Jurnal Fisika: Seri Konferensi

PAPER • AKSES BUKA Konten terkait

Deteksi Retinopati Hipertensi - Fisika dan Seni Fotografi, Volume 1: Geometri dan

Menggunakan bidang gambar J Beaver

- Retinopati Diabetik (DR) padaRetina

Pembelajaran Jauh dan Mesin Gambar: Studi Perintis
Wan Azani Mustafa, Aimi Salihah Abdul-Nasir dan Haniza Yazid

Boltzmann

Untuk mengutip artikel ini: BK Triwijoyo dan YD Pradipto 2017 J.

Phys .: Conf. Conf. Ser. 801 012039
- Pencitraan bio-medis: Lokalisasi utama struktur
dalam gambar fundus retina
A Basit dan SJ Egerton

Lihat artikel on line untuk pembaruan dan

peningkatan.
Konten ini diunduh dari alamat IP 114.125.59.215 pada 05/03/2019 di 14:03
 IOP Conf. Seri: Jurnal Fisika: Conf. Seri 801 (2017) 012039 doi: 10.1088 / 1742-6596 / 801/1/012039

Konferensi Internasional tentang Tren Terbaru dalam Fisika 2016 (ICRTP2016) Penerbitan IOP
Jurnal Fisika: Seri Seri 755 (2016) 011001 doi: 10.1088 / 1742-6596 / 755/1/011001

Deteksi Retinopati Hipertensi Menggunakan Pembelajaran Jauh dan

Mesin Boltzmann

BK Triwijoyo1, YD Pradipto2
1
Doktor Ilmu Komputer, Universitas BINUS Jakarta, Indonesia
2
Departemen Psikologi, Fakultas Ilmu Budaya, Universitas BINUS Jakarta

1
bambang.triwijoyo @ binus.ac.id, 2ypradipto@binus.edu

Abstrak. hipertensi retinopati (SDM) di retina mata adalah gangguan yang disebabkan oleh penyakit tekanan
darah tinggi, di mana ada perubahan sistemik arteri di pembuluh darah retina. Kebanyakan serangan jantung
terjadi pada pasien yang disebabkan oleh gejala tekanan darah tinggi yang tidak terdiagnosis. Retinopati
hipertensif Gejala seperti penyempitan arteriolar, pendarahan retina dan bintik-bintik kapas. Berdasarkan
alasan ini, diagnosis dini gejala retinopati hipertensi sangat mendesak agar pencegahan dan pengobatan lebih
akurat. Penelitian ini bertujuan untuk mengembangkan sistem untuk deteksi dini tahap retinopati hipertensi.
Metode yang diusulkan adalah untuk menentukan fitur gabungan arteri dan rasio diameter vena (AVR) serta
perubahan posisi dengan Disk Optik (OD) dalam gambar retina untuk meninjau klasifikasi retinopati hipertensi
menggunakan pendekatan Deep Neural Networks (DNN) dan pendekatan Mesin Boltzmann. Kami memilih
pendekatan ini karena berdasarkan penelitian sebelumnya model DNN lebih akurat dalam pengenalan pola
gambar, sedangkan mesin Boltzmann dipilih karena membutuhkan iterasi yang cepat dalam proses
pembelajaran jaringan saraf. Hasil yang diharapkan dari penelitian ini dirancang sistem prototipe deteksi dini
tahap retinopati hipertensi dan menganalisis efektivitas dan akurasi metode yang diusulkan.

