Segmentasi Soft Exudate pada Citra Fundus Retina Pasien Diabetic Retinopathy Berbasis U-Net

I Md. Dendi  Maysanjaya; Kadek Suwis Satria Atmaja; I Made Gede  Sunarya

doi:10.23887/insert.v4i2.59033

Authors

I Md. Dendi Maysanjaya Universitas Pendidikan Ganesha
Kadek Suwis Satria Atmaja Universitas Pendidikan Ganesha
I Made Gede Sunarya Universitas Pendidikan Ganesha

DOI:

https://doi.org/10.23887/insert.v4i2.59033

Keywords:

Segmentasi, Soft Exudate, Citra Retina, Diabetic Retinopathy, U-Net

Abstract

Diabetic retinopathy merupakan suatu kondisi mata yang terjadi pada orang yang menderita diabetes yang dapat mengakibatkan kehilangan penglihatan dan kebutaan. Kondisi ini terjadi akibat kerusakan pada pembuluh darah dan serabut saraf mata yang disebut exudates. Exudates terdiri dari dua jenis, yaitu hard exudate (HE) dan soft exudate. Penelitian ini difokuskan pada segmentasi soft exudate dengan menggunakan pengolahan citra digital menggunakan metode berbasis deep learning dengan U-Net. Secara garis besar, proses dalam proses segmentasi ini terdiri dari 3 tahap yaitu (1) pre-prosessing adalah tahap untuk memperbaiki citra yang akan digunakan sebelum dilakukan tahap segmentasi agar hasil yang didapatkan lebih optimal, (2) segmentasi adalah tahap untuk melakukan pemisahan soft exudate dengan yang bukan soft exudate dan (3) evaluasi adalah tahap untuk mengetahui performa dari hasil segmentasi yang telah didapatkan. Performa kedua metode dibandingkan dengan menggunakan tiga metrik performansi, yaitu akurasi, sensitifity, dan specificity dengan membandingkan hasil segmentasi dengan groundtruth. Hasil penelitian menunjukkan bahwa metode U-Net menghasilkan rata-rata akurasi 0.99586, sensitifity 0.36203, dan specificity 0.99856 dalam evaluasi hasil performansi skor.

References

Agarwal, S. (2014). Data mining: Data mining concepts and techniques. In Proceedings - 2013 International Conference on Machine Intelligence Research and Advancement, ICMIRA 2013. https://doi.org/10.1109/ICMIRA.2013.45

Badar, M., Shahzad, M., & Fraz, M. M. (2018). Simultaneous segmentation of multiple retinal pathologies using fully convolutional deep neural network. Communications in Computer and Information Science, 894, 313–324. https://doi.org/10.1007/978-3-319-95921-4_29

Bagus, I., Mahadya, L., Sudarma, M., Kumara, I. N. S., & Optimizer, A. (2020). Resonance Imaging dengan Menggunakan Metode U-NET. Majalah Ilmiah Teknologi Elektro, 19(2), 151–156.

Bui, T., Maneerat, N., & Watchareeruetai, U. (2017). Detection of cotton wool for diabetic retinopathy analysis using neural network. 2017 IEEE 10th International Workshop on Computational Intelligence and Applications, IWCIA 2017 - Proceedings, 2017-Decem, 203–206. https://doi.org/10.1109/IWCIA.2017.8203585

Joshua, A. O., Nelwamondo, F. V., & Mabuza-Hocquet, G. (2020). Blood Vessel Segmentation from Fundus Images Using Modified U-net Convolutional Neural Network. Journal of Image and Graphics, 8(1), 21–25. https://doi.org/10.18178/joig.8.1.21-25

Manullang, Y. R., Rares, L., & Sumual, V. (2016). Prevalensi Retinopati Diabetik Pada Penderita Diabetes Melitus Di Balai Kesehatan Mata Masyarakat (Bkmm) Propinsi Sulawesi Utara Periode Januari – Juli 2014. E-CliniC, 4(1). https://doi.org/10.35790/ecl.4.1.2016.11024

Mustafa, N., Zhao, J., Liu, Z., Zhang, Z., & Yu, W. (2020). Iron ORE Region Segmentation Using High-Resolution Remote Sensing Images Based on Res-U-Net. International Geoscience and Remote Sensing Symposium (IGARSS), c, 2563–2566. https://doi.org/10.1109/IGARSS39084.2020.9324218

Naufal, A. A. (2018). 05111440000041-Ahmad-Afiif-Naufal-Buku_TA dengan Lembar Pengesahan.

Porwal, P., Pachade, S., Kamble, R., Kokare, M., Deshmukh, G., Sahasrabuddhe, V., & Meriaudeau, F. (2018). Indian diabetic retinopathy image dataset (IDRiD): A database for diabetic retinopathy screening research. Data, 3(3), 1–8. https://doi.org/10.3390/data3030025

Prastyo, P. H., Sumi, A. S., & Nuraini, A. (2020). Optic Cup Segmentation using U-Net Architecture on Retinal Fundus Image. JITCE (Journal of Information Technology and Computer Engineering), 4(02), 105–109. https://doi.org/10.25077/jitce.4.02.105-109.2020

Putra, I. M. A. D., Maysanjaya, I. Md. D., & Kesiman, M. W. A. (2023). Pendekatan Berbasis U-Net untuk Segmentasi Hard Exudate dalam Citra Fundus Retina. INSERT: Information System and Emerging Technology Journal, 4(1).

Salman, H., Grover, J., & Shankar, T. (2018). Hierarchical Reinforcement Learning for Sequencing Behaviors. 2733(March), 2709–2733. https://doi.org/10.1162/NECO

Sreng, S., Maneerat, N., Hamamoto, K., & Panjaphongse, R. (2019). Cotton wool spots detection in diabetic retinopathy based on adaptive thresholding and ant colony optimization coupling support vector machine. IEEJ Transactions on Electrical and Electronic Engineering, 14(6), 884–893. https://doi.org/10.1002/tee.22878

Sreng, S., Maneerat, N., Win, K. Y., Hamamoto, K., & Panjaphongse, R. (2019). Classification of Cotton Wool Spots Using Principal Components Analysis and Support Vector Machine. BMEiCON 2018 - 11th Biomedical Engineering International Conference, 1–5. https://doi.org/10.1109/BMEiCON.2018.8609962

Suardika, I. G. P. D., Maysanjaya, I. Md. D., & Kesiman, M. W. A. (2022). Optic Disc Segmentation Based on Mask R-CNN in Retinal Fundus Images. 2022 4th International Conference on Biomedical Engineering (IBIOMED), 71–74.

Sudha, S., Srinivasan, A., & Gayathri Devi, T. (2019). Detection and classification of cotton wool spots in diabetic retinopathy. International Journal of Recent Technology and Engineering, 8(3), 4472–4475. https://doi.org/10.35940/ijrte.C6805.098319

Suta, I. B. L. M., Sudarma, M., & Satya Kumara, I. N. (2020). Segmentasi Tumor Otak Berdasarkan Citra Magnetic Resonance Imaging Dengan Menggunakan Metode U-NET. Majalah Ilmiah Teknologi Elektro, 19(2), 151. https://doi.org/10.24843/mite.2020.v19i02.p05