Radayanti, Putri Norma Aprilia (2020) Klasifikasi Jenis Kerusakan pada Retina dari Citra Optical Coherence Tomography 2D Berbasis Convolutional Neural Network. Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
07311640000007-Undergraduate_Thesis.pdf Download (3MB) | Preview |
Abstract
Salah satu modalitas yang digunakan untuk pemeriksaan kerusakan retina adalah Optical Coherence Tomography (OCT). Saat ini, pemeriksaan menggunakan OCT masih bersifat manual dimana setelah dilakukan akuisisi, dokter akan melakukan diagnosa melalui beberapa tahap. Namun pencitraan menggunakan OCT rentan terhadap speckle noise dan memiliki kontras gambar yang rendah antar lapisan retina sehingga menyebabkan sulitnya dalam membedakan struktur anatomi retina yang berpengaruh pada penentuan jenis kerusakan retina. Dalam tugas akhir ini diajukan sebuah sistem untuk mengklasifikasi jenis kerusakan retina. Berbeda dengan penelitian sebelumnya, alih-alih menggunakan transfer learning untuk mengklasifikasi jenis kerusakan retina, sistem yang diajukan menggunakan rancangan Convolutional Neural Network (CNN) yang didesain mandiri dengan konfigurasi yang lebih sederhana untuk melakukan klasifikasi. Sistem yang diajukan juga dilengkapi dengan tahapan pra pengolahan berupa segmentasi area ROI serta reduksi speckle noise. Kemudian dilakukan tahapan balancing data guna menyeimbangkan persebaran jumlah data masing-masing kelas. Algoritma segmentasi ROI yang telah diimplementasikan memiliki prosentase tingkat kegagalan dalam mensegmentasi area ROI citra sebesar 0.016%. Sedangkan implementasi reduksi noise menggunakan bilateral filter dengan parameter sigma range sebesar 0.5 dan sigma spatial sebesar 20 menghasilkan nilai PSNR yang paling tinggi yaitu sebesar 32.56 dB. Kemudian terdapat 4 prosedur pengujian CNN yang dilakukan. Pengujian kondisi 1 dilakukan dengan kondisi citra input merupakan citra terpraproses serta tidak dilakukannya balancing data. Pengujian kondisi 2 dilakukan dengan kondisi citra input merupakan citra terpraproses serta dilakukan balancing data menggunakan teknik weight balancing. Pengujian kondisi 3 dilakukan dengan kondisi citra input merupakan citra terpraproses serta dilakukan tahapan balancing data menggunakan teknik random undersampling. Pengujian kondisi 4 dilakukan dengan kondisi citra input merupakan citra yang tidak terpraproses serta dilakukannya tahapan balancing data menggunakan teknik random undersampling. Hasil terbaik didapatkan pada pengujian kondisi 4 dimana dihasilkan nilai akurasi sebesar 94.2%, rata-rata presisi 94.2%, rata-rata sensitivitas 94.2% dan rata-rata spesifisitas sebesar 98.2%.
======================================================================================================================
One of the modalities used to examine retinal abnormality is Optical Coherence Tomography (OCT). The examination using OCT scan is still manual. The opthalmologist will manually identify all the retinal layers, then identify the abnormal layer where is the abnormality occurs, and finally correlate with the pathophysiology of the disease. This process is often complicated, time consuming, and laborious. In other side, imaging using OCT is susceptible to speckle noise that reduce image quality and it is hard to clearly distinguish anatomical structures that contribute to classification process of the retinal abnormality. An automated classification of retinal abnormality is proposed in the research. In contrast to previous studies, instead of using pre-trained model of CNN to classify the types of retinal abnormality, the proposed system use a self-designed CNN model with a simpler configuration for the classification process. The proposed system is also accompanied by an algorithm for segmenting the Region of Interest (ROI) and reducing speckle noise of the retina. Then, the balancing data process is performed to balance the distribution of dataset. The segmentation algorithm has been implemented with a percentage of failure rate in segmenting the ROI by 0.016%. Whereas the reduction speckle noise using bilateral filter result the best PSNR value by 32.56 dB. The evaluation of CNN is done with four different conditions to know the effect of segmented image and balanced data process. The first condition is preprocessed image and unbalanced data. The second condition is preprocessed image and balanced data using weight balancing method. The third condition is preprocessed image and balanced data using random undersampling method. And the last condition is unpreprocessed image and balanced data using undersampling method. The best evaluation result is obtained in the last condition with the results an accuracy of 94.2%, average precision of 94.2%, average sensitivity of 94.2%, and average specificity of 98.2%.
| Item Type: | Thesis (Other) |
|---|---|
| Uncontrolled Keywords: | bilateral filter, convolutional neural network, marching squares algorithm, optical coherence tomography, random undersampling, filter bilateral, jaringan saraf konvolusi, algoritma marching squares |
| Subjects: | R Medicine > RE Ophthalmology > RE48 Eye--Diseases. Ophthalmoscopy. |
| Divisions: | Faculty of Electrical Technology > Biomedical Engineering > 11410-(S1) Undergraduate Thesis |
| Depositing User: | Putri Norma Aprilia Radayanti |
| Date Deposited: | 25 Aug 2020 05:57 |
| Last Modified: | 01 Nov 2023 03:12 |
| URI: | http://repository.its.ac.id/id/eprint/79976 |
Actions (login required)
 |
View Item |