Pendekatan Baru untuk Mendeteksi Glaukoma Menggunakan Pencitraan Fundus

Berdasarkan Convolutional Neural Network (CNN)

Abstrak: Glaukoma adalah salah satu penyakit mata yang dirangsang oleh tekanan cairan yang
meningkat di dalam mata, merusak saraf optik dan menyebabkan kehilangan penglihatan
sebagian atau seluruhnya. Glaukoma termasuk penyakit dengan progress lambat dan biasanya
terdeteksi pada derajat yang berat. Skrining dan deteksi gambaran retina perlu dilakukan unuk
menghindari kehilangan penglihatan. Penelitian ini bertujuan untuk mendeteksi glaukoma secara
dini dengan bantuan pembelajaran mendalam terhadap ciri glaukoma. Gambaran fundus retina
digunakan untuk pelatihan dan pengujian metode yang kami usulkan. Pada langkah pertama,
gambar diproses terlebih dahulu, sebelum region of interest (ROI) diekstraksi menggunakan
segmentasi. Kemudian, bagian dari optic disc (OD) diekstraksi dari gambar yang mengandung
optic cup (OC) menggunakan deskriptor fitur hybrid, yaitu, convolutional neural network
(CNN), local binary pattern (LBP), histogram of oriented gradients (HOG), dan speeded up
robust features (SURF). Selain itu, fitur tingkat rendah diekstraksi menggunakan HOG,
sedangkan fitur tekstur diekstraksi menggunakan deskriptor LBP dan SURF. Lebih-lebih lagi,
fitur tingkat tinggi dihitung menggunakan CNN. Selain itu, peneliti telah menggunakan
pemilihan fitur dan teknik berperingkat, yaitu metode MR-MR, untuk memilih fitur yang paling
representatif. Pada akhirnya, system pengklasifikasi multi-kelas, yaitu, support vector machine
(SVM), random forrest (RF), dan K-nearest neighbor (KNN), digunakan untuk klasifikasi
gambaran fundus sehat atau sakit. Untuk menilai kinerja sistem yang diusulkan, berbagai
percobaan telah dilakukan dengan menggunakan kombinasi dari algoritma tersebut yang
menunjukkan metode yang kami usulkan berdasarkan algoritma RF dengan deskriptor fitur
HOG, CNN, LBP, dan SURF, memberikan akurasi ≤99% yang menjadi tolak ukur data dan
98,8% pada validasi silang k-fold untuk deteksi dini glaukoma.

PENDAHULUAN
Penelitian medis memainkan peran penting untuk melindungi orang dari efek jangka panjang
dari berbagai penyakit. Apalagi mata adalah organ visual yang paling penting. Deteksi penyakit
mata dilakukan oleh ahlinya berdasarkan cara manual, seperti analisis gambar mata yang cacat.
Berdasarkan pemeriksaan tersebut, penyakit mata diobati dengan mengambil berbagai tindakan
untuk mencegah infeksi penyakit mata dan pertumbuhannya. Namun, metode ini mahal,
memakan waktu, dan kurang akurat. Untuk menghindari masalah seperti itu, teknik berbasis
komputer digunakan, yang membantu para ahli untuk mendiagnosis dan mengobati penyakit ini
dalam waktu singkat dan dengan akurasi yang lebih baik. Di antara berbagai penyakit mata,
glaukoma juga merupakan salah satu penyakit yang paling mematikan. Pada penderita glaukoma,
terjadi kerusakan saraf mata yang menyebabkan hilangnya penglihatan yang bersifat permanen.
Penyebab glaukoma masih belum terungkap. Namun, tekanan intraokular, faktor keturunan, dan
miopia yang tinggi menyebabkan perkembangan penyakit ini. Penyakit ini tidak memiliki gejala
sebelum mencapai stadium lanjut. Oleh karena itu, untuk menghindari glaukoma, perawatan
yang tepat harus dilakukan guna mendiagnosis dan mengobati penyakit ini pada tahap awal.

