, Fendy, dan Peni Sriwahyu yang telah membantu, berbagi ilmu, menjaga kebersamaan, dan memberi motivasi kepada penulis.

  10. Teman-teman TC serta semua pihak yang yang telah turut membantu penulis dalam menyelesaikan Tugas Akhir ini.

  Surabaya, Juni 2016 Friska Ajeng Rizki

  

DAFTAR ISI

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

[Halaman ini sengaja dikosongkan]

  

DAFTAR GAMBAR

  

  

  

DAFTAR TABEL

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

DAFTAR KODE SUMBER

  

  

[Halaman ini sengaja dikosongkan]

BAB I PENDAHULUAN Pada bab ini dibahas hal-hal yang mendasari Tugas Akhir. Bahasan meliputi latar belakang, rumusan masalah, batasan

  masalah, tujuan, manfaat, metodologi, dan sistematika laporan Tugas Akhir.

1.1 Latar Belakang

  Glaukoma, retinopati diabetik, dan age-related macular

  

degeneration (AMD) merupakan jenis penyakit yang menjadi

  penyebab utama dari kebutaan di negara Amerika. Diperkirakan sebelumnya oleh WHO sekitar 2.2 juta penderita glaukoma, 1.8 juta penderita AMD, dan 4.1 juta penderita retinopati diabetik penderita berasal dari orang dewasa berusia di atas 40 tahun [1]. Penyakit tersebut secara umum disebabkan oleh kerusakan pada pembuluh darah retina. Melihat banyaknya jenis penyakit dari kerusakan pembuluh darah retina tersebut, dibutuhkan diagnosis untuk dapat mendeteksi penyakit tersebut.

  Terdapat beberapa parameter yang dapat digunakan untuk melakukan diagnosis dari penyakit tersebut. Diantaranya adalah perbedaan diameter, panjang, tortuosity, refleksitas, bifurkasi cabang, serta sudut (angle) dari pembuluh darah retina [2]. Untuk mempermudah proses diagnosis terhadap pembuluh darah retina tersebut, dilakukan ekstraksi segmen ke dalam bentuk centerline berbasis pada kurva principal.

  Pada Tugas Akhir ini, untuk melakukan implementasi ekstraksi centerline pembuluh darah retina, diperlukan segmentasi biner terhadap citra pembuluh darah retina terlebih dahulu. Segmentasi biner diawali dengan melakukan rangkaian praproses, yakni menggunakan metode

  Frangi’s vesselness filter, mean filter,

  dan masking. Setelah itu, dilanjutkan dengan penghapusan cabang palsu (spurs) menggunakan Bradley thresholding serta melakukan dilasi dan erosi citra dengan morfologi opening area dan close.

  Adapun hasil yang diharapkan adalah tingginya tingkat akurasi ekstraksi centerline dengan basis kurva principal, sehingga metode ini dapat digunakan sebagai metode alternatif untuk kasus ekstraksi dari pembuluh darah retina.

1.2 Rumusan Masalah

  Rumusan masalah yang diangkat dalam Tugas Akhir ini adalah sebagai berikut:

  2. Data yang digunakan untuk data latih dan data uji berupa citra retina dari basis data DRIVE, yang diperoleh dari http://www.isi.uu.nl/Research/Databases/DRIVE/ [3].

  Permasalahan yang dibahas dalam Tugas Akhir ini memiliki beberapa batasan, yaitu sebagai berikut:

  centerline berbasis kurva principal.

  5. Menyusun uji coba serta melakukan uji coba terhadap citra pembuluh darah retina dengan menggunakan metode ekstraksi

  4. Mengimplementasikan sistem yang dirancang pada pembuluh darah retina.

  yang digukanakan untuk mengekstraksi centerline pembuluh darah retina.

  classic ridge transversal , dan caliber estimation sebagai basis

  3. Memahami konsep distance map, non-maxima suppression,

  , dan morfologi close sebagai metode segmentasi pembuluh darah retina.

  area

  2. Memahami konsep Bradley thresholding, morfologi opening

  Frangi’s vesselness filter, mean filter, serta masking sebagai metode praproses pembuluh darah retina.

