1
IMPLEMENTASI MODEL PENGUKUR DEGENERASI AREA MAKULA
MENGGUNAKAN METODE REGION GROWING
Rio Bayu Afrianto, Handayani Tjandrasa2, Isye Arieshanti3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
email : [email protected], [email protected]2, [email protected]3 ABSTRAKSI
Age Related Macular Degeneration (ARMD) adalah salah satu penyakit mata yang paling banyak ditemukan dan biasanya dialami oleh orang lanjut usia. Penyakit ARMD merupakan penyakit mata pada bagian makula. Biasanya daerah yang sakit/terdegenerasi memiliki warna yang lebih cerah daripada daerah sekitar. Sehingga dapat dilakukan segmentasi untuk membedakan daerah yang terdegenerasi dengan daerah yang sehat. Tetapi segmentasi yang dilakukan secara manual memakan waktu yang lama karena harus menandai daerah yang terdegenerasi secara detail. Oleh karena itu dalam Tugas Akhir kali ini diimplementasikan model segmentasi otomatis untuk mengatasi hal tersebut. Proses segmentasi dilakukan dengan menggunakan metode Region Growing Selanjutnya dilakukan proses penghitungan area yang terdegenerasi.
Eksperimen dilakukan menggunakan 5 citra fundus mata berwarna yang tersedia. Dari eksperimen yang dilakukan, didapatkan rata – rata akurasi sekitar 85%-95% dengan menggunakan nilai threshold yang sesuai. Dapat disimpulkan bahwa model yang menggunakan metode region growing ini memiliki kemampuan segmentasi daerah makula yang terdegenerasi dengan akurasi yang cukup baik.
Kata Kunci: Segmentasi, Age -related macular degeneration, Region growing, Optic disk, makula 1. PENDAHULUAN
Saat ini, jumlah penyakit dan gangguan mata mencapai jumlah yang banyak. Sebagian menimpa kaum berusia 40 tahun keatas. Salah satunya adalah penyakit mata
Age Related Macular Degeneration (ARMD)
yang diakibatkan oleh luka yang semakin membesar pada area makula. Jika penyakit mata ini tidak diobati sejak dini maka akan mengakibatkan turunnya fungsi penglihatan
dan akhirnya bisa menyebabkan kebutaan. Oleh karena itu diagnosa awal untuk mendeteksi penyakit ini bisa membantu mencegah kehilangan fungsi penglihatan dan juga bisa membantu proses penyembuhan penyakit ARMD tersebut.
Untuk mendiagnosa penyakit ARMD dapat dilakukan dengan menggunakan proses segmentasi. Berdasarkan hasil segmentasi tersebut, bisa dihitung luasan area makula yang terdegenerasi. Dari luasan daerah tersebut dapat diketahui parah tidaknya peyakit sehingga bisa ditentukan treatment yang tepat . Tetapi proses segmentasi dan pengukuran dari penyakit ARMD cukup sulit dilakukan karena strukturnya yang tidak biasa (irregular) . Oleh karena itu banyak penelitian yang dilakukan. untuk mengatasi permasalahan tersebut. Penelitian yang sebelumnya menunjukkan bahwa luka ARMD dapat diukur dari citra retina [2,3]. Untuk menyelesaikan masalah tersebut ada usulan untuk mengukur dan mendiagnosa penyakit tersebut secara otomatis.
Beberapa penelitian sebelumnya telah dilakukan untuk mengukur luka pada penyakit ARMD secara otomatis. Penelitian tersebut mempertimbangkan metode – metode segmentasi yang membutuhkan pakar medis [3]. Para ahli medis meghitung area yang tidak sehat dengan menjumlahkan area – area tidak sehat hasil segmentasi. Proses ini memakan waktu setengah jam sampai satu jam untuk kedua mata pasien. Selain itu metode manual ini membutuhkan pengalaman dan juga ketelitian untuk memperoleh akurasi yang tinggi.
