informasi tekstural untuk identifikasi trabecular

PERBAIKAN CITRA PEMBULUH DARAH
DALAM FOTO FUNDUS DIGITAL
DENGAN MULTISCALE LINE OPERATOR
Agus Zainal Arifin1, Dwi Izzatul Millah1
1
Fakultas Teknologi Informasi,
Institut Teknologi Sepuluh Nopember (ITS), Surabaya, 60111, Indonesia
E-mail : [email protected], [email protected]
Abstrak Pembuluh darah pada foto
fundus digital menyediakan informasi yang dapat
digunakan untuk mendiagnosis suatu penyakit.
Foto fundus digital memiliki perpendaran cahaya
yang tidak merata pada pelatarannya dan memiliki
lebar pembuluh darah yang bervariasi. Oleh
karena itu, perbaikan dan segmentasi pada foto
fundus digital sangat penting untuk mengatasi
permasalahan tersebut.
Tugas akhir ini bertujuan untuk memperbaiki citra pembuluh darah pada foto fundus
digital dengan multiscale line operator. Pada tahap preprocessing, dilakukan top-hat dan pembuatan mask pada citra untuk mengatasi perpendaran cahaya (illumination) pada background
foto dan menutupi garis batas lingkaran retina.
Selanjutnya multiscale line operator diaplikasikan
dengan gaussian pyramid level dua pada citra
hasil preprocessing. Setelah itu, penghilangan
noise dilakukan pada citra hasil multiscale line
operator.
Berdasarkan uji coba yang dilakukan
pada sepuluh citra, pembuluh darah pada foto
fundus digital terlihat sangat jelas. Citra hasil
perbaikan tersebut dibandingkan dengan ground
truth-ya dan menghasilkan nilai akurasi rata-rata
93.11%.
Kata Kunci: foto fundus digital, line operator,
gaussian pyramid, strength, citra retina.
1. PENDAHULUAN
Segmentasi pada pembuluh darah retina
merupakan tugas penting bagi banyak jenis foto
medis. Hal ini dikarenakan perubahan dari struktur
pembuluh darah menandakan adanya penyakit [1].
Satu metode segmentasi saja tidak cukup
untuk dapat mengekstraksi pembuluh darah
sehingga memperoleh hasil terbaik [2]. Oleh karena itu, perlu dipahami jenis foto dan metode pengolahan foto yang akan digunakan, baik dari kelebihan maupun kekurangannya.
Beberapa metode telah dikembangkan
untuk mendeteksi dan melacak pembuluh darah
pada retina, seperti : adaptive thresholding, edge
detection, line operator, dan lain-lain [1]. Adaptive
thresholding memilih batas ambang secara independent pada setiap piksel berdasarkan informasi
lokal atau global. Akan tetapi, masalah utama yang
harus diatasi pada foto fundus digital adalah
adanya perbedaan perpendaran cahaya (illumination) pada background foto akibat penggunaan
flash pada fotografi fundus [1]. Selain itu, foto
fundus digital umumnya mengandung pembuluh
darah retina yang memiliki lebar yang bervariasi.
Oleh karena itu, digunakan metode multiscale
karena dapat mengatasi masalah ini. Metode
multiscale yang relatif mudah adalah multiscale
line operator [3]. Metode ini telah digunakan
dalam mendeteksi struktur linear dalam mammogram dengan hasil yang memuaskan [3]. Dalam
segmentasi pembuluh darah pada citra retina,
multiscale line operator diharapkan dapat bekerja
dengan baik sehingga mampu mengatasi tingkat
perpendaran cahaya yang tidak merata dan struktur
linear dari pembuluh darah dengan lebar bervariasi. Metode ini juga memiliki keuntungan tambahan karena sederhana secara konseptual dan
relatif cepat [1].
Makalah ini membahas tentang perbaikan
citra pembuluh darah retina pada foto fundus
digital. Perbaikan yang dilakukan dengan mensegmentasi pembuluh darah pada retina dengan
menggunakan metode multiscale line operator.
