Klasifikasi Neovaskularisasi Koroidal pada Fundus Retinal Images

Share on facebook
Share on google
Share on twitter
Share on linkedin
Sumber foto: https://www.merckmanuals.com
Sumber foto: https://www.merckmanuals.com

Neovaskularisasi koroidal adalah pertumbuhan pembuluh yang tidak normal dari koriokapilaris melalui membran Brunch menuju ruang dibawah epitel pigmen retina atau ruang dibawah retina. Pendeteksian neovaskularisasi koroidal dipandang sebagai hal paling penting dalam patogenesis dan tindakan pada sejumlah penderita korioretina yang salah satunya untuk pendeteksian pada digital fundus retinal images. Pada penelitian ini untuk pengklasifikasian neovaskularisasi koroidal, digunakan pendekatan pemodelan statistika berdasarkan estimator linier lokal.

Data yang digunakan terdiri atas dua kategori, yakni image normal (Y=0) dan image neovaskularisasi koroidal (Y=1), sehingga variabel respons mengikuti distribusi Bernoulli dan regresi logistik adalah salah satu pemodelan statistika yang digunakan untuk menggambarkan hubungan antara respon kategorik dan satu atau lebih variabel prediktor apakah kontinu atau kategorik dengan menggunakan fungsi penghubung logit. Dalam pemodelan statistika, generalized additive model (GAM) adalah salah satu pendekatan regresi nonparametrik yang salah satu estimatornya adalah linier lokal. Keuntungan dari estimator linier lokal adalah estimator ini dapat mengestimasi fungsi pada setiap titik sedemikian hingga hasil estimasi model dekat dengan pola riilnya, dan untuk mengestimasi model tidak memerlukan data berukuran besar.

Image yang digunakan dalam penelitian ini sebanyak 50 image yang dibagi menjadi 40 image in-sample untuk membangun model dan 10 image out-sample untuk validasi model. Proses reduksi dimensi digunakan metode Transformasi Wavelet Diskrit (TWD) dan Principal Component Analysis (PCA) dengan membuat R-code. Dengan pendekatan Generalized Additive Model (GAM) menggunakan estimator lokal linier diperoleh bandwidth optimal untuk setiap prediktor. Selanjutnya, berdasarkan bandwidth (h) optimal, model diestimasi dengan bantuan software R sedemikian hingga diperoleh dan . Selanjutnya, ditentukan nilai ambang berdasarkan ketepatan klasifikasi tertinggi sebagai cut-off probabilitas untuk mengidentifikasi image koroidal atau image normal seperti pada Gambar 1 berikut ini:

Gambar 1. Plot cut off probability versus persentase ketepatan klasifikasi  

Berdasar Gambar 1 nilai ketepatan klasifikasi tertinggi yaitu 90%  yang diperoleh pada nilai cut-off probability sebesar 0,11. Nilai = 0,021< 0,11 maka observasi ke-1 diklasifikasikan sebagai image normal. Berdasarkan in sample dan out sample data hasil klasifikasi neovaskularisasi koroidal berdasarkan retinal fundus image menggunakan pendekatan GAM berdasarkan estimator lokal linier ditampilkan dalam Tabel 1 dan Tabel 2 berikut ini:

Tabel 1 Ketepatan Klasifikasi in sample data berdasarkan estimator Lokal Linier

Observasi Prediksi Total
Neovaskularisasi Koroidal Normal
Neovaskularisasi Koroidal 18 2 20
Normal 2 18 20
Total 20 20 40

Tabel 2 Ketepatan Klasifikasi out sample data berdasarkan estimator Lokal Linier

Observasi Prediksi Total
Neovaskularisasi Koroidal Normal
Neovaskularisasi Koroidal 5 0 5
Normal 1 4 5
Total 6 4 10

Berdasar Tabel 1 dan Tabel 2 diperoleh nilai ketepatan klasifikasi dan nilai sensitivitas untuk in sample masing-masing sama yaitu sebesar 90 % dan untuk out sample masing-masing sebesar 90 % dan 83,33%. Untuk memvalidasi ketepatan klasifikasi data in-sample dan out-sample dihitung nilai Press’s Q yakni nilai Press’s Q untuk in-sample dan out-sample berturut-turut adalah 25,6 dan 6,4. Karena nilai Press’s Q tersebut adalah lebih dari  maka klasifikasi normal dan neovaskularisasi koroidal menggunakan pendekatan estimator linier lokal adalah maka model adalah stabil atau konsisten.

Dari hasil penelitian diperoleh bahwa karena sensitifitas dari klasifikasi neovaskularisasi koroidal pada fundus retinal images menggunakan linier lokal untuk in-sample dan out-sample berturut-turut adalah 90% dan 83,33%, maka penggunaan estimator linier lokal adalah lebih baik dari pada penggunaan metode optical coherence tomography (OCT) seperti yang telah diusulkan oleh peneliti sebelumnya. Dari sini dapat disimpulkan bahwa linier lokal adalah estimator yang baik untuk mengklasifikasikan neovaskularisasi koroidal pada fundus retinal images.

Penulis: Dr. Nur Chamidah, M.Si.

Informasi detil dari penelitian ini dapat dilihat pada tulisan kami di:

https://iopscience.iop.org/article/10.1088/1757-899X/546/5/052056/pdf.

Puspitawati, A. and Chamidah, N. (2019). Choroidal Neovascularisation Classification on Fundus Retinal Images Using Local Linear Estimator. IOP Conf. Series: Materials Science and Engineering, 546 052056.  DOI: 10.1088/1757-899X/546/5/052056.

Berita Terkait

UNAIR News

UNAIR News

Media komunikasi dan informasi seputar kampus Universitas Airlangga (Unair).

Leave a Replay

Close Menu