Untuk membantu tenaga medis agar bisa menghitung area yang terdegenerasi secara otomatis, Tugas akhir ini bertujuan untuk membuat model pengukur area terdegenerasi secara otomatis menggunakan metode region growing. Metode region
mensegmentasi area berdasarkan perbedaan piksel tetangganya. Hal ini merupakan kelebihan metode region growing sehinnga memudahkan proses segmentasi area yang tidak sehat.
2 Age Related Macular Degeneration (ARMD)
Age Related Macular
Degeneration(ARMD) adalah kondisi medis
yang biasanya menyerang orang lanjut usia dan mengakibatkan penurunan fungsi penglihatan pada daerah makula karena kerusakan retina. ARMD digolongkan menjadi dua bentuk yaitu ‘dry’ dan ‘wet’. Penyakit ini merupakan penyebab utama kebutaan dan penurunan fungsi penglihatan pada orang lanjut usia (>50 tahun). Degenerasi makula juga dapat menyebabkan kesulitan dalam membaca atau mengenali wajah, meskipun pada ruangan yang cukup cahaya.[5]
ARMD terjadi pada bagian makula , yaitu bagian tengah mata yang berfungsi untuk memperjelas benda - benda yang dilihat oleh mata. Makula juga memiliki peranan penting dalam membantu orang untuk membaca, menuli , mengemudi dan melakukan tugas – tugas rinci lainnya. Makula juga memungkinkan orang untuk dapat mengenali wajah dan melihat warna.[5]
3. 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 [6].
4. Representasi Citra Digital
Citra digital merupakan citra yang sudah mengalami proses digitalisasi citra.Citra digital dapat didefinisikan sebagai fungsi dua variable f(x,y), dimana:
x dan y � koordinat spasial pada bidang
dua dimensi
nilai f(x,y) � intensitas gray-level citra pada koordinat tersebut x dan y besarnya 0 <f(x, y) < ∞
Proses digitalisasi citra mengkoversikan citra baik berdasarkan koordinat maupun amplitudonya. Digitalisasi dari nilai koordinat disebut sampling sedangkan digitalisasi dari amplitudo disebut
quantization. Ketika x, y dan nilai amplitudo
dari f berjumlah terbatas dan diskrit, maka citra tersebut dapat disebut citra digital [7]. Citra digital bisa dilihat pada gambar 1.
Gambar 1 Citra Digital 5. Definisi Citra Grayscale
Sebuah citra grayscale (atau graylevel) merupakan citra yang hanya memiliki satu skala warna yaitu abu-abu. Contoh citra
grayscale ditunjukkan oleh Gambar 2.
Gambar 2 Citra Grayscale
Adapun tujuan untuk melakukan differensiasi terhadap citra berwarna untuk mendapatkan citra grayscale adalah untuk mengurangi informasi yang dibutuhkan untuk memproses setiap elemen citra[8]. Hal ini dikarenakan warna abu-abu adalah satu warna dalam komponen warna merah, hijau dan biru yang memiliki intensitas yang sama dalam ruang RGB sehingga hanya perlu untuk menentukan satu nilai intensitas untuk setiap elemen citra dibandingkan tiga nilai intensitas
yang dibutuhkan untuk menentukan setiap elemen citra dalam sebuah citra berwarna. 6. Definisi Citra Biner
Sebuah citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilai untuk masing – masing piksel [11]. Umumnya dua warna yang digunakan untuk citra biner adalah hitam dan putih[11].
Citra biner biasanya juga disebut
bi-level atau two-bi-level. Artinya bahwa tiap tiap
piksel disimpan dalam sebuah single bit (0 atau 1). Konsep ciitra biner biasanya disebut dengan black-and white, B&W, monochrome atau monochromatic, tetapi bisa juga didefinisikan dengan citra yang hanya memiliki satu sampel tiap piksel seperti citra
gray-scale.Contoh dari citra biner seperti pada
Gambar 3[11].
Gambar 3 Citra Biner.
