Analisis Metode Deep Learning dalam Mengidentifikasi Penyakit Diabetic Retinopathy Melalui Citra Fundus Retina

Abstract

Diabetic retinopathy (DR) is a serious retinal disease and is considered the leading cause of blindness and is strongly associated with people with diabetes. Ophthalmologists use optical coherence tomography (OCT) and retinal fundus imagery for the purpose of assessing retinal thickness, structure, and also detecting edema, bleeding, and scarring. Deep learning models are used to analyze OCT or fundus images, extract unique features for each stage of DR, then identify images and determine the stage of disease. Our research using retinal fundus imagery is used to identify diabetic retinopathy disease, among others, using the Convolutional Neural Network (CNN) method. The methodology stage in the study was green channel, Contrast Limited Adaptive Histogram Equalization (CLAHE), morphological close, and background exclusion. Next, a segmentation process is carried out that aims to generate binary imagery using thresholding techniques. Then the binary image is used as training data conducted epoch as much as 30 times in order to obtain an optimal training model. After testing, deep learning method with CNN algorithm obtained 95.355% accuracy in identification of diabetic retinopathy disease based on fundus image in retina.

Penyakit diabetic retinopathy (DR) merupakan penyakit retina yang serius dan dianggap sebagai penyebab utama kebutaan dan sangat berkaitan dengan orang yang mempunyai penyakit diabetes. Dokter mata menggunakan optical coherence tomography (OCT) dan citra fundus retina untuk tujuan menilai ketebalan retina, struktur, selain itu juga mendeteksi edema, perdarahan, dan bekas luka. Model deep learning digunakan untuk menganalisis gambar OCT atau fundus, mengekstrak fitur unik untuk setiap tahap DR, kemudian mengidentifikasikan gambar dan menentukan stadium penyakit. Penelitian dengan memanfaatkan citra fundus retina dimanfaatkan untuk mengidentifikasi penyakit diabetic retinopathy ini diantaranya ada menggunakan metode Convolutional Neural Network (CNN). Tahap metodologi pada penelitian yaitu green channel, Contrast Limited Adaptive Histogram Equalization (CLAHE), morphological close, dan background exclusion. Berikutnya dilakukan proses segmentasi yang bertujuan untuk menghasilkan citra biner dengan menggunakan teknik thresholding. Kemudian Citra biner tersebut digunakan sebagai data training yang dilakukan epoch sebanyak 30 kali agar didapatkan model pelatihan yang optimal. Setelah melakukan pengujian, metode deep learning dengan algoritma CNN diperoleh akurasi sebesar 95,355% dalam melakukan identifikasi penyakit diabetic retinopathy berdasarkan citra fundus pada retina.