digilib@itb.ac.id +62 812 2508 8800

METODE KLASIFIKASI PEMBULUH ARTERI/VENA DAN PENGUKURAN RASIO ARTERIOVENOSA OTOMATIS UNTUK MENDUKUNG DIAGNOSIS RETINOPATI HIPERTENSI

Penulis : Dorothea Claresta Putripakarti [18318007]
Kontributor / Dosen Pembimbing :
  • Dr. Hasballah Zakaria, S.T., M.Sc.
  • Donny Danudirdjo, S.T., M.T., Ph.D.
  • Astri Handayani, S.T., M.T.
  • Nana Sutisna, S.T., M.T., Ph.D.
Jenis Koleksi : Tugas Akhir
Penerbit : Teknik Biomedis
Fakultas : Sekolah Teknik Elektro dan Informatika
Subjek :
Kata Kunci : retinopati hipertensi, rasio arteriovenosa, definisi segmen.
Sumber :
Staf Input/Edit : Dessy Rondang Monaomi  
File : 0 file
Tanggal Input : 25 Jun 2022

Retinopati hipertensi merupakan gangguan pada pembuluh darah retina yang disebabkan oleh tekanan darah tinggi yang tidak terkontrol. Retinopati hipertensi dapat diidentifikasi melalui pemeriksaan funduskopi dengan melihat perubahan fisiologis meliputi adanya penyempitan arteriol retina, perdarahan, dan eksudat. Penyempitan arteriol merupakan perubahan yang pertama kali muncul dan dapat dihitung dengan parameter yang disebut sebagai rasio arteriovenosa (AVR). Pengukuran AVR secara manual untuk proses diagnosis retinopati hipertensi memerlukan waktu dan keahlian yang tinggi, sehingga terdapat urgensi untuk mengembangkan metode pengukuran AVR secara otomatis. Pada penelitian sebelumnya oleh Khotimah (2021), telah dikembangkan metode pengukuran AVR secara otomati. Namun, masih ditemukan beberapa permasalahan dalam metode tersebut, meliputi adanya kesalahan dalam pendefinisian segmen pembuluh darah, kesalahan pada klasifikasi arteri/vena, serta inkonsistensi pada teknik dan lokasi pengukuran AVR. Oleh karena itu, penelitian ini mengajukan metode pengukuran AVR yang lebih optimal melalui beberapa tahapan proses, meliputi proses skeletonisasi pembuluh darah, klasifikasi arteri/vena, perbaikan definisi segmen pembuluh darah, dan pengukuran nilai AVR. Proses skeletonisasi dilakukan dengan metode Fast Marching yakni suatu teknik untuk menghitung transformasi jarak agar diperoleh garis tengah pembuluh darah dari citra segmentasi pembuluh darah pada dataset AVRDB dan INSPIRE-AVR. Untuk proses klasifikasi arteri/vena selanjutnya, digunakan 18 fitur yang dapat membedakan arteri dengan vena. Kemudian, algoritma perbaikan definisi segmen pembuluh darah ditambahkan untuk mengatasi masalah konektivitas segmen. Terakhir, pengukuran nilai AVR dilakukan dengan metode Knudtson. Nilai rata-rata AVR dihitung sepanjang ROI (region of interest) yang didefinisikan sebagai 2-3 kali radius optik disk. Pengukuran AVR dengan metode tersebut menghasilkan korelasi Pearson sebesar 0,670 terhadap referensi 1 dan 0,814 terhadap referensi 2 pada dataset INSPIREAVR.

Artikel Terkait