Perpustakaan Digital ITB

Retinopati diabetik adalah komplikasi pada mata dari penyakit diabetes melitus, dimana penyakit ini adalah salah satu penyebab kebutaan utama di dunia. Akibat gejalanya yang tidak tampak di tahap awal, penderita retinopati diabetik sering terlambat di diagnosis. Diagnosis dini untuk retinopati diabetik dapat dilakukan dengan memanfaatkan indikator klinis mikroaneurisma pada retina. Mikroaneurisma (MA) merupakan struktur berbentuk kantong yang muncul akibat penyumbatan pembuluh darah sebagai komplikasi dari diabetes pada mata. Pada penelitian ini, deteksi MA dengan segmentasi untuk mendukung diagnosis retinopati diabetik dilakukan dengan menggunakan metode deep learning berbasis arsitektur U-Net yang dimodifikasi bernama GlobalNet. Penelitian ini melakukan segmentasi semantik MA dengan menggunakan GlobalNet multiresolusi, dimana digunakan nilai resolusi citra masukan yang berbeda-beda. Perubahan ukuran citra masukan dilakukan dengan menggunakan metode interpolasi bikubik. Selain itu, penelitian ini juga mengembangkan metode untuk mengkombinasikan informasi di tingkat pixel dari seluruh keluaran model segmentasi GlobalNet multiresolusi. Evaluasi dilakukan di tingkat pixel untuk model segmentasi resolusi tunggal GlobalNet dimana didapat nilai AUPR sebesar 0,391 ± 0,026 untuk model dengan masukan citra resolusi 640 x 640 pixel (px), kemudian nilai AUPR sebesar 0,387 ± 0,035 untuk model dengan citra masukan resolusi 960 x 960 px, dan nilai AUPR sebesar 0,394 ± 0,050 untuk model dengan citra masukan resolusi 1280 x 1280 px. Nilai AUPR hasil penelitian masih memberikan nilai AUPR yang lebih rendah dibandingkan literatur sejenis. Evaluasi tingkat lesi memberikan nilai sensitivitas untuk model segmentasi GlobalNet dan metode kombinasi dengan logika, dimana nilai sensitivitas rata-rata untuk model dengan citra masukan resolusi 640 x 640, 960 x 960 px, dan 1280 x 1280 px sebesar 0,689 ± 0,063, 0,659 ± 0,041, dan 0,647 ± 0,057 berturut-turut. Sedangkan hasil kombinasi seluruh keluaran model memberikan nilai sensitivitas sebesar 0,672 ± 0,035. Nilai sensitivitas di tingkat lesi telah menunjukkan nilai sensitivitas yang lebih tinggi dibandingkan penelitian sejenis yang juga melakukan segmentasi semantik mikroaneurisma dengan arsitektur berbasis U-Net.