1. Pendahuluan
Tekanan darah tinggi dapat menyebabkan banyak gangguan pada retina mata, salah satunya adalah
hipertensi retinopati (SDM) di mana perubahan sistemik yang dihasilkan oleh hipertensi arteri tercermin
dalam pembuluh darah retina. Sebagian besar serangan jantung terjadi pada pasien dengan gejala tekanan darah
tinggi yang tidak terdiagnosis. Retinopati hipertensif adalah ciri khas tekanan darah tinggi. Gejala retinopati
hipertensi membentuk penyempitan arteriolar, sedangkan tanda-tanda utama lainnya adalah adanya perdarahan retina
dan bintik-bintik kapas [1].
Kemudian diagnosis gejala awal retinopati hipertensi sangat diperlukan untuk pencegahan dan pengobatan yang
akurat. Cara tradisional untuk melakukannya adalah melalui analisis citra fundus untuk mengevaluasi keberadaan
penyakit retinopati hipertensi dan membangun fase evolusi, karena retina adalah satu-satunya tempat yang
memungkinkan dokter untuk memeriksa pembuluh darah retina secara langsung dan dengan cara non-invasif dan
etika ilmu ini terkait dengan privasi pasien [2].
Diameter pembuluh darah retina adalah salah satu karakteristik paling penting untuk diagnosis hipertensi, para
profesional kesehatan telah menggunakan rasio pembuluh darah arteri retina
(AVR) untuk memastikan adanya tekanan darah tinggi. Diameter pembuluh darah retina adalah salah satu
karakteristik paling penting untuk diagnosis hipertensi, para profesional kesehatan telah menggunakan rasio
pembuluh darah arteri retina (AVR) untuk menetapkan keberadaan darah tinggi.
 Konten dari karya ini dapat digunakan berdasarkan ketentuan lisensi Creative Commons Attribution 3.0. Setiap distribusi lebih lanjut dari karya
ini harus mempertahankan atribusi ke penulis (s) dan judul karya, kutipan jurnal dan DOI.
Diterbitkan di bawah lisensi oleh IOP Publishing Ltd 1
 IOP Conf. Seri: Jurnal Fisika: Conf. Seri 801 (2017) 012039 doi: tekanan 10.1088 / 1742-6596 / 801/1/012039

. Makalah ini mengusulkan kerangka kerja untuk menerapkanDeep Neural Networks danBoltzmann
pendekatanMesinuntuk klasifikasi tahapan retinopati hipertensi.

2. Tinjauan Pustaka
Sebuah sistem terkomputerisasi untuk memfasilitasi pendeteksian dokter spesialis mata penyakit retina untuk
meninjau diagnosis dan pengobatan penyakit dengan perencanaan yang akurat. Hipertensi atau tekanan darah tinggi
menyebabkan kerusakan parah pada mata dan penglihatan manusia sebagai retinopati hipertensi, neuropati optik, dan
koroidopati [3]. Gangguan retina (Jaringan di belakang mata) yang disebabkan oleh tekanan darah tinggi disebut
hipertensi retinopati (SDM) [4]. Analisis gambar digital Fundus digunakan untuk mendiagnosis ulasan SDM dengan
gambar perubahan trek. Perubahan termasuk arteriol berliku-liku, perdarahan, eksudat keras, bintik-bintik kapas dan
papilledema.
Gejala penting HR lebar vena abnormal yang mengarah ke rasio rendah dari rata-rata diameter
vena arteri (AVR). Penyakit retina dapat dilacak dengan perubahan pembuluh darah jantung retina. Gambar 1
menunjukkan gambar fundus normal dan gambar memiliki gejala retina dari HR. Penelitian tentang identifikasi
retinopati hipertensi melalui gambar retina telah dilakukan sebelumnya, ada banyak teknik yang disajikan literatur
untuk meninjau deteksi otomatis SDM. [5] mengusulkan sistem pendukung untuk peninjauan di mana pembuluh
darah pendeteksi SDM disegmentasi menggunakan transformasi Radon dan disk optik dideteksi menggunakan
transformasi Hough dan akhirnya menghitung AVR.