  1. Memahami konsep Hessian matrix dan komputasi eigenvalue,

1.3 Batasan Masalah

1. Implementasi dilakukan dengan menggunakan perangkat lunak MATLAB 2013a.

  3. Menggunakan nilai skala [1 10], nilai rasio skala sebesar dua, konstanta koreksi sebesar 0.5, dan c sebesar 15 pada Frangi’s vesselness filter.

1.4 Tujuan

  1. Mengetahui penerapan metode Frangi’s, mean filter, masking,

  Dengan dibuatnya Tugas Akhir ini, hasil ekstraksi centerline pembuluh darah retina kedepannya akan dapat digunakan untuk mengidentifikasi jenis penyakit berdasarkan parameter pengukuran yang ditentukan.

  

centerline pembuluh darah retina berbasis kurva principal.

  3. Mengimplementasikan rancangan sistem yang dapat melakukan segmentasi pembuluh darah retina dan ekstraksi

  2. Mengetahui penerapan ekstraksi centerline berbasis kurva principal dari pembuluh darah retina.

  thresholding, dan morfologi untuk melakukan segmentasi terhadap pembuluh darah retina.

  Adapun beberapa tujuan dari pembuatan Tugas Akhir ini, yakni sebagai berikut:

  4. Menggunakan window dengan ukuran 3 x 3 pada mean filter.

  jarak garis singgung lingkaran pada metode distance map “mine”.

  detection diikuti dengan perhitungan distance menggunakan

  7. Menggunakan algoritma Euclidean distance transform pada metode distance map “dist” dan algoritma Canny edge

  area , dan nilai piksel sebesar dua dengan structuring element “square” berdimensi 2 x 2 pada morfologi close.

  6. Menggunakan nilai piksel sebesar 21 pada morfologi opening

  5. Menggunakan window dengan ukuran 5 x 5 pada Bradley thresholding.

1.5 Manfaat

1.6 Metodologi

  Tahapan-tahapan yang dilakukan dalam pengerjaan Tugas Akhir ini adalah sebagai berikut: 1.

  Penyusunan proposal Tugas Akhir.

  Tahap awal untuk memulai pengerjaan Tugas Akhir adalah penyusunan proposal Tugas Akhir. Proposal Tugas Akhir yang diajukan memiliki gagasan yang sama dengan Tugas Akhir ini, yaitu Implementasi Algoritma Ekstraksi Centerline berbasis Kurva Principal dengan Studi Kasus Segmen Pembuluh Darah Retina.

  2. Studi literatur Pada tahap ini dilakukan pencarian, pengumpulan, pembelajaran dan pemahaman informasi dan literatur yang diperlukan untuk pembuatan Implementasi Algoritma Ekstraksi Centerline berbasis Kurva Principal dengan Studi Kasus Segmen Pembuluh Darah Retina. Informasi dan literatur didapatkan dari literatur buku dan sumber-sumber informasi lain yang berhubungan.

  3. Perancangan perangkat lunak Tahap ini meliputi perancangan sistem berdasarkan studi literatur dan pembelajaran konsep teknologi dari perangkat lunak yang ada. Tahap ini mendefinisikan alur dari implementasi. Langkah-langkah yang dikerjakan juga didefinisikan pada tahap ini. Pada tahapan ini dibuat prototype sistem, yang merupakan rancangan dasar dari sistem yang akan dibuat. Kemudian dilakukan desain suatu sistem dan desain proses-proses yang ada.

  4. Implementasi perangkat lunak Implementasi merupakan tahap membangun rancangan program yang telah dibuat. Pada tahapan ini merealisasikan dari tahapan sebelumnya, sehingga menjadi sebuah program yang sesuai dengan yang telah direncanakan.

  5. Pengujian dan evaluasi Pada tahapan ini dilakukan uji coba pada data yang telah dikumpulkan. Pengujian dan evaluasi akan dilakukan dengan menggunakan MATLAB 2013a. Tahapan ini dimaksudkan untuk mengevaluasi kesesuaian data dan program serta mencari masalah yang mungkin timbul dan mengadakan perbaikan jika terdapat kesalahan.

  6. Penyusunan buku Tugas Akhir.

  Pada tahapan ini disusun buku yang memuat dokumentasi mengenai pembuatan serta hasil dari implementasi perangkat lunak yang telah dibuat.