2.
METODE
2.1. PENENTUAN FIELD OF VIEW
Penentuan field of view digunakan untuk
untuk mengatasi perpendaran cahaya pada background foto dan menghilangkan bidang (gelap) di
luar lubang lensa kamera. Dalam hal ini, penentuan field of view dilakukan dengan mengaplikasikan top-hat pada citra retina yang telah dikonversi menjadi grayscale. Selain itu, dilakukan
pembuatan mask dengan deteksi tepi ‘Sobel’. Mask
digunakan untuk menutupi garis batas lingkaran
retina.
2.2. MULTISCALE LINE OPERATOR
Multiscale line operator adalah metode
pendeteksian garis yang dapat mendeteksi garis
dengan lebar yang bermacam-macam. Multiscale
line operator merupakan pengembangan dari
algoritma line operator dengan mengaplikasikan
algoritma line operator pada hasil multiscale
analysis. Algoritma line operator telah digunakan
untuk mendeteksi linear structure pada citra
mammographic bersama dengan metode pendeteksian garis yang lain [3]. Setelah dibandingkan
1
dengan beberapa metode, algoritma line operator
ternyata memiliki hasil yang baik dari segi signal
to noise, keakurasian lebar garis, dan localization.
Algoritma line operator membutuhkan
dua parameter yaitu sudut ( θ ) dan panjang (M)
[4]. Sudut berfungsi untuk mengontrol besar dan
banyak putaran yang akan dianalisis, besar sudut
tiap putaran adalah pertambahan dari besar sudut
sekarang dan sebelumnya, sampai dengan batas
180 derajat, sedangkan panjang berfungsi untuk
membuat moving window dengan panjang (M).
Jika sudut yang digunakan adalah 12 dan panjang
M adalah 5, maka algoritma line operator akan
mengatur banyak putaran sebanyak 12 kali dengan
besar sudut 0, 15, 30,45, 60, 75, 90, 105, 120, 135,
150, dan 165 derajat, sedangkan besar moving
window yang digunakan berukuran 5 x 5. Moving
window berukuran 5 x 5 tersebut akan diaplikasikan terhadap citra untuk mengambil tiap piksel dan
24 buah tetangga yang mengelilingi piksel tersebut.
Algoritma line operator menghitung nilai
strength dari setiap piksel (x,y) pada sebuah citra
dengan cara mengurangkan nilai foreground
terhadap nilai background. Gambar 1 merupakan
kernel dari foreground dan background. Pada
Gambar 1 menunjukkan (a) kernel foreground dan
(b) kernel background. Lingkaran yang terdapat
pada Gambar 1 merupakan representasi dari piksel
dalam kernel, lingkaran yang berwarna gelap
adalah lingkaran yang nilai pikselnya dihitung,
sedangkan lingkaran yang berwarna terang adalah
lingkaran yang nilai pikselnya diabaikan. M adalah
panjang kernel. Pada Gambar 1, nilai M adalah 9.
Setiap lingkaran hitam pada kernel foreground
bernilai 1/M sedangkan untuk kernel background
bernilai 1/M2 dan lingkaran yang bewarna terang
mempunyai nilai 0 (nol).
Untuk setiap sudut θ , foreground mempunyai panjang M dan lebar satu piksel. Nilai dari
foreground pada tiap sudut θ , F(x,y, θ ) adalah
jumlah dari piksel yang dikalikan dengan kernel
foreground. Sama seperti nilai foreground, nilai
dari background pada sudut θ , B(x,y, θ ) adalah
jumlah dari piksel yang dikalikan dengan kernel
background. Nilai strength S(x,y) adalah nilai
tertinggi dari hasil pengurangan antara foreground
dengan background pada beberapa sudut, seperti
yang terdapat pada Persamaan 1.
𝑆(𝑥, 𝑦) = max{𝐹(𝑥, 𝑦, 𝜃) − 𝐵(𝑥, 𝑦, 𝜃)}.
