Deteksi Dan Klasifikasi Non-Proliferative Dan Proliferative Diabetic Retinopathy Menggunakan Deep Neural Network

Qomariah, Dinial Utami Nurul (2022) Deteksi Dan Klasifikasi Non-Proliferative Dan Proliferative Diabetic Retinopathy Menggunakan Deep Neural Network. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 05111860010007-Disertation.pdf - Accepted Version Restricted to Repository staff only until 1 April 2024. Download (5MB) | Request a copy

Abstract

Diabetic retinopathy merupakan penyakit pada retina yang disebabkan oleh diabetes mellitus yang menahun. Diabetic retinopathy disebabkan karena abnormalitas pada pembuluh darah di retina. Abnormalitas pembuluh darah dapat menyebabkan timbulnya microaneurysms yang merupakan kantung kecil pada pembuluh darah. Microaneurysms yang pecah menimbulkan hemorrhages. Exudates merupakan lesi yang diakibatkan pecahnya pembuluh darah yang mengandung lipid. Dengan semakin parah dan area lesi yang melebar mengakibatkan pembuluh kekurangan suplai oksigen sehingga menyebabkan munculnya pembuluh darah baru yang tipis dan rentan pecah. Diabetic retinopathy dapat dikategorikan dalam dua tahap yaitu non-proliferative diabetic retinopathy (NPDR) dan proliferative diabetic retinopathy (PDR).
Penyakit diabetic retinopathy dapat dideteksi menggunakan citra fundus retina, dimana tidak memerlukan data fundus flourescein angiography (FFA) yang membutuhkan proses invasif untuk memperolehnya. Citra fundus retina banyak digunakan untuk deteksi dan klasifikasi diabetic retinopathy karena dapat memberikan informasi terkait anatomi pembuluh darah, kemunculan dan keparahan lesi microaneurysm, exudates, dan hemorrhages. Beberapa penelitian menunjukkan bahwa terdapat keterhubungan antar fitur yang diambil dari lesi yang terdapat pada citra fundus.
Pendekatan secara konvensional masih memerlukan tahapan yang cukup banyak pada segmentasi, ekstraksi fitur dan klasifikasi dengan metode yang berbeda. Penelitian terkait dengan deteksi dan klasifikasi diabetic retinopathy menggunakan citra fundus retina pada umumnya memiliki beberapa kelemahan terutama pada proses segmentasi lesi microaneurysms, hemorrhages, dan exudates, yang menggunakan thresholding yang ditetapkan secara manual ataupun secara otomatis. Hal tersebut diakibatkan ukuran microaneurysm yang sangat kecil dan memiliki persamaan intensitas dengan hemorrhages, pembuluh darah, dan noise sehingga seringkali terjadi tidak tersegmentasi. Pada lesi hemorrhage dan exudates juga penggunaan thresholding secara manual menyebabkan proses segmentasi tidak adaptif dan lesi yang berhasil disegmentasi menjadi tidak konsisten. Setelah segmentasi pada umumnya proses dilakukan dengan ekstraksi fitur dan klasifikasi.
Pendekatan secara konvensional juga terbatas pada satu macam dataset dengan ciri-ciri citra yang hampir sama. Jika menggunakan dataset yang berbeda pendekatan secara konvensional membutuhkan tahapan proses yang berbeda agar dapat mendeteksi lesi microaneurysm, exudates, dan hemorrhage. Oleh karena itu terdapat penelitian dengan pendekatan terbaru yang menggunakan Deep Neural Network (DNN) yang mengintegrasikan layer konvolusi, aktivasi, pooling dan softmax untuk klasifikasi dan untuk segmentasi mengubah layer softmax dan klasifikasi dengan blok decoder atau unpooling untuk menghasilkan segmentasi citra. Metode DNN dapat digunakan pada beberapa dataset berbeda dengan ciri-ciri citra yang berbeda. Tetapi beberapa penelitian arsitektur network yang digunakan untuk segmentasi berbeda dengan network yang digunakan untuk klasifikasi padahal arsitektur network pada proses segmentasi membawa fitur relevan untuk klasifikasi diabetic retinopathy.
Penelitian ini mengusulkan penggabungan sistem deteksi dan klasifikasi diabetic retinopathy secara otomatis menggunakan DNN. Pada sistem pertama dilakukan segmentasi semantik pembuluh darah, microaneurysm, exudates, dan hemorrhages menggunakan arsitektur DNN, ekstraksi fitur dari arsitektur pre-trained segmentasi semantik pada pembuluh darah, microaneurysm, exudates, dan hemorrhages dan klasifikasi diabetic retinopathy menggunakan SVM. Pada sistem kedua menggunakan pre-trained state of the art CNN untuk ekstraksi fitur dan klasifikasi diabetic retinopathy menggunakan SVM.
Metode segmentasi yang diusulkan adaptif terhadap ukuran, letak, dan keparahan lesi. Arsitektur AutoEncoder digunakan pada segmentasi anatomi pembuluh darah, arsitektur MResUnet pada segmentasi microaneurysms, arsitektur modifikasi FCN-8 pada segmentasi hemorrhages dan exudates. Arsitektur metode usulan mencapai nilai sensitivity masing-masing 85.27%, 61.96%, 81.67%, dan 55.45% untuk segmentasi pembuluh darah, microaneurysms, exudates, dan hemorrhages.
Masing-masing arsitektur yang diusulkan dapat melakukan segmentasi dengan baik antara lesi dan background. Ekstraksi fitur menggunakan lapisan konvolusi blok terakhir yaitu konvolusi “conv4_1” pada arsitektur segmentasi semantik masing-masing lesi, dan klasifikasi diabetic retinopathy kelas non proliferative dan proliferative menggunakan support vector machine (SVM). Ekstraksi fitur juga menggunakan arsitektur state of the art CNN, dengan mengambil nilai fitur pada lapisan fully connected, dan klasifikasi diabetic retinopathy kelas non proliferative menggunakan SVM. Sistem klasifikasi 3 kelas menggunakan fitur dari arsitektur segmentasi semantik menghasilkan akurasi 80.0% menggunakan dataset IDRiD. Klasifikasi 2 kelas menggunakan fitur dari arsitektur state of the art menghasilkan akurasi 95.83% dan 95.24% menggunakan dataset Messidor masing-masing base 12 dan base 13.