Gambar 1. Pengaruh retinopati hipertensi pada gambar fundus digital: a) Gambar

fundus normal, b) Gambar fundus menunjukkan gejala retinopati hipertensi

Algoritma yang diusulkan diuji pada database DRIVE dan menunjukkan akurasi 92%. [5]. HR sistem lain untuk
diagnosis dikembangkan oleh [6]. [7] mengusulkan sistem untuk deteksi dini SDM. Kapal tersegmentasi
menggunakan penyaringan multi-skala dan identifikasi berdasarkan wilayah. Lebar kapal dan AVR dihitung untuk
menemukan SDM. Sistem ini diuji dalam database DRIVE dan STARE memiliki akurasi
masing-masing 93,7% dan 93,1%. Penulis [8] menyajikan metode untuk mendeteksi SDM di mana kapal
disegmentasi menggunakan torsi berbasis dan fitur tingkat abu-abu dan mesin vektor dukungan
(SVM) untuk klasifikasi.
Intensitas dan informasi warna yang digunakan untuk mengklasifikasikan kapal sebagai arteri dan vena kemudian
digunakan untuk menghitung rasio lebar kapal dan AV. Sistem yang diusulkan menunjukkan akurasi 93% pada
basis data VICAVR. [9] mengusulkan metode klasifikasi untuk pengukuran AVR auto ship. Kapal tersegmentasi dan
beberapa fitur berdasarkan intensitas warna diekstraksi untuk klasifikasi pembuluh darah seperti arteri dan vena
dengan menggunakan SVM dan analisis diskriminan kapal (LDA). Basis data DRIVE digunakan untuk menguji
algoritma dan sistem menunjukkan akurasi 96%. Metode deteksi otomatis SDM lain yang diusulkan oleh [10].
Pembuluh darah retina yang dideteksi oleh cap dan filter transformasi cincin ganda. Wilayah temporal disk optik
dipilih sebagai tujuan untuk menghitung rasio AV. Fitur yang diambil dari kapal di ROI untuk mengklasifikasikan
mereka sebagai arteri dan vena menggunakan LDA.
 IOP Conf. Seri: Jurnal Fisika: Conf. Seri 801 (2017) 012039 doi: 10.1088 / 1742-6596 / 801/1/012039

2.1. Deep Learning Neural Network

Meskipun banyak penelitian sebelumnya yang memanfaatkan ANN-MLP untuk klasifikasi citra medis, tetapi
beberapa penelitian yang menggunakan Deep Learning untuk klasifikasi retinopati hipertensi. Convolutional Neural
Network (CNN) adalah pengembangan Multilayer Perceptron (MLP) yang dirancang untuk memproses data dua
dimensi. CNN termasuk dalam jenis Jaringan Syaraf Tiruan ini untuk kedalaman jaringan yang tinggi dan diterapkan
secara luas pada data gambar.
Dalam hal klasifikasi gambar, MLP kurang cocok untuk digunakan karena tidak menyimpan
informasi spasial data gambar dan menganggap setiap piksel adalah fitur independen yang menghasilkan hasil yang
buruk juga. CNN pertama kali dikembangkan dengan nama NeoCognitron oleh [11]. Konsep ini kemudian
diselesaikan oleh [12]. Model CNN bernama Lenet berhasil diterapkan oleh [11] pada penelitiannya tentang angka
dan pengenalan tulisan tangan. Cara bekerja pada MLP CNN memiliki kesamaan, namun pada CNN setiap neuron
disajikan dalam bentuk dua dimensi, tidak seperti MLP yang masing-masing neuron hanya mengukur satu dimensi
dari MLP seperti pada Gambar 3. memiliki lapisan i (Kotak merah dan biru) dengan setiap lapisan yang berisi
neuron ji (lingkaran putih). MLP menerima input data satu dimensi dan menyebarkan data itu di jaringan untuk
menghasilkan output. [13]

Gambar 2. Arsitektur MLP sederhana.

Setiap neuron dalam hubungan antara dua lapisan yang berdekatan memiliki bobot parameter satu dimensi yang
menentukan mode kualitas. Dalam setiap input data pada operasi linear lapisan dilakukan dengan nilai bobot
tersebut, dan kemudian komputasi hasilnya akan ditransformasikan menggunakan operasi non linier yang disebut
fungsi aktivasi. Pada CNN, data yang disebarkan pada jaringan adalah data dua dimensi, sehingga operasi linier dan
parameter bobot berbeda pada CNN. Pada operasi linear CNN menggunakan operasi konvolusi, sedangkan bobotnya
tidak lagi satu dimensi, tetapi bentuknya adalah kumpulan kernel konvolusi empat dimensi seperti pada gambar 3
Berat dimensi pada CNN adalah: input neuron x output x tinggi x lebar Karena sifat proses konvolusi, maka CNN
hanya bisa digunakan pada data yang memiliki struktur dua dimensi seperti gambar dan suara.
Gambar
3. Proses
konvolusi
pada
CNN.
 IOP Conf. Seri: Jurnal Fisika: Conf. Seri 801 (2017) 012039 doi: 10.1088 / 1742-6596 / 801/1/012039