𝜃∈ Θ
garis pasti mempunyai lebar (width) yang berbedabeda, untuk mengestimasi hal tersebut maka
diperlukan metode multiscale analysis. Salah satu
metode untuk menyelesaikan permasalahan
multiscale analysis adalah gaussian pyramid.
Gaussian pyramid adalah pemrosesan
sebuah citra dimana sebuah citra akan diperhalus
dan di-subsampling secara berangsur-angsur sebanyak nilai level yang diinginkan. Gaussian
pyramid terdiri dari dua tahapan, yaitu reduce dan
expand.
Reduce berfungsi untuk memperkecil
ukuran citra M × N menjadi ½M × ½N. Sedangkan
expand berfungsi untuk memperbesar ukuran citra
dari (M+1) × (N+1) kebentuk (2M+1) × (2N+1)
dengan melakukan interpolasi terhadap nilai node
yang baru berdasarkan nilai yang sudah ada.
Fungsi expand diterapkan pada citra hasil reduce
untuk mengembalikan ke dalam ukuran yang
sebelumnya. Pada fungsi reduce, nilai tiap piksel
dari tiap-tiap level pyramid pada citra 2D, dihitung
menggunakan Persamaan 2. Sedangkan nilai tiap
piksel pada pengaplikasian fungsi expand dihitung
dengan Persamaan 3.
(2)
g l (i , j ) = ∑ ∑ w( m, n ) g l −1 ( 2i + m, 2 j + n ),
mn
i−m j−n
g l ,n (ij ) = 4 ∑ ∑ w( m, n ) g l ,n −1 (
,
),
mn
2
2
(3)
dimana w(m,n) adalah generating kernel. Susunan
1
generating kernel yang terbentuk adalah [� −
4
𝑎2, 14, 𝑎,14 , 14−𝑎2]. Dimana nilai a adalah 0.4,
karena bentuk kurva yang dihasilkan dari fungsi
pemberat dengan nilai a = 0.4 mirip dengan fungsi
Gaussian.
2.3. PENGHAPUSAN NOISE
Penghapusan noise digunakan untuk
menghapus area kecil pada citra keluaran
multiscale line operator. Pada penghapusan noise,
juga dilakukan penempelan mask yang telah
didapatkan pada penentuan field of view, pada citra
keluaran multiscale line operator yang telah dibinerisasi.
(1)
Untuk menghasilkan nilai yang baik pada
pengaplikasian multiscale line operator, maka
digunakan metode bilinear interpolation untuk
memutar citra ketika sudut tidak 0 derajat. Setiap
Gambar 1 Kernel foreground dan background.
2
3. HASIL UJI COBA
Citra yang diuji dalam penelitian ini
adalah foto fundus digital yang diambil dari data
set ARIA (www.eyecharity.com/aria_online/).
Citra uji coba tersebut disimpan dalam format jpg,
tipe RGB, dengan ukuran 768x576 piksel, seperti
yang terlihat pada Gambar 2. Jumlah citra uji coba
yang digunakan adalah 10 buah. Implementasi
program menggunakan Matlab 7.6.
Citra uji coba tersebut digunakan sebagai
data masukan pada sistem. Pertama, dilakukan
penentuan field of view pada citra uji coba. Selanjutnya, dilakukan proses multiscale line
operator pada citra hasil penentuan field of view.
Kemudian citra hasil pemrosesan dengan multiscale line operator dihapus noise-nya. Untuk
mengetahui tingkat akurasi dari metode multiscale
line operator ini, sistem melakukan perhitungan
akurasi antara citra hasil perbaikan dengan citra
ground truth. Citra ground truth merupakan
segmentasi pembuluh darah secara manual oleh
para ahli. Perhitungan akurasi dalam penelitian ini
menggunakan akurasi paradox, seperti pada
Persamaan 4.