Karena populasi yang meningkat dari hari ke hari, pasien dengan glaukoma juga meningkat cepat
disebabkan diabetes. Pasien diabetes berisiko lebih tinggi terkena retinopati diabetik yang
memiliki beberapa faktor risiko yang sama dengan glaukoma seperti hilangnya sel ganglion,
peningkatan stres oksidatif, dan lain-lain. Oleh karena itu, pasien dengan diabetes mungkin
mengalami gejala glaukoma. Glaukoma dinyatakan sebagai penyebab utama kebutaan lainnya di
seluruh dunia seperti yang diperkirakan oleh World Health Organization (WHO). retina dan
gambaran fundus adalah sumber deteksi penyakit pada mata. Glaukoma juga didiagnosis dari
gambaran fundus. Faktor kunci penyebab glaukoma adalah ketidakseimbangan volume cairan
yang mempertahankan bentuk mata. Ini menghasilkan tekanan pada optic nerve head (ONH) dan
menyebabkan kerusakan. Gambar yang dipindai dari penglihatan diubah menjadi sinyal visual
dan dikirim ke otak menggunakan saraf retina pada optical disc (OD). OD terdiri dari
fotoreseptor, yaitu, batang dan kerucut, yang mendukung penglihatan. Apalagi 30% bagian yang
peling terang terletak di OD, yaitu optic cup (OC), pada mata yang sehat. Berbagai metode medis
telah digunakan untuk deteksi glaukoma seperti gambaran fundus, optical coherence
tomography (OCT), dan analisis nukleus geniculate lateral pada pasien glaukoma melalui
magnetic resonance imaging (MRI), dan lain-lain. Pada penelitian ini pencitraan fundus yang
akan digunakan ditangkap dari kamera fundus. Kamera fundus menangkap dengan jelas secara
mendalam gambaran retina, memberi para praktisi analisis terperinci. Ini memiliki karakteristik
mengubah filter untuk menyempurnakan gambaran fundus yang ditangkap pada sudut yang
berbeda.

Pada gambar fundus, bagian yang menonjol pada retina adalah OD yang
terdiri dari sebuah OC dan pinggiran neuro-retina. Glaukoma dapat dideteksi
dengan mudah seiring dengan bertambahnya ukuran OC. Oleh karena itu,
pada penelitian ini akan digunakan lima tahapan yaitu pre-processing,
segmentation, ekstraksi fitur, pemilihan dan pemeringkatan fitur, dan
klasifikasi. Pada tahap pre-processing, gambaran fundus akan diperbaiki
dengan menghilangkan kebisingan dan orang asing. Fitur diekstrak dengan
bantuan kombinasi convolutional neural network (CNN) dengan HOG, LBP,
dan SURF. Selanjutnya, metode MR-MR berdasarkan peringkat digunakan
untuk fitur pilihan. Untuk klasifikasi, tiga algoritma yang berbeda telah
diterapkan, yaitu SVM, KNN, dan RF.

Berikut hal-hal yang akan dibahas pada penelitian ini. Bagian 1 menyajikan
Pendahuluan, sedangkan Bagian 2 mengacu pada pekerjaan yang telah
dilakukan mengenai deteksi glaukoma. Bagian 3 menyajikan sistem yang
diusulkan, dan Bagian 4 dan 5 melaporkan percobaan yang dilakukan dan
menyajikan kesimpulannya.

