Perpustakaan Digital ITB

Arteriovenous ratio (AVR) merupakan parameter penting untuk menilai kesehatan vaskular sistemik dan berkorelasi dengan risiko penyakit kardiovaskular. Penurunan nilai AVR dapat mengindikasikan adanya penyempitan arteri. Akurasi perhitungan AVR sangat bergantung pada kualitas segmentasi pembuluh darah retina. Arsitektur convolutional neural network (CNN). U-Net umum digunakan melakukan segmentasi pembuluh darah retina dalam proses perhitungan AVR. Namun, terdapat kekurangan terhadap detail spasial akibat proses downsampling pada enkoder U-Net. SegRAVIR merupakan sebuah arsitektur CNN encoder-decoder yang mengintegrasikan autoenkoder. Penelitian ini bertujuan untuk melihat pengaruh penambahan autoenkoder dalam perannya melalui self-supervised learning untuk merekonstruksi citra masukan dengan tujuan mempertahankan informasi penting yang mungkin hilang selama downsampling. Hal ini diharapkan dapat mengurangi kesalahan segmentasi dan meningkatkan kemampuan generalisasi model pada citra reflektansi inframerah. Selain itu, penelitian ini menyelidiki pengaruh variasi bottleneck (bagian penghubung antara enkoder dan dekoder) dengan menguji tiga konfigurasi: direct connection, residual blocks (RB) untuk mengatasi vanishing gradient dan mempercepat konvergensi, serta RB dengan Dilated Spatial Pyramid Pooling (DSPP) untuk menangkap konteks multiskala dan mengenali pola vaskular kompleks. Hasil pengujian menunjukkan bahwa penambahan autoencoder berhasil meningkatkan nilai AUC sebesar 0,7% dan sensitivitas sebesar 1,26% dibandingkan dengan model enkoder-dekoder standar. Model dengan bottleneck berupa RB menunjukkan performa terbaik dibandingkan dengan konfigurasi koneksi langsung dan DSPP, mencapai skor Dice rata-rata 0,8248 ± 0,0490 dan AUC 0,9734 ± 0,0177. Analisis pada region of interest (RoI) juga mengindikasikan bahwa pemilihan RoI seluas 2–3 kali diameter optic disc (OD) menghasilkan kualitas segmentasi tertinggi, dengan skor Dice rata-rata 0,8292 ± 0,0818 dan AUC 0,9094 ± 0,0643.