1.7 Sistematika Penulisan Laporan Tugas Akhir

  Buku Tugas Akhir ini bertujuan untuk mendapatkan gambaran dari pengerjaan Tugas Akhir ini. Selain itu, diharapkan dapat berguna untuk pembaca yang tertarik untuk melakukan pengembangan lebih lanjut. Secara garis besar, buku Tugas Akhir terdiri atas beberapa bagian seperti berikut ini:

  Bab I Pendahuluan Bab yang berisi mengenai latar belakang, tujuan, dan

  manfaat dari pembuatan Tugas Akhir. Selain itu permasalahan, batasan masalah, metodologi yang digunakan, dan sistematika penulisan juga merupakan bagian dari bab ini.

  Bab II Dasar Teori Bab ini berisi penjelasan secara detail mengenai dasar-

  dasar penunjang dan teori-teori yang digunakan untuk mendukung pembuatan Tugas Akhir ini.

  Bab III Perancangan Perangkat Lunak Bab ini berisi tentang desain sistem yang disajikan dalam bentuk pseudocode. Bab IV Implementasi Bab ini membahas implementasi dari desain yang telah

  dibuat pada bab sebelumnya. Penjelasan berupa code yang digunakan untuk proses implementasi.

  Bab V Uji Coba Dan Evaluasi Bab ini menjelaskan kemampuan perangkat lunak

  dengan melakukan pengujian kebenaran dan pengujian kinerja dari sistem yang telah dibuat.

  Bab VI Kesimpulan Dan Saran Bab ini merupakan bab terakhir yang menyampaikan

  kesimpulan dari hasil uji coba yang dilakukan dan saran untuk pengembangan perangkat lunak ke depannya.

BAB II TINJAUAN PUSTAKA Bab ini berisi penjelasan dasar teori yang berkaitan dengan algoritma yang diajukan pada pengimplementasian program. Penjelasan ini bertujuan untuk memberikan gambaran secara

  umum terhadap program yang dibuat dan berguna sebagai penunjang dalam pengembangan perangkat lunak.

2.1 Citra Retina

  Citra retina diambil dari basis data DRIVE (Digital Retina

  

Image for Vessel Extraction ). Basis data ini diperoleh dari program

screening diabetes retinopati di Belanda. Populasi dari screening

  ini terdiri dari 400 subjek dengan rentang usia mulai 25 hingga 90 tahun, kemudian dilakukan pengambilan data secara acak sebanyak 40 citra. Citra DRIVE terdiri atas 33 citra yang tidak menunjukkan tanda-tanda diabetes retinopati dan tujuh yang menunjukkan tanda- tanda diabetes retinopati awal ringan [3].

   Citra retina pada basis data DRIVE [3] Gambar 2. 1

  Adapun informasi yang dapat diambil dari citra retina. Salah satu diantaranya adalah informasi mengenai struktur pembuluh darah retina mata, yang mana pembuluh darah retina dapat diolah untuk dilakukan proses ekstraksi centerline. Untuk dapat melakukan ekstraksi tersebut, diperlukan segmentasi biner terlebih dahulu agar pembuluh darah retina dapat diidentifikasi.

2.2 Praproses

  Untuk dapat melakukan rangkaian tahapan praproses, diperlukan deteksi terhadap pembuluh darah retina sebagai proses awal dari tahapan ini. Tujuan dari deteksi ini adalah untuk mengetahui struktur pembuluh darah retina. Terdapat beberapa metode populer berdasarkan Hessian matrix, yang memiliki filter untuk merespon fitur linier lokal, seperti

  Lorenz’s vesselness, Sato vesselness , dan Frangi’s vesselness [4].

  Pada studi kasus pembuluh darah retina ini, dilakukan deteksi dengan menggunakan Frangi

  ’s vesselness filter yang

  merupakan metode pengembangan oleh Frangi dkk. Untuk menggunakan metode ini, terlebih dahulu dilakukan penghitungan

  

eigenvalue (nilai eigen) yang didapatkan dari Hessian matrix.

  Setelah itu dilakukan komputasi area citra yang mengandung pembuluh darah retina atau citra yang menonjol lainnya dengan menggunakan Frangi filter [5].