7. Perbaikan Citra (Image Enhancement) Perbaikan citra yang akan dijelaskan meliputi Histogram Equalization dan Adaptive
Histogram Equalization (CLAHE).
7.1 Histogram Equalization
Histogram Equalization adalah metode
dalam pengolahan citra yang menggunakan histogram dari suatu citra untuk mengatur tingkat keceraham citra tersebut[12].
Metode ini menaikkan global contrast dari citra, khusunya ketika data citra yang digunakan dapat digantikan dengan nilai kecerahan tetngga terdekatnya. Melalui pengaturan ini, nilai intensitas suatu citra dapat merata dengan baik sesuai dengan histogramnya. Metode ini juga bertujuan untuk menjadikan nilai yang kontras atau
kecerahannya kurang menjadi kontars yang memiliki nilai kebih tinggi.Metode Histogram
Equalization menggunakan nilai yang paling
sering digunakan untuk menaikkan nilai kontras.
7.2 Adaptive Histogram Equalization (CLAHE)
CLAHE berbeda dari adpative histogram secara umum dalam pembatasan
kontrasnya. Fitur ini dapat juga digunakan dalam global histogram equalization.
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 [10]
8. Thresholding
Metode Thresholding merupakan
metode yang paling mudah yang digunakan dalam segmentasi citra. Dari sebuah citra
grayscale, Thresholding dapat digunakan
untuk membentuk sebuah citra biner. Selama proses Thresholding, sebuah piksel dari sebuah citra ditandai sebagai objek piksel apabila nilainya lebih besar daripada suatu nilai
threshold dan ditandai sebagai background
piksel apabila nilainya lebih kecil daripadai suatu nilai threshold tersebut.
Parameter utama dalam proses
Thresholding adalah pemilihan dari nilai threshold. Beberapa metode dalam pemilihan
nilai threshold antara lain adalah dengan cara memilih langsung nilai threshold, atau menggunakan algoritma Thresholding. Salah satu metode yang sederhana adalah dengan memilih nilai rata-rata atau nilai median dari keseluruhan nilai piksel. Secara rasional dapat diumpamakan apabila objek piksel lebih terang daripada background, maka nilai dari objek piksel akan lebih terang daripada nilai rata-ratanya. Metode lain adalah dengan menggunakan histogram intensitas warna citra, dimana nilai threshold-nya akan dicari dari titik yang paling rendah atau lembah dari histogram tersebut.
9. Relasi Dasar antar Piksel
Pada sebuah citra, satu piksel memiliki relasi (hubungan) dengan piksel yang lain.
9.1 Ketetangaan (neighbours) dari suatu piksel
Sebuah piksel p pada koordinat (x,y) mempunyai empat tetangga vertikal dan horisontal, dimana koordinat tersebut dinyatakan oleh: (x-1,y), (x+1,y), (x,y-1), (x,y+1).Satuan piksel ini dinamakan 4-neighbors dari p yang dinotasikan dengan N4(p). Sedangkan empat tetangga diagonal p mempunyai koordinat: (x+1,y+1), (x+1,y-1), (x-1,y+1), (x-1,y-1). Satuan piksel dinamakan 8-neighbors dari p, yang dinotasikan dengan ND(p).
9.2 Adjacency, Connectivity, Region, dan Boundary
Dua buah piksel dinyatakan terhubung jika kedua piksel tersebut adalah tetangga dan tingkat keabuannya mencukupi suatu ukuran
similarity (tingkat keabuannya sama).
- Adjacency
V merupakan satuan nilai-nilai
gray-level yang digunakan untuk menggambarkan adjacency. Untuk menetapkan V perlu
dipertimbangkan tiga jenis adjacency, yaitu:
� 4-adjacency, dua piksel p dan q dengan nilai-nilai dari V adalah
4-adjacency jika q adalah bagian di
dalam N4(p). Ilustrasi dapat dilihat pada gambar 4
Gambar 4 4-adjacency
� 8-adjacency, dua piksel p dan q dengan nilai-nilai dari V adalah
8-adjacent jika q adalah bagian di dalam
N8(p). Ilustrasi dapat dilihat pada gambar 5.