================================================================================================
Diabetic retinopathy is a disease of the retina caused by chronic diabetes mellitus. Diabetic retinopathy is caused by abnormalities in the blood vessels in the retina. Abnormalities in blood vessels can cause microaneurysms, which are small sacs in blood vessels. A ruptured microaneurysm causes hemorrhages. Exudates are lesions caused by the rupture of blood vessels containing lipids. As it gets worse and the area of the lesion widens, the blood vessels are deprived of oxygen. This causes the appearance of new blood vessels that are thin and prone to rupture. Diabetic retinopathy can be categorized into two stages, i.e. non-proliferative diabetic retinopathy (NPDR) and proliferative diabetic retinopathy (PDR).
Diabetic retinopathy can be detected using retinal fundus images, which do not require fundus fluorescein angiography (FFA) data which requires an invasive process to obtain it. Retinal fundus images are widely used for the detection and classification of diabetic retinopathy because they can provide information related to blood vessel anatomy, the appearance, and severity of microaneurysms, exudates, and hemorrhages lesions. Several studies have shown that there is a correlation between features taken from lesions in fundus images.
The conventional approach still requires quite a lot of stages in segmentation, feature extraction, and classification with different methods. Research related to the detection and classification of diabetic retinopathy using retinal fundus images in general has several weaknesses, especially in the process of segmenting microaneurysms, hemorrhages, and exudates, using manual or automatic thresholding. This is due to the very small size of the microaneurysms and has the same intensity as hemorrhages, blood vessels, and noise that can cause frequent miss segmentation. In hemorrhage and exudate lesions, the use of manual thresholding causes the segmentation process to be unadaptive and the segmented lesions to be inconsistent. After segmentation, the process is generally carried out with feature extraction and classification.
The conventional approach is also limited to one type of dataset with almost the same image characteristics. If using different datasets, the conventional approach requires different stages of the process in order to detect meicroaneurysms, exudates, and hemorrhages. Therefore, there is a research with the latest approach that uses Deep Neural Network (DNN) which integrates the convolution, activation, pooling, and softmax layers for classification and for segmentation changing the softmax and classification layers with decoder blocks or unpooling to produce image segmentation. The DNN method can be used on several different datasets with different image characteristics. However, several studies on the network architecture used for segmentation differ from the network used for classification, although the network architecture in the segmentation process brings relevant features for the classification of diabetic retinopathy.
This study proposes the incorporation of an automatic diabetic retinopathy detection and classification system using DNN. In the first system, semantic segmentation of blood vessels, microaneurysms, exudates, and hemorrhages was performed using DNN architecture, feature extraction from pre-trained architecture semantic segmentation of blood vessels, microaneurysms, exudates, and hemorrhages, and classification of diabetic retinopathy using SVM. The second system uses pre-trained state of the art CNN for feature extraction and classification of diabetic retinopathy using SVM.
The proposed segmentation method is adaptive to the size, location, and severity of the lesion. The AutoEncoder architecture is used for blood vessels segmentation, the MResUnet architecture for the microaneurysms segmentation, and the modified FCN-8 architecture for the segmentation of hemorrhages and exudates. The architecture of the proposed method achieved sensitivity values of 85.27%, 61.96%, 81.67%, and 55.45% for the segmentation of blood vessels, microaneurysms, exudates, and hemorrhages, respectively.
Each of the proposed architectures does the segmentation properly between the lesion and the background. Feature extraction using the last convolutional block layer “conv4_1” on the semantic segmentation architecture of each lesion, and the classification of non-proliferative and proliferative diabetic retinopathy using a support vector machine (SVM). Feature extraction also uses a state of the art CNN architecture, by taking feature values in a fully connected layer and classifying non-proliferative diabetic retinopathy using SVM. The 3-class classification system using the features of the semantic segmentation architecture produces an accuracy of 80.0% using the IDRiD dataset. Classification of 2 classes using features of the state of the art architecture resulted in accuracy of 95.83% and 95.24% using the Messidor dataset of base 12 and base 13, respectively.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	diabetic retinopathy, deep learning, microaneurysm, pembuluh darah, exudates, hemorrhages, blood vessels
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55001-(S3) PhD Thesis
Depositing User:	Dinial Utami Nurul Qomariah
Date Deposited:	09 Feb 2022 03:46
Last Modified:	09 Feb 2022 03:46
URI:	http://repository.its.ac.id/id/eprint/93265

Actions (login required)

View Item