Pada penyakit glaukoma, optic disc membesar dari ukuran aslinya karena abnormalitas kondisi
mata. Sinyal yang dihasilkan dari penglihatan ditransmisikan ke otak melalui saraf optik. Daerah
saraf yang tidak memiliki batang dan kerucut disebut titik buta. Pada mata sehat, diameter OD
sekitar 1,5 mm. Berbagai teknik segmentasi telah diterapkan untuk deteksi OD, karena bagian
ini lebih terang dari bagian retina lainnya. Segmentasi adalah proses untuk mengekstraksi
gambar latar depan sebagai wilayah yang diamati dan memisahkannya dari latar belakang.
Teknik berbasis segmentasi diusulkan berdasarkan algoritma clustering C-means fuzzy. Jarak
tertimbang dihitung antara piksel dan titik pusat. Pada akhirnya, koefisien fuzzy dihitung dan
algoritmanya mengungguli beberapa algoritma segmentasi yang ada. Teknik lain berbasis
segmentasi, yaitu one-pass alignment atlas set for image segmentation (OASIS), diusulkan untuk
citra MR. Untuk segmentasi OD, teknik berbasis template diusulkan. Algoritma transformasi
DAS digunakan pada varian gambar yang dimodifikasi. Diperoleh akurasi algoritma senilai 90%.
Selanjutnya, deteksi cerdik pada tepi dan transformasi Hough digunakan untuk lokalisasi OD.
Evaluasi kinerja menggambarkan bahwa pekerjaan yang diusulkan mencapai akurasi 97% untuk
lokalisasi dan 82% untuk segmentasi. Liu dkk menggunakan teknik berdasarkan morfologi dan
vektor gradien untuk mendeteksi OD menggunakan lokalisasi dan segmentasi. Akurasinya
96,7% dan sensitivitasnya 95,1%. Fitur berbasis intensitas ekstraksi telah digunakan untuk
mengekstrak multi-fitur, dan metode berbasis pembelajaran yang mendalam diadopsi untuk
mengklasifikasikan gambar menggunakan dataset standar. Segmentasi berbasis OC merupakan
tugas yang menantang untuk mendeteksi glaukoma. Metode berbasis tingkat variasi digunakan
untuk segmentasi OC. Tepi di daerah kutub telah dideteksi untuk mendeteksi glaukoma. Teknik
ini didasarkan pada ARGALI, sebuah sistem otomatis yang menggunakan banyak metode untuk
segmentasi OD dan OC. Segmentasi dari OC dilakukan dengan menggunakan teknik fixed
thresholding. Cheng dkk menggunakan segmentasi OC super berbasis piksel, yang
mempertimbangkan OC berukuran sedang.

Bidang penting penelitian glaukoma lainnya didasarkan pada algoritma pembelajaran mendalam.
Arsitektur convolutional neural network digunakan pada gambaran fundus untuk mendeteksi
glaukoma. Jaringan saraf yang sepenuhnya konvolusional digunakan untuk pelatihan dan
klasifikasi OC dan DC secara bersamaan. Pengambilan sampel entropi digunakan untuk
segmentasi OC dan OD. Jalur klasifikasi digunakan dengan bantuan dari metode pembelajaran
yang mendalam untuk mendeteksi cacat pada saraf retina. Fitur lokal dan fitur holistik dengan
kombinasi jaringan konvolusional secara mendalam digunakan untuk klasifikasi glaukoma.
Algoritma residual secara mendalam digunakan pada gambaran fundus untuk mendeteksi
glaukoma dan hasilnya dibandingkan dengan dokter mata. Teknik berbasis auto-encoder jarang
digunakan untuk mendeteksi glaukoma. Berbagai teknik telah digunakan untuk mendeteksi
glaukoma sebagian besar membutuhkan lebih banyak waktu untuk deteksi dan klasifikasi dan
mencapai akurasi yang lebih rendah daripada metode yang kami usulkan.
Kontribusi utama dari penelitian yang kami usulkan adalah sebagai berikut:
• Sebuah algoritma baru dan kuat yang dapat melakukan deteksi dini penyakit mata, yaitu,
glaukoma pada gambar fundus yang menunjukkan retina. Deskriptor fitur hibrida digunakan
untuk mengekstrak fitur, seperti CNN dengan LBP, HOG, dan SURF. Selain itu, algoritma
pemilihan fitur, yaitu MR-MR, digunakan untuk memilih fitur yang paling representatif untuk
klasifikasi. Pada akhirnya, pengklasifikasi biner digunakan untuk mendeteksi penyakit, seperti
KNN, RF, dan SVM.
• Metode yang diusulkan adalah metode baru untuk mendeteksi glaukoma. Metode ini
memperlakukan daerah perhatian berdasarkan template yang memastikan ekstraksi bagian yang
rusak pada gambaran fundus retina. Selain itu, telah terbukti adanya struktur patologis, pembuluh
darah, kebisingan, bentuk OD yang tidak teratur, dan kecerahan yang tidak merata yang
mempengaruhi segmentasi OD. Namun, metode ini bekerja secara efektif pada skenario tersebut.
• Performa algoritma yang diusulkan dievaluasi pada 40% dataset pengujian (1500 gambar
fundus). Selain itu, validasi silang k-fold untuk k = {1, 2, 3, 4, 5} dilakukan dengan
menggunakan dua set data, yaitu DRISHTI-GS dan RIM-ONE. Akurasi algoritma yang didapat
99% pada gambar pengujian dan 98,8% pada validasi silang.