2.2. Mesin Boltzmann Mesin

Boltzmann adalah tipe khusus dari model berbasis energi dengan variabel tersembunyi, dan RBM
adalah bentuk khusus dari mesin Boltzmann di mana P (h | x) dan P (x | h) keduanya dapat ditelusuri karena
keduanya difaktorkan. Dalam mesin Boltzmann, fungsi energi adalah polinomial orde dua umum:

Energi (x, h) = −b'x - c'h - h'Wx - x'Ux - h'V h (1)

Ada dua jenis-jenis parameter, yang secara kolektif dilambangkan dengan θ: offset b i dan ci (masing-masing
terkait dengan satu elemen vektor x atau vektor h), dan bobot W ij , Uij dan Vij (masing-masing terkait dengan
sepasang unit). Matriks U dan V diasumsikan simetris 1, dan dalam kebanyakan model dengan nol di diagonal. Non-
nol di diagonal dapat digunakan untuk mendapatkan varian lain, misalnya, dengan Gaussian, bukan unit binomial.
Fungsi energi mesin Boltzmann dapat ditulis ulang dengan meletakkan semua parameter dalam vektor d dan matriks
simetris A. [14].

Energi (s) = -d ini - s'As (2)

Mari di menyatakan vektor d tanpa unsur di, A-i matriks A tanpa i th baris dan kolom, dan-i vektor yang merupakan ith
baris (atau kolom) dari A, tanpa sayath elemen. Dengan menggunakan notasi ini, kami
memperoleh bahwa P (si | s − i) dapat dihitung dan disampel dengan mudah dari
mesin Boltzmann.
Satu studi menggunakan Neural Network untuk klasifikasi retinopati hipertensi adalah [15], yang memanfaatkan
Neural Network dan Decision Tree (DT) untuk menentukan area arteri atau vena menggunakanNaive
classifierBayes dan Support Vector Machine (SVM). Dari tinjauan pustaka yang dilakukan dalam penelitian ini
terdapat kesenjangan (gap) yang dapat digunakan sebagai referensi untuk penelitian selanjutnya, yaitu:
∙ Diperlukan untuk membakukan protokol akuisisi gambar untuk menjamin kondisi yang sama, gambar retina
harus diambil oleh personel yang terlatih saja.
Takes Dibutuhkan sistem yang lebih objektif dengan bantuan alat otomatis yang dapat memonitor penyakit
retinopati hipertensi.
∙ Dibutuhkan pengukuran AVR yang lebih akurat untuk klasifikasi arteri dan vena untuk mendeteksi gangguan
retina.
∙ Pendeteksian Titik-titik Kapas Wol CWS pada gambar retina mata yang lebih akurat penting untuk
membangun sistem komputer untuk menganalisis gejala-gejala diagnosis penyakit pada tahap awal dan
pada stadium lanjut.
∙ Perlu memperbaiki algoritma segmentasi pembuluh darah pada gambar retina mata untuk mendapatkan hasil
pengukuran yang akurat.
∙ Simpan pendaftaran, salin gambar dari pasien yang sama secara teratur (yaitu 6 hingga 12 bulan). Sebagai
pembanding secara otomatis berubah karena sistem pemantauan kapal yang lebih
efisien dan akurat dalam diagnosis retinopati hipertensi.
Kontribusi dari penelitian ini adalah sistem bantuan otomatis berbasis komputer yang dapat memantau keadaan
penyakit retinopati hipertensi secara lebih akurat melalui gambar retina.

