REVIEW JURNAL : Detection of Diabetic Retinopathy Images using A Fully Convolutional Neural Network

Sumber : futurism.com

Cerita sedikit, jadi beberapa waktu lalu saya sempat berbincang hangat dengan salah satu dosen saya. Dosen terkece sedunia (wididau wkwk). Sebut saja namanya Mister A (MahaGuru :D). Kami berbincang mengenai topik penelitian yang sedang hangat dan masih banyak yang bisa dikembangkan. Kami berbincang serius layaknya Eisntein and Eddington (anyiiiing), tibalah pada satu topik yang kemudian dan insyaallah akan fokus saya pelajari. Convolutional Neural Network (CNN). CNN merupakan bagian dari Deep learning. Jadi singkat cerita, Mr A menyarankan saya untuk membaca jurnal-jurnal tentang CNN. Ibarat menyelam sambil minum air, beliau juga menyarankan untuk mereview jurnal-jurnal yang telah say baca dan ditulis di SeeverBlog. Haaa? Ternyata Dosen Kece ini tau SeeverBlog (Uwaaaw).

Nah, karena sebab demikian diatas yang telah saya ceritakan, kemungkinan besar kedepannya SeeverBlog akan banyak menulis review jurnal-jurnal yang berhubungan dengan Deep Learning Khususnya Convolutional Neural Network dan spesialnya penerapan CNN pada diagnosa Diabetes melalui citra retina yang insyaallah akan menjadi topik penelitian akhir S1 saya, (Skripsweet Anyiiing). Doakan lancar ya kawan-kawan.

Oke, jurnal pertama yang akan saya riview adalah jurnal Internasional dari “International Conference on Data Science and Business Analytics”. Karya : Manaswini Jena, Smita Prava Mishra, Debahuti Mishra (Department of Computer Science & Informatics, ITER Sikhsa 'O' Anusandhana University) jurnal asilinya bisa anda dapatkan disini.

A.    Overview

Tujuan dari penelitian ini adalah mengembangkan model jaringan saraf tiruan untuk klasifikasi diabetic retinopathy  yang merupakan penyebab utama kebutaan yang disebabkan oleh diabetes. Sebuah jaringan deep learning berdasarkan fully convolutional neural network dikembangkan untuk mengklasifikasikan disease dari citra fundus kamera. Citra kamera fundus yang digunakan adalah dataset dari High-Resolution Fundus (HRF)  Jaringan yang dibuat dikembangkan dalam penelitian ini adalah CNN dengan enam lapisan convolutional layer yang juga diikuti dengan fungsi aktifasi jenis rectified linear unit (ReLu) dan max pooling layer. Model yang dikembangkan dalam penelitian ini disebut lebih cepat dalam melakukan komputasi karena tidak semua node yang saling terhubung, walaupun demikian model CNN ini dapat bersaing dalam segi akurasi yaitu sebesar 91,66 %.

B.     Latar Belakang Penelitian

Diabetic Retinopathy merupakan penyebab utama dari kebutaan di seluruh dunia yang melibatkan kerusakan vaskular dan saraf pada retina. Efeknya melibatkan pertumbuhan pembuluh darah yang abnormal yang menyebabkan perdarahan vitreous di retina mata, yaitu jaringan peka cahaya yang terletak di bagian belakang mata. Tingginya konsentrasi gula dalam darah merusak dinding pembuluh darah kecil di mata yang mengakibatkan berganti-ganti struktur dan fungsinya. Pembuluh darah ini bisa tumbuh lemah, pembuluh yang rapuh yang menyebabkan kebocoran dan kerusakan.

Diagnosis penyakit-penyakit ini seperti retinopati diabetik, edema makula diabetik (DME), katarak dan glaukoma dapat dilakukan melalui citra retina. Peneliti terdahulu telah banyak melakukan penelitian untuk mendeteksi diabetic retinopathy dengan menggunakan metode CNN tradisional. Beberapa metode yang mereka kembangkan memang dapat mengahsilkan akurasi yang tinggi, namun kekurangannya adalah saat membangun jaringan dengan akurasi yang tinggi menggunakan CNN tardisional menyebabkan proses komputasi berjalan lambat sehingga tidak efisien. Oleh karena itulah dalam penilitian ini dikembangkan jaringan CNN yang  disebut fully convotional neural network.

C.    Metode

Sebuah model  CNN tradisional biasanya terdiri dari convolutional layer, polling layer, rectified linier units (ReLUs) and fully connected layer. Kerugian dari jaringan dengan fully connected layer adalah memperlambat proses training karena adanya perubahan aturan saat dilakukan proses updating dari lapiran konvolusi. Oleh karena itu dalam penelitian ini tidak menggunakan lapisan yang saling terhubung sepenuhnya. Model CNN yang dibangun dalam penelitian ini ditunjukan pada gambar 1.

Gambar 1. Model Fully Convolutional Neural Network

Model CNN ini terdiri dari enam lapisan konvolusi, lima polling layers, lima ReLu layers dan sebuah softmax layer untuk lapisan output.  Lapisan pertama terdiri dari convolutional layers dengan ukuran 15 x 15 8 stride 3 x 3 diikuti dengan sebuah ReLu layer dan max-pooling 2x2. Kemdian pada lapisan kedua convolutional layers memiliki dimensi 7 x 7 x 16 yang juga diikuti dengan ReLU dan max-pooling dengan ukuran 2x2. Pada lapisan ketiga, convolutional layers memiliki dimensi 5x5x32 diikuti dengan sebuah ReLU layer dan pada lapisan keempat convolutional layers memiliki dimensi 3x3x32 yang diikuti dengan sebuah ReLU layer dan max-pooling layer dengan ukuran 2x2.  Pada lapisan kelima, convolutional layers memiliki dimensi 3x3x64 diikuti dengan sebuah max-pooling layer, ReLU layer dan max-pooling lagi.  Pada lapisan terakhir, convolutional layers memiliki dimensi 8x14x3 diikuti dengan sebuah softmax layer dan output layer.

D.  Hasil

Hasil dari penelitian ini adalah sebuah model CNN yang kemudian disebut Fully Convolutional Neural Network. Model dalam penelitian ini dapat melakukan klasifikasi diabetic retinopathy  dengan tingkat akurasi 91,66 %.  Berikut adalah perbandingan akurasi model Fully Convolutional Neural Network  dengan metode lain.