Iris memiliki kelebihan spesifik, dimana dapat merekam semua kondisi organ, konstruksi tubuh, serta kondisi psikologis. Jejak rekam yang berkaitan dengan intensitas atau penyimpangan organ tubuh yang disebabkan oleh penyakit terdata secara sistematis dan terpola pada iris mata dan sekitarnya. Pola yang muncul pada iris mata ini dapat dikenali dengan menggunakan teknik pada pengolahan image