  Peningkatan kualitas citra diperlukan oleh citra hasil pembuluh darah retina yang telah terdeteksi. Peningkatan citra dilakukan dengan harapan dapat memudahkan identifikasi segmen dan percabangan pembuluh darah pada citra. Metode mean filter dan proses masking dapat digunakan untuk melakukan peningkatan terhadap citra.

2.2.1 Hessian Matrix

  Hessian matrix merupakan salah satu teknik algoritma

  optimasi, juga merupakan matriks persegi dengan setiap elemennya terbentuk dari turunan parsial orde kedua dari fungsi citra. Hessian matrix didefinisikan pada Persamaan 2.1 dan Persamaan 2.2

  (2.1) = [ ]

  2

  2

  2

  2

  = , = , = , = (2.2)

  2 2′

  dimana , , , dan adalah deviasi orde kedua dari pada

  Hessian matrix [4].

  2.2.2 Eigenvalue dan Vektor Eigenvalue merupakan suatu nilai karakteristik dari matriks

  sistem persaman linier (SPL) [6]. Secara umum eigenvalue memiliki persamaan yang didefinisikan pada Persamaan 2.3.

  (2.3) = dimana adalah matriks persegi, adalah vektor, dan adalah

  

eigenvalue . Adapun perhitungan eigenvalue pada citra dapat

  dilakukan dengan memanfaatkan nilai hasil komputasi dari Hessian matrix seperti yang ditunjukkan pada Persamaan 2.4.

  2

  2

  2

  2

  (2.4) = − √ − , = − √ −

  1

  2

  dimana dengan

  = ( + + )/2 serta = √

  , , , dan yang merupakan nilai dari Hessian matrix pada Persamaan 2.1.

  2.2.3 Frangi Filter Frangi filter atau juga dikenal sebagai Frangi ’s vesselness

filter dapat digunakan untuk perbaikan kualitas pada citra.

  Perbaikan citra akan memperjelas bagian-bagian yang akan diukur serta mengestimasi radius pembuluh. Di samping itu, juga akan citra. Pengukuran terhadap citra pembuluh dapat dilakukan dengan melakukan sorting dan postulating > = < 0. Untuk

  1

  2

  1

  2

  melakukan proses pengukuran citra pembuluh ini, dapat menggunakan fungsi dari Persamaan 2.5.

  > 0

  1

  2

  2

  (2.5)

  −

  ( ) = { exp (− ) (1 − exp( )) ℎ

  2

  2

  2

  2

  dimana merupakan standar deviasi pada skala spasial, serta dan

  

c masing-masing merupakan nilai konstanta koreksi. Untuk dapat

  menghasilkan citra yang baik, pada diberikan nilai sebesar 0.5

  2

  dan c diberikan nilai sebesar 15. Selain itu, juga terdapat , =

  1

  2

  2

  = || || = √

• dan [4].

  1

  2 Gambar 2. 2 Citra retina hasil Frangi filter

  Hasil dari pembuluh darah v akan berada pada kisaran nilai [1, 10] untuk struktur kelengkungan, dengan nilai 1 merupakan hasil kecocokan terendah dan 10 merupakan hasil kecocokan terbaik. Adapun hasil dari citra setelah dilakukan penerapan metode Frangi filter ditunjukkan pada Gambar 2.2.

2.2.4 Mean Filter

  Mean filter merupakan filter spasial geser-jendela (sliding-

window ) yang menggantikan nilai tengah dari jendela dengan rata-

  rata dari semual nilai piksel dari jendela dengan ukuran N x N. Ukuran N pada jendela dapat disesuaikan tergantung pada kebutuhan. Secara umum, persamaan dari mean filter dapat dilihat pada Persamaan 2.6.

  1

  (2.6) ℎ[ , ] = ∑ [ , ]

  ( , )∈

  dimana merupakan total jumlah piksel (hasil perkalian) dari jendela [7].

  Mean filter digunakan dengan tujuan untuk mereduksi

  jumlah intensitas variasi antara satu piksel dengan piksel lainnya [8]. Adapun citra hasil dari proses mean filter menggunakan citra hasil proses deteksi sebagai masukan dan nilai jendela dengan ukuran 3 x 3 yang ditunjukkan pada Gambar 2.3.

  

Gambar 2. 3 Citra hasil mean filter

2.2.5 Masking

  Masking merupakan suatu metode dengan tujuan untuk memisahkan antara objek citra dengan background dari citra.

