REVIEW JURNAL : Diabetic Retinopathy Detection by Retinal segmentation with Region merging using CNN

Implementasi convolutional neural network pada bidang kesehatan memang sangat menarik untuk didalami, kali ini saya mereview jurnal karya para peneliti dari Telecommunication SGGS Institute of Engineering &Technology Nanded, India (Sairaj Burewar†, Anil Balaji Gonde dan Santosh Kumar Vipparthi). Jurnalnya bisa anda dapatkan disini.

A.    Overview

Pada jurnal sebelumnya, karangan Manaswini Jena dkk menawarkan rancangan model CNN yang mereka sebut dengan  fully convolutional neural network. Manaswini dkk lebih fokus pada pengembangan model jaringan CNN sedangkan pada jurnal Sairaj, dkk ini menawarkan metode segmentasi pada citra irismata dengan tujuan untuk memaksimalkan hasil akurasi dari CNN.

Diabetic retinopathy (DR) memiliki fariasi tahapan, yaitu Mild nonproliferative retinopathy (Mild NPR), Moderate nonproliferative retinopathy (Modrate NPR), Severe nonproliferative retinopathy (Severe NPR), dan Proliferative diabetic retinopathy (PDR). Sehingga ouput dari penelitian ini adalah klasifikasi dari tahapan diabetes tersebut.

Metode yang digunakan pada penelitian ini adalah U-Net segmentation with region merging & Convolutional Neural Network(CNN). Jadi sebelum dilakukan proses training menggunakan CNN, citra fundus mentah di segmentasi terlebih dahulu untuk mendapatkan tekstur dari pembuluh darah di retina.

B.     Latar Belakang Penelitian

Diabetes menjadi penyebab utama kebutaan di seluruh dunia. Diabetes memiliki fariasi tahapan, dimana setiap tahapan memiliki resiko kebutaan yang  berbeda. Pada penelitian terdahulu, pengklasifikasian DR berdasarakan ekstraksi dan klasifikasi  fitur eksplesit dengan menggunakan berbagai teknik pemrosesan gambar dan teknik pembelajaran machine learning. Akusrasi yang tinggi bisa didapatkan melalui metode ini, tetapi masalahnya adalah pengklasifikasian dengan menggunaka metode ekstraksi fitur eksplesit adalah pekerjaan yang rumit. Oleh karena itu, pada penelitian ini, metode yang diusulkan untuk mendeteksi berbagai tahapan pada DR dengan menggunkan using U-Net segmentation with region merging & Convolutional Neural Network.

C.       Metode

Metode dalam penelitian ini dapat dibagi menjadi tiga tahapan yaitu, preprocessing, Retina Segmentation, (U-Net) kemudian dilanjutkan dengan klasifikasi menggunakan CNN. Pada preprocessing, pertama  dilakukan dengan menghapus bagian hitam pada citra dan mengecilkan ukuran citra gambar menjadi 480 x 480 piksel seperti yang ditunjukan pada Gambar 1.

Gambar 1. Hasil Black Boundung Remove

Setelah itu, dilakukan proses augmentasi yang bertujuan untuk mencegah terjadinya over fitting pada jaringan CNN nantinya. Setelah itu dilakukan ekstraksi channel matriks green (G) kemudian  dilanjutkan dengan enhance dimana pada proses ini dilakukan dengan menggunakan teknik equalisasi histogram adaptif terbatas (CLAHE) dengan meningkatkan kontras gambar. Gambar hasil ekstraksi greean  channel dan enhance ditujuka pada Gambar 2.

Gambar 2. Hasili Email-ekstraction, 

Setela proses enhance, dilakukan proses retinal segmentasi (U-net). Proses ini bertujuan untuk mengambil batas pembuluh darah pada retina sehingga nantinya akan memudahkan proses klasifikasi oleh CNN.

Proses segmentasi mendapatkan pola pembuluh darah pada retina, hasil dari segmentasi tersebut kemudian digabung kembali (Region Merging) dengan gambar input. Hasil segmentasi dan region merging ditujukan pada Gambar 3 berikut.

Gambar 3 Hasil segmentasi

B.    Hasil

Hasil dari penelitian ini adalah tingkat akurasi dari pengklasifikasian tahapan diabetes. Perbandungan akurasi CNN dengan segmentasi dan tanpa segmentasi ditunjukan pada table berikut.