Gambar 5 8-adjacency - Connectivity
Jika S adalah subset dari suatu citra. Dua piksel p dan q dikatakan connected dalam S, jika terdapat path yang menghubungkan p dan q melalui piksel-piksel di dalam S. Untuk sembarang piksel p di dalam S, himpunan piksel yang connected dengan p di dalam S disebut connected component dari S. Jika hanya terdapat satu buah connected component, maka S disebut connected set. - Region
region merupakan suatu subset piksel di dalam
sebuah citra jika region merupakan suatu
connected set.
- Boundary
Boundary dari sebuah region R adalah satuan
piksel di dalam region yang mempunyai satu atau lebih tetangga yang tidak termasuk di dalam R.
10. Segmentasi pada Citra
Salah satu dasar pengolahan citra digital adalah proses segmentasi. Proses segmentasi adalah proses untuk membagi sebuah citra digital menjadi beberapa segment atau bagian (himpunan dari beberapa piksel).
Tujuan dari segmentasi adalah untuk menyederhanakan dan/atau representasi dari citra menjadi sesuatu yang lebih berarti dan mudah untuk dianalisis[11]. Segmentasi citra biasanya digunakan untuk menetukan letak suatu benda atau obyek dan boundaries dalam citra. Jadi secara sederhana segmentasi citra adalah proses pemebrian label tiap piksel dari suatu citra sehingga piksel yang mempunyai label yang sama akan memiliki karakteristik yang sama pula.
11. Region Growing
Pendekatan Region Growing
mengabungkan beberapa region di disekitar inisial set dari beberapa area kecil yang memiliki persamaan konstrain.Metode Region
Growing dimulai dengan memilih piksel yang
digunakan sebagai seed dan mencari piksel tetangganya yang mirip. Kemudian areanya semakin luas dengan menambahakan piksel – piksel tetangga yang mirip (tingkat keabu-abuan atau warna) [9]
Ketika satu region sudah terbentuk dan berhenti mencari tetangga yang memiliki nilai piksel mirip maka seed piksel baru dipilih dari piksel yang belum dipilih menjadi region. 12. Metode Penghitungan Tingkat Akurasi Perhitungan akurasi segmentasi citra dapat dihitung dengan menggunakan persamaan seperti berikut:
���; �� � |�∩�||�∪�| � 100% (2.3) Dimana R adalah hasil dari proses segmentasi
citra dan A adalah citra ground truth. |� ∩ �| menghitung seberapa banyak piksel citra
ground truth yang berhimpitan dengan citra
yang sudah tersegmentasi. |� ∪ �| menghitung jumlah keseluruhan piksel yang ada pada baik citra ground truth maupun citra hasil segmentasi [13]. Dari hasil perhitungan ini akan didapatkan hasil akurasi dengan range antara 0% sampai 100%.
13. MODEL PENGUKUR DEGENERASI AREA MAKULA MENGGUNAKAN METODE REGION GROWING
Langkah-langkah dalam membuat model pengukur degenerasi area macula menggunakan metode region growing adalah sebagai berikut :
1. Memperbaiki kontras dengan histogram
equalization.
2. Menentukan daerah optic disk. 3. Melakukan cropping makula
4. Memperbaiki citra macula dengan menggunakan Contrast Limited Adaptive
Histogram Equalization.