  Dengan kata lain, masking memiliki tujuan untuk menghilangkan tepian dari objek citra. Untuk menjalankan proses masking pada citra pembuluh darah retina dapat diawali pembuatan mask dengan melakukan pemberian nilai piksel sebesar nol (hitam) pada bagian

  

background dan satu (putih) pada bagian objek atau foreground

  dari citra. Setelah itu, dilakukan pengambilan citra foreground dari citra pembuluh darah retina yang hendak dilakukan proses kemudian diletakkan pada mask yang telah dibuat.

  masking,

  Proses masking dapat dikatakan bersifat individu, yakni untuk setiap satu citra mask hanya berlaku pada satu citra pembuluh darah retina. Di samping itu, mask juga bergantung terhadap bentuk citra itu sendiri. Hal ini dikarenakan oleh proses pembuatan mask dilakukan secara manual. Untuk citra mask dan hasil dari masking dapat dilihat pada Gambar 2.4.

  

Gambar 2. 4 Citra mask dan citra hasil masking

2.3 Bradley Local Image Thresholding

  Bradley local image thresholding merupakan salah satu

  metode adaptive thresholding. Metode ini melakukan pengaturan piksel untuk setiap citra ke dalam warna hitam jika tingkat kecerahan dari citra bernilai T persen lebih rendah dari rata-rata kecerahan piksel sekitarnya pada jendela berukuran M x N. Dan jika tingkat kecerahannya melebihi dari rata-rata, maka akan diatur sebagai warna putih [9]. Pada hasil citra pada Gambar 2.5, merupakan contoh proses Bradley thresholding dengan jendela berukuran 5 x 5 dan besaran nilai T adalah 25.

  Hasil citra biner yang didapatkan dari metode Bradley

  

thresholding ini dapat dikatakan hampir sama baiknya jika

  dibandingkan dengan metode Sauvola thresholding. Akan tetapi, metode Bradley memiliki kelebihan yakni perhitungannya dua kali lebih cepat dari perhitungan pada Sauvola. Hal ini dilihat pada performa perhitungan mean lokal dan varian dari Sauvola yang memakan waktu lebih banyak daripada Bradley [10]. Selain itu, hasil yang didapatkan oleh Bradley relatif lebih tipis jika dibandingkan dengan Sauvola, yang mana dapat mempermudah proses reduksi dengan morfologi.

  

Gambar 2. 5 Citra hasil Bradley thresholding

2.4 Morfologi

  Morfologi citra merupakan suatu operasi pemrosesan citra yang mengolah citra berdasarkan bentuknya. Pada operasi morfologi, nilai dari setiap piksel pada citra keluaran didasarkan pada perbandingan dari piksel pada citra masukan dengan piksel sekitarnya. Dengan menentukan ukuran dan bentuk dari ketetanggaan, kita dapat membangun suatu operasi morfologi yang sensitif terhadap suatu bentuk spesifik pada citra masukan [11].

  Secara umum terdapat empat jenis morfologi yang populer seperti dilasi, erosi, open, dan close. Pada kasus ini, digunakan morfologi open dengan mengguunakan metode area opening dan morfologi close untuk mengolah citra agar dapat mereduksi cabang palsu (spurs) pada citra pembuluh darah retina.

2.4.1 Morfologi Area Opening

  Area opening dapat dikatakan salah satu pengembangan dari

  morfologi open. Pada area opening dan morfologi open, keduanya memiliki kinerja yang hampir sama, yakni melakukan proses erosi yang diikuti dengan dilasi. Di dalam proses area opening, dilakukan penghapusan terhadap citra biner pada foreground yang memiliki ukuran piksel lebih kecil daripada piksel threshold yang diberikan [12]. Terdapat tiga tahapan yang dilakukan oleh metode ini, yakni:

  

Gambar 2. 6 Citra hasil morfologi area opening

  1. komponen keterhubungan (connected Menentukan

  components ) dengan menggunakan fungsi Matlab “bwconncomp”.

2. Menghitung area dari setiap komponen menggunakan fungsi

  Matlab “regionprops” dengan jenis pengukuran ‘area’.