3. Metodologi
Berdasarkan tujuan penelitian yang telah dijelaskan sebelumnya, berikut ini adalah kerangka kerja yang diusulkan
atau pendekatan yang akan diusulkan seperti yang ditunjukkan pada gambar 4 adalah sebagai berikut:
 IOP Conf. Seri: Jurnal Fisika: Conf. Seri 801 (2017) 012039 doi: 10.1088 / 1742-6596 / 801/1/012039Penyamaan

Pra Pemrosesan Fitur Ekstraksi: Wilayah yang Menarik (Daerah

Menarik) ROI) multiskala Laplacian untuk
Peningkatan histogram global dan lokal mengoptimalkan
dan OpticalDisk (OD) kla
Potition sif
2-D Gabor wavelet
ka
si:
Gambar Fundus: Co
Segmentasi: perulangan berulang Recognation: Rasio, Central retina Arteri
nv
menggunakan metode otsu Equivalent (CRAE) dan retina Central vena
Ne
Equivalent (CRVE)
t
da
n
M
esi
n
Bo
ltz
ma
nn
unt
uk
klas
ifika
si
tah
ap
Hip
erte
nsi
Reti
nop
ati
did
asa
rka
n
pad
a
skal
a
Keit
h
Wa
gen
er
Nil
ai
Bar
ker(
KW
B).

Gambar 4. Diagram Alir Metodologi yang Diusulkan.

3.1. Fitur.
Fitur yang digunakan adalah kombinasi rasio rata-rata lebar arteriovenous (AV) dan Optic
Disk (OD).

3.2. Set Data

Pada tahap awal akan menggunakan 40 ukuran gambar retina dari 768 x 584 piksel dalam format JPEG pada
database DRIVE serta 20 gambar dari kamera fundus ukuran 700 x 605 piksel dalam format PPM STARE basis data.
Sementara pada stadium lanjut akan menggunakan 100 gambar fundus-copy Rumah Sakit Mata, 20 pasien diambil
secara berkala (6 hingga 12 bulan). untuk menguji sistem pemantauan prototipe untuk diagnosis gejala tahap
retinopati hipertensi.

3.3. Tahapan proses:

∙ Peningkatan:
Menggunakan pemerataan histogram global dan lokal serta wavelet Gabor 2-D untuk meningkatkan
visibilitas arteri dan vena.
∙ Segmentasi:
 Menggunakan metode threshold Otsu berulang untuk menentukan nilai ambang.
∙ Fitur Ekstraksi:
Menggunakan Set Region of Interest (ROI) sebagai area pengukuran arteri dan vena retina. Disk Optik (OD)
retina digunakan untuk menemukan ROI di mana ROI diatur tiga kali
lebih besar radius OD.
∙ Pengakuan:
Menggunakan Multiscale Laplacian untuk memperkirakan radius Disk Optik (OD). Hitung
perbandingannya, Equivalent Arteri Retina Sentral (CRAE) dan Ekuivalen Retina Sentral (CRVE), yang
ditentukan oleh pengukuran arteri dan vena.
∙ Klasifikasi:
Menggunakan Jaringan Neural Konvolusional dan mesin Boltzmann untuk klasifikasi tahap Retinopati
Hipertensi didasarkan pada skala nilai Keith Wagener Barker (KWB).

4. Kesimpulan
Usulan kerangka bantuan otomatis berbasis komputer yang dapat memonitor keadaan
penyakit retinopati hipertensi telah disajikan. diagnosis gejala awalhipertensi
retinopatisangat diperlukan untuk pencegahan dan pengobatan yang akurat. Diameter pembuluh darah retina adalah
salah satu karakteristik paling penting untuk diagnosis hipertensi.
 IOP Conf. Seri: Jurnal Fisika: Conf. Seri 801 (2017) 012039 doi: 10.1088 / 1742-6596 / 801/1/012039

Makalah ini mengusulkan kerangka kerja untuk menerapkan pendekatan Deep Neural Networks dan mesin
Boltzmann Machines ke klasifikasi tahapan retinopati hipertensi. Pekerjaan masa depan dari penelitian ini adalah
merancang sistem prototipe deteksi dini tahap retinopati hipertensi dan menganalisis efektivitas dan akurasi fitur
gabungan rasio diameter arteri dan vena (AVR) dengan perubahan posisi Disk Optik (OD) di gambar retina untuk
klasifikasi retinopati hipertensi menggunakan Deep Neural Network dan mesin Boltzmann.