5. Melakukan segmentasi menggunakan metode region growing untuk mendapatkan area macula yang sehat. 6. Melakukan inverse segmentation untuk
mendapatkan area maklua yang sakit. 7. Menghitung area yang terdegenerasi
menggunakan persamaan di bawah ini : ������� ��� �
� �������� �� ���������,��� �� � � ∆ ��������� ���������_��_������� 7. UJI COBA DAN EVALUASI
Uji coba dilakukan menggunakan lima citra yaitu seperti pada Tabel 1:
No Nama Citra Citra 1 image002 2 image003 3 image004 4 image005
5 image006
Tabel 1 Citra input
14. Perbandingan Hasil Akurasi Segmentasi Citra dengan Nilai threshold tetap dan Standard deviation/sigma yang berbeda-beda Pada skenario ini, nilai threshold akan diubah-ubah sesuai dengan pengambilan nilai secara manual. Nilai threshold ini digunakan pada proses segmentasi yang menggunakan metode region growing. Nilai threshold yang digunakan untuk uji coba ini ada 12 nilai yaitu 80, 90, 100, 110, 120, 130, 140, 150, 160, 170, 180, dan 190. Tetapi dalam bab ini hanya dicantumkan enam nilai yaitu 80, 90, 100, 110, 120, dan 150.
Dari nilai-nilai threshold tersebut, akan diimplementasikan pada citra masukan image002.png. Hasil segmentasi , luasan daerah tersegmentasi dan akurasi tersebut bisa dilihat pada Tabel 2
. No Nilai threshold Luas segmentasi (piksel) Nilai Akurasi (%) 1 80 50168 90,96 2 90 50344 34,19 3 100 50391 19,03 4 110 50425 8,06 5 120 50445 2,90 6 150 50450 0
Tabel 2 Data hasil segmentasi image002 Citra hasil segmentasi yang memiliki nilai akurasi tertinggi sebesar 90,96 % pada nilai
threshold 80, seperti pada gambar 6 berikut :
Gambar 6 segmentasi citra image002
Uji coba lainnya dilakukan pada citra image003.jpg. Untuk hasil akurasi dan luasan segmentasi yang didapat bisa dilihat pada tabel 3. No Nilai threshold Luas segmentasi (piksel) Nilai Akurasi (%) 1 80 11670 14,61 2 90 16430 16,65 3 100 22342 20,15 4 110 28425 25,72 5 120 33227 32,84 6 150 40512 57,01
Tabel 3 Data hasil segmentasi image003 Citra hasil segmentasi ini memiliki nilai akurasi tertinggi sebesar 81,13 dengan menggunakan nilai threshold 170, seperti pada gambar 7 berikut
Gambar 7 Segmentasi citra image003 Uji coba lainnya dilakukan pada citra image004.jpg. Untuk hasil akurasi dan luasan segmentasi yang didapat bisa dilihat pada tabel 4. No Nilai threshold Luas segmentasi (piksel) Nilai Akurasi (%) 1 80 28775 50,14 2 90 33268 63,25 3 100 36444 77,59 4 110 39024 95,11 5 120 41468 76,64 6 150 47902 23,47
Tabel 4 Data hasil segmentasi image003 Citra hasil segmentasi ini memiliki nilai akurasi tertinggi sebesar 95,11 dengan menggunakan nilai threshold 110, seperti pada gambar 8 berikut.
Gambar 8 segmentasi citra image004 Uji coba berikutnya dilakukan pada citra image005.jpg. Untuk hasil akurasi dan luasan segmentasi yang didapat bisa dilihat pada tabel 5. No Nilai threshold Luas segmentasi (piksel) Nilai Akurasi (%) 1 80 37575 34,86 2 90 42457 56,16 3 100 45694 94,3 4 110 47523 61,3 5 120 48767 36 6 150 50347 2,2
Tabel 5 Data hasil segmentasi image005. Citra hasil segmentasi ini memiliki nilai akurasi tertinggi sebesar 94,3 dengan menggunakan nilai threshold 100, seperti pada gambar 9 berikut.