  3. Menghapus objek kecil, yakni dengan menampilkan semua piksel foreground yang memiliki ukuran area lebih besar daripada piksel threshold [13].

  Adapun hasil dari area opening pada citra yang ditunjukkan pada Gambar 2.6.

2.4.2 Morfologi Close

  Morfologi close merupakan proses morfologi dilasi yang diikuti oleh erosi. Efek yang diberikan dari proses morfologi close yakni mengisi lubang kecil yang ada pada objek citra, menggabungkan objek-objek yang berdekatan, serta melakukan

  

smoothing pada batas dari objek utama tanpa mengubah area objek

  secara signifikan. Adapun persamaan umum dari morfologi close ditunjukkan pada Persamaan 2.7.

  (2.7) ⋅ = ( ⨁ ) ⨂

  

Gambar 2. 7 Citra hasil morfologi close dimana merupakan citra biner, merupakan structuring element, ⨁ menujukkan dilasi, dan ⨂ menunjukkan erosi [11]. Pada

Gambar 2.7 ditunjukkan morfologi close dengan structuring element bentuk persegi (square) berdimensi 2 x 2.

2.5 Ekstraksi Centerline

  Ekstraksi centerline merupakan salah satu metode yang dapat digunakan untuk mendapatkan hasil citra biner yang memiliki ketebalan sebesar satu piksel. Adapun beberapa langkah yang dilakukan untuk menghasilkan citra ekstraksi centerline. Citra diinisiasi dengan menghitung distance map pada citra hasil segmentasi biner. Kemudian dilakukan deteksi garis tepi pada citra dengan menggunakan deteksi garis tepi. Terdapat tiga subbab yang menjelaskan tahapan ini, yakni Canny edge detection, non maxima

  

suppression , dan classic ridge transversal. Setelah itu, dilakukan

  penghitungan estimasi caliber dengan menggunakan caliber estimation [14].

2.5.1 Distance Map

  atau pemetaan jarak merupakan teknik untuk

  Distance map

  menghitung jarak pada masing-masing piksel dari objek terdekat sekitanya. Pada teknik ini dilakukan perhitungan jarak yang kemudian akan digunakan untuk mendeteksi garis tepi pada citra pembuluh darah retina. Setelah distance map dihasilkan, maka setiap arah jalur (path) dapat ditentukan dengan mengurutkan secara descending melalui gradien dari distance map.

  Terdapat dua metode distance map yang akan dibahas pada aplikasi ini, yakni distance map “mine” dan “dist”. Distance map

  “mine” menggunakan algoritma Canny edge detection yang diikuti dengan perhitungan distance menggunakan jarak garis singgung lingkaran. Sedangkan distance map

  “dist” menggunakan metode Euclidean distance transform .

2.5.2 Deteksi Garis Tepi

  Deteksi garis tepi merupakan operasi yang dilakukan untuk mendeteksi garis tepi (edges) pada objek citra. Dengan kata lain, deteksi tepi ini dilakukan dengan tujuan mengubah citra biner dua dimensi menjadi bentuk kurva. Terdapat tiga tahapan yang terhimpun oleh tahapan ini, yakni Canny edge detection, non maxima supression , dan classic ridge transversal.

2.5.2.1 Canny Edge Detection

  Canny edge detection merupakan salah satu metode yang dapat digunakan untuk mendeteksi garis tepi dari suatu citra.

  Metode ini secara efisien dapat diaproksimasi dengan turunan pertama dari fungsi Gaussian pada kasus satu dimensi. Secara umum metode ini bekerja diawali dengan melakukan penghalusan terhadap citra untuk mengurangi dampak kebisingan (noise) terhadap pendeteksian garis tepi.

  

Gambar 2. 8 Citra hasil Canny edge detection

  Setelah citra dihaluskan, dilakukan penghitungan potensi gradien citra dengan memanfaatkan turunan dari Gaussian. Kemudian dilanjutkan dengan proses non maxima suppression yang bertujuan untuk melakukan lokalisasi edge secara presisi. Setelah itu dilakukan klasifikasi akhir dengan menggunakan

  

hysteresis thresholding [15]. Adapun hasil dari metode ini dapat

dilihat pada Gambar 2.8.