Referensi
[1]. Irshad, Samra., Salman, Muhammad., Akram, M. Usman., Yasin, Ubaidullah. (2015). Deteksi otomatis Tempat
Kapas Wol untuk diagnosis Retinopati Hipertensif. Prosiding Konferensi Teknik Biomedis Internasional Kairo
ke-7, CIBEC. hal.121-124.
[2]. Moor, HJ 1985. Apa itu Etika Komputer? Metafilosofi, 16 (4): 266–275.
[3]. R. Katakam, K. Brukamp, RR Townsend. (2008). Apa pemeriksaan yang tepat dari seorang pasien dengan
hipertensi? Cleve Clin J Med, Vol. 75, hlm. 663-72.
[4]. Garner, N. Ashton. (1979). Patogenesis retinopati hipertensi: Ulasan, JR Soc Med, Vol. 72, hlm. 362-365.
[5]. K. Noronha, KT Navya, KP Nayak. (2012). Sistem Pendukung Deteksi Otomatis Retinopati Hipertensif
menggunakan Gambar Fundus, Konferensi Internasional tentang Desain Elektronik dan Pemrosesan Sinyal
(ICEDSP), hal.7-11.
[6]. Ortíz, Daniel., Cubides, Mauricio., Suárez, Andrés., Zequera, Martha., Quiroga, Julián., Gómez,
Jorge., Arroyo, Nubia. (2010). Sistem pendukung untuk diagnosis pencegahan retinopati hipertensi. Konferensi
Internasional Tahunan Rekayasa IEEE di Masyarakat Kedokteran dan Biologi, EMBC'10. hal.5649-5652.
[7]. Manikis, Georgios C., Sakkalis, Vangelis., Zabulis, Xenophon., Karamaounas, Polykarpos.
, Triantafyllou, Areti., Douma, Stella. (2011). Kerangka Analisis Gambar untuk Penilaian Awal Tanda
Retinopati Hipertensif. Prosiding Konferensi Internasional ke-3 tentang E-Health dan Bioengineering - EHB,
24-26 November 2011, Iaşi, Romania.
[8]. K. Narasimhan, VC Neha, K. Vijayarekha (2012). Diagnosis Retinopati Hipertensif dari
citra fundus dengan memperkirakan AVR, Konferensi Internasional tentang Optimalisasi Pemodelan dan
Komputasi (IC-MOC), Teknik Procedia, Vol. 38, hlm. 980-993.
[9]. Q. Mirsharif, F. Tajeripour, H. Pourreza. (2013). Karakterisasi otomatis pembuluh darah sebagai
arteri dan vena gambar inretinal, Computerized Medical Imaging and Graphics, Vol. 37, hlm..
607-617
[10]. Muramatsu, Y. Hatanaka, T. Iwase, T. Hara, H. Fujita. (2010). Deteksi otomatis dan klasifikasi pembuluh retina
utama untuk penentuan rasio diameter arteri dan vena, Proc. dari SPIE Vol. 7624, Pencitraan Medis.
[11] Fukushima, K. (1988). Neocognitron: Sebuah jaringan saraf hirarkis yang mampu mengenali pengenalan visual.
Neural Networks, 1(2), 119-130.
[12] LeCun, Y., Jackel, LD, Bottou, L., Cortes, C., Denker, JS, Drucker, H., Vapnik, V. (1995).
Algoritma pembelajaran untuk klasifikasi: Perbandingan pada pengenalan angka tulisan tangan. Saraf Tiruan
Jaringan: Perspektif Mekanika Statistik, 261–276.
[13] Shan, Juan, Li, Lin. (2016). Ulasan: Metode Pembelajaran Mendalam untuk Deteksi Microaneurysm pada
Gambar Fundus. IEEE First Conference on Connected Health: Aplikasi, Sistem dan Teknologi Rekayasa, 978-
1-5090-0943-5 / 16, hlm 357-358.
[14]. Nair, V., & Hinton, GE (2010). Unit Linear Yang Diperbaiki Meningkatkan Mesin Boltzmann Terbatas.
Prosiding Konferensi Internasional ke-27 tentang Pembelajaran Mesin, 807–814.
https://doi.org/10.1.1.165.641.
[15]. Abbasi, Uzma Gulzar, Akram, Usman M. (2014). Klasifikasi pembuluh darah sebagai arteri dan
vena untuk diagnosis retinopati hipertensi. Konferensi Teknik Komputer Internasional.
5-9.