Gambar 9 segmentasi citra 005. Uji coba yang kelima dilakukan pada citra image006.tif.. Untuk hasil akurasi dan luasan segmentasi yang didapat bisa dilihat pada tabel 6. No Nilai threshold Luas segmentasi (piksel) Nilai Akurasi (%) 1 80 23018 33,03 2 90 29201 42,6 3 100 34207 55,7 4 110 37805 71,6 5 120 40341 89,64 6 150 45729 52,09
Tabel 6 Data hasil segmentasi image006
8. EVALUASI
Dari hasil uji coba yang dilakukan dengan enam citra dan 12 nilai threshold bisa dilakukan analisis :
Semakin besar nilai threshold maka semakin besar juga akurasi yang dihasilkan . Hal ini terlihat dari uji coba pada citra image003.jpg (81,13%), image004.jpg (95,11%), dan image006.tif (89,64%). Akurasi ini tercapai dengan menggunakan nilai threshold sebagai berikut 170, 110, dan 120. Akan Tetapi pengaruh threshold ini tidak berlaku pada citra image002.png dan image005.jpg. Hal ini mungkin disebabkan oleh perbedaan intensitas kecerahan dari tiap – tiap citra yang digunakan. 9. KESIMPULAN
Berdasarkan hasil uji coba yang telah dilakukan, terdapat beberapa kesimpulan yang dapat diambil, yaitu Implementasi model dilakukan dengan membuat modul
preprocessing, segmentasi menggunakan
metode region growing, segmentasi menggunakan metode inverse segmentation , dan modul untuk mengukur luas area yang terdegenerasi. Nilai threshold mempengaruhi nilai akurasi. Semakin tinggi nilai threshold yang dipilih, semakin besar tingkat akurasinya. Berdasarkan uji coba, nilai akurasi tertinggi berkisar antara 85% – 95% . Akan tetapi pemilihan threshold juga dipengaruhi
intensitas citra.
10. DAFTAR PUSTAKA
[1] Köse, C., Şevik. U., Genҫalioğlu, O., Automatic Segmentation of Age – Related Macular Degeneration in Retinal Fundus Images. Computers in Biology and Medicine 38 (2008) 611-619.
[2] Hart, W.E., Cote B., Kube, P., Goldbaum, M., Nelson, M., 1994. Automatic Segmentation and Classification of Objects in Retinal Images. Computer Science and Engineering University of California, San Diego.
[3] Charastek, R., Wolf, M., Donath, K., et al. Automated segmentation of the optic
8 nerve head for diagnosis of glaucoma. Med. Image Anal. 9 (4) (2005) 297-314. [4] Lyn, J.A., Zaim, S., Zhao, J., Stork, A., Peterfy, C.G., Genant, H.K., Cartilage Segmentation of 3D MRI scans of the osteoarthritic knee combining user knowledge and active countours. Proceedings of SPIE, vol 3979, 2000, pp. 925-935.
[5] MacDonald, Ian M., MD, CM. et all. Genetics aspects of age related macular degeneration. Canadian Journal of Ophthalmologie, vol 40, 2005, pp 288-292.
[6] Youssef, A. Image Downsampling and Upsampling Methods1. Department of EECS, The George Washington University.
[7] Gonzales, R.C., et al. 2004. Digital Image Processing Using MATLAB 3rd edition. United States of America : Prentice Hall.
[8] G, Linda S., Stockman George C., Computer Vision. New Jersey : Prentice Hall.
[9] Wikipedia. 2008. Segmentation, < http://en.wikipedia.org/wiki/Segmentatio n_%28image_processing%29> diakses 20 Desember 2011.
[10] Pisano, E.D., Hemminger, B.M., Zong, S., et al. Does Clahe Image Processing improve the detectability of simulated spiculations in dense breasts in a laboratory setting ?. Academic Radiology, vol 3 ,pages 1066.
[11] Jeannot, R., Wang Demin, Haese-Coat, V., Binary image representation and coding by double recursive morphological algorithm. Signal Processing, vol 8 pp 241-266
[12] Bassiou, N., Kotropoulos C., Color image histogram equalization by absolute discounting back off. Computer Vision and Image Understanding . Vol 107 pp 108 -122. [13] Ge, F., Wang, S., dan Liu, T. 2006.
Image-Segmentation Evaluation From the Perspective of Salient Object Extraction. Proceeding of the 2006
IEEE Computer Society Conference
on Computer Vision and Pattern Recognition.