2.5.2.2 Non Maxima Suppression dan Classic Ridge

  Transversal Non maxima suppression merupakan metode yang sering

  digunakan bersamaan dengan algoritma deteksi garis tepi. Pada metode ini, non maxima suppression digunakan untuk menghitung nilai local maxima dari citra. Dengan kata lain, pada metode ini dilakukan pemindaian terhadap citra pada sepanjang arah gradien dari citra tersebut, dan jika piksel tersebut bukan merupakan bagian dari local maxima maka akan diatur menjadi nol.

  Sedangkan classic ridge transversal digunakan untuk menghubungkan nilai local maxima yang telah didapatkan dari proses non maxima suppression. Classic ridge transversal akan berhenti apabila telah menemukan nilai centerline lainnya atau melewati area atau wilayah yang sebelumnya telah dilakukan segmentasi [14].

2.5.3 Caliber Estimation

  Caliber estimation merupakan metode yang dapat digunakan untuk melakukan estimasi kalibrasi dari segmen citra.

Laplacian of Gaussian (LoG) merupakan salah satu filter yang

  dapat digunakan untuk mengestimasi kalibrasi tersebut. LoG merupakan algoritma gabungan dari Laplacian dengan filter

  

Gaussian . Secara singkat, cara kerja filter LoG diawali dengan

  penghalusan citra dengan menggunakan filter Gaussian, yang kemudian dilanjutkan dengan pendeteksian garis tepi dengan menggunakan Laplacian. LoG didefinisikan pada Persamaan 2.8.

  2+ 2

  

2

  2

• 1 −

  2 2

  (2.8) ( , ) = −

  [1 − ]

  4

  2

  2 dimana merupakan nilai standar deviasi dari Gaussian [16]. Adapun hasil dari citra yang telah dilakukan proses caliber estimation yakni seperti pada Gambar 2.9.

  

Gambar 2. 9 Citra hasil caliber estimation menggunakan LoG

2.5.4 Error Rate

  Error rate atau nilai error merupakan salah satu metode

  yang dapat digunakan untuk melakukan evaluasi. Error rate diperoleh dengan membandingkan jumlah piksel pada citra yang merupakan false positive dan false negative dengan jumlah semua piksel dari suatu citra. Adapun persamaan dari nilai error adalah sebagai berikut:

• (2.9)

  =

  Nilai error yang dihasilkan dari Persamaan 2.9 berbanding terbalik dengan nilai kebenaran. Semakin kecil error maka semakin tinggi nilai kebenaran, sebaliknya ketika nilai error semakin besar maka nilai kebenaran semakin rendah. Selain error, dapat pula digunakan akurasi yang ditunjukkan pada Persamaan

  2.10. Akurasi berbanding lurus dengan nilai kebenaran, dimana semakin tinggi akurasi maka semakin tinggi nilai kebenaran.

• (2.10)

  =

  dimana FP merupakan nilai false positive pada piksel citra, FN merupakan nilai false negative pada piksel citra, TP merupakan nilai true positive pada piksel citra, dan TN merupakan nilai true negative pada piksel citra.

BAB III PERANCANGAN Pada bab ini akan dijelaskan perancangan perangkat lunak

  ekstraksi pembuluh darah retina. Perancangan akan dibagi menjadi dua proses utama, yaitu:

  1. Pemindaian retina mata.

  2. Praproses dan segmentasi pembuluh darah retina.

  3. Ekstraksi centerline pembuluh darah retina.

  Di dalam masing-masing proses utama akan dibagi menjadi proses-proses kecil yang terlibat di dalamnya. Pada proses pemindaian retina mata, dilakukan dengan memindaikan retina mata pada manusia ke dalam bentuk digital. Di dalam proses praproses dan segmentasi pada citra retina, terdapat empat subproses pada tahapan praproses, yakni Hessian matriks dan komputasi eigenvalue, Frangi filter, mean filter, dan masking. Sedangkan tiga subproses pada tahapan segmentasi terdiri dari

  

Bradley thresholding , morfologi opening area, dan morfologi

close . Dan pada ekstraksi centerline pembuluh darah retina,

  terdapat empat subproses yang terhimpun, diantaranya yaitu

  

distance map , non maxima suppression, classic ridge transversal,

  dan caliber estimation. Gambar 3.1 dijelaskan mengenai gambaran umum proses dari bab ini.