Ekstraksi Pembuluh Darah pada Citra Retina Mata
DOI:
https://doi.org/10.26486/jmai.v1i1.45Keywords:
CLAHE, ontrast enhancement, retinal image, segmentation, thresholdingAbstract
Deteksi dan ekstraksi pembuluh darah pada retina mata merupakan salah satu langkah penting untuk mengetahui atau mendiagnosa beberapa penyakit yang terkait dengan mata, misalnya mengetahui adanya pertumbuhan pembuluh darah yang tampak pada optic disc pada citra retina mata yang menandai adanya penyakit diabetes militus. Seorang pakar medis biasanya melakukan segmentasi pembuluh darah pada retina secara manual untuk kepentingan tersebut. Cara manual ini dilakukan dengan mendasarkan diri pada citra retina mata yang biasanya dihasilkan menggunakan kamera fundus. Dalam penelitian ini dilakukan ekstraksi pembuluh darah pada citra retina mata berbantuan komputer menggunakan cara-cara pengolahan citra digital. Dengan mengambil citra aras keabuan kanal Y (luminansi) dari citra, pembuluh darah diekstraksi setelah dilakukan peningkatan kontras menggunakan metode CLAHE untuk kemudian dilakukan segmentasi dengan cara thresholding. Penelitian menunjukkan bahwa metode berhasil melakukan ekstraksi pembuluh darah pada retina mata dengan akurasi tertinggi 72,47%. Hasil juga menunjukkan bahwa secara visual pembuluh darah berhasil diekstrak dengan baik, sebagian besar pembuluh darah yang tidak berhasil diekstrak merupakan pembuluh-pembuluh yang sangat halus.Downloads
Download data is not yet available.
References
Budai, et al, 2013, Robust Vessel Segmentation in Fundus Images, International Journal of Biomedical Imaging, Article ID 154860.
Duda, R.O., et al, Pattern Classification, Second Edition, John Wiley & Sons, Inc.
Jain, Anil K., 1989, Fundamental of Digital Image Processing, Prentice Hall International, Inc. Singapore.
Jelinek, et al, 2007, Automated Segmentation of Retinal Blood Vessels and Identification of Proliferative Diabetic Retinopathy”, Journal of The Optical Society of America, June 2007.
Kumar, et al, 2013, Automatic Detection of Vasculature from the Images of Human Retina Using CLAHE and Bitplane Decomposition, American Journal of Biomediacal Imaging, Vol 1, Article ID 20130133.
Mirzaalian, et al, 2007, Pre-processing Algorithms on Digital Mammograms, MVA2007 IAPR Conference on Machine Vision Applications, May 16-18, 2007, Tokyo, Japan.
Pavai and Selvi, 2013, Identification of Proliferative Diabetic Retinopathy Using Texture Segmentation, Journal of Computer Science, 9 (3):358-367, ISSN 1549-3636.
Saleh, et al, 2011, An Automated Blood Vessel Segmentation Algorithm Using Histogram Equalization and Automatic Threshold Selection, Journal of Digital Imaging, Vol 24, No 4, August 2011, pp 564-572.
Sergios Theodori, 2010, An Introduction to Pattern Recognition: A Matlab Approach, Elseivier Inc.
Lekamalage, et al, (2015) ‘Extreme Learning Machine for Clustering’, in Proceedings of ELM-2014 Volume 1 SE - 36, pp. 435–444. doi: 10.1007/978-3-319-14063-6_36.
Ortiz, et al, (2013) ‘LVQ-SVM based CAD tool applied to structural MRI for the diagnosis of the Alzheimer’s disease’, Pattern Recognition Letters, 34(14), pp. 1725–1733. doi: 10.1016/j.patrec.2013.04.014.
Duda, R.O., et al, Pattern Classification, Second Edition, John Wiley & Sons, Inc.
Jain, Anil K., 1989, Fundamental of Digital Image Processing, Prentice Hall International, Inc. Singapore.
Jelinek, et al, 2007, Automated Segmentation of Retinal Blood Vessels and Identification of Proliferative Diabetic Retinopathy”, Journal of The Optical Society of America, June 2007.
Kumar, et al, 2013, Automatic Detection of Vasculature from the Images of Human Retina Using CLAHE and Bitplane Decomposition, American Journal of Biomediacal Imaging, Vol 1, Article ID 20130133.
Mirzaalian, et al, 2007, Pre-processing Algorithms on Digital Mammograms, MVA2007 IAPR Conference on Machine Vision Applications, May 16-18, 2007, Tokyo, Japan.
Pavai and Selvi, 2013, Identification of Proliferative Diabetic Retinopathy Using Texture Segmentation, Journal of Computer Science, 9 (3):358-367, ISSN 1549-3636.
Saleh, et al, 2011, An Automated Blood Vessel Segmentation Algorithm Using Histogram Equalization and Automatic Threshold Selection, Journal of Digital Imaging, Vol 24, No 4, August 2011, pp 564-572.
Sergios Theodori, 2010, An Introduction to Pattern Recognition: A Matlab Approach, Elseivier Inc.
Lekamalage, et al, (2015) ‘Extreme Learning Machine for Clustering’, in Proceedings of ELM-2014 Volume 1 SE - 36, pp. 435–444. doi: 10.1007/978-3-319-14063-6_36.
Ortiz, et al, (2013) ‘LVQ-SVM based CAD tool applied to structural MRI for the diagnosis of the Alzheimer’s disease’, Pattern Recognition Letters, 34(14), pp. 1725–1733. doi: 10.1016/j.patrec.2013.04.014.
Downloads
Published
2017-02-28
Issue
Section
Articles