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =
𝑇𝑃 + 𝑇𝑁
,
𝑇𝑃 + 𝐹𝑃 + 𝐹𝑁 + 𝑇𝑁
(4)
dimana TP adalah jumlah piksel-piksel pembuluh
darah yang terdeteksi dengan benar. FP adalah
jumlah piksel-piksel tanpa pembuluh darah pada
ground truth yang terdeteksi secara salah sebagai
piksel-piksel pembuluh darah. FN adalah jumlah
piksel-piksel pembuluh darah yang tidak
terdeteksi. Sedangkan TN adalah jumlah pikselpiksel tanpa pembuluh darah yang secara benar
diidentifikasi sebagai piksel-piksel tanpa pembuluh
darah.
(a)
(b)
(c)
(d)
Gambar 2 Citra uji coba dan hasil uji cobanya.
Tabel 1 Hasil perhitungan akurasi terhadap
citra uji coba
Citra
Akurasi
K
92.22%
L
93.71%
M
91.70%
N
92.50%
O
93.16%
P
92.76%
Q
93.03%
R
94.25%
S
93.26%
T
94.50%
Rata-rata
93.11 %
Gambar 2 menunjukkan (a) citra uji coba,
(b) ground truth dari citra uji coba, (c) citra hasil
multiscale line operator, dan (d) citra hasil
penghapusan noise.
Uji coba dilakukan dengan penentuan
parameter pada multiscale line operator terlebih
dahulu. Terdapat 3 parameter dalam multiscale
line operator, yaitu ukuran moving window,
jumlah orientasi, dan level yang digunakan. Pada
uji coba ini digunakan ukuran moving window
sebesar 5, jumlah orientasi sebanyak 6, dan level
yang digunakan sebanyak 2. Akurasi yang
diperoleh dari uji coba terhadap 10 citra uji coba
ditunjukkan pada Tabel 1, dengan akurasi rata-rata
93.11%.
4. SIMPULAN
Kesimpulan yang dapat diambil
berdasarkan hasil uji coba yang telah dilakukan
yaitu :
1. Penentuan field of view dapat mengatasi
perpendaran cahaya pada background foto dan
menghilangkan bidang gelap di luar lubang
lensa kamera.
2. Multiscale line operator secara efektif dapat
memperbaiki pembuluh darah dalam foto
fundus digital yang memiliki lebar bervariasi
dengan akurasi yang tinggi.
3. Penghapusan noise dapat dilakukan dengan
penghapusan area kecil pada citra biner
menggunakan fungsi bwareaopen pada Matlab.
4. Parameter yang optimal dalam perbaikan citra
pembuluh darah pada foto fundus digital
dengan multiscale line opertor adalah ukuran
moving window sebesar 5, jumlah orientasi
sebanyak 6, dan level yang digunakan sebanyak
2, dengan akurasi rata-rata 93.11%.
5. Inisialisasi parameter moving window pada
multiscle line operator mempengaruhi jumlah
pembuluh darah yang terdeteksi.
3
6. Inisialisasi parameter level pada multiscale line
operator mempengaruhi tingkat ketebalan
pembuluh darah utama (besar) pada citra retina.
5. DAFTAR PUSTAKA
[1] Farnell, D. J. J., F. N. Hatfield, P. Knox, M.
Reakes, S. Spencer, D. Parry, S. P. Harding.
2008. Enhancement of Blood Vessels in
Digital Fundus Photographs Via the
Application of Multiscale Line Operators.
Elsivier: Vol.345, Issue 7, pp. 748-765.
[2] Kirbas, C., Francis K.H. Quek. 2002. A Review
of Vessel Extraction Techniques and
Algorithms. Ohio : Department of Computer
Science and Engineering Wright State
University, Dayton.
[3] Zwiggelaar, R., S.M. Astley, C.R. Boggis, C.J.
Taylor. 2004. Linear Structures in
Mammographic Images: Detection and
Classification. IEEE Trans Med. Imaging 23
1077-1086.
[4] Arifin, A. Z., Lutfiani Ratna Dewi, Hudan
Studiawan. 2009. Line Strength Measurement
for Trabecular Bone Analysis of Mandible on
Dental Panoramic Radiographs. Department
of Informatics : Visual and Image Processing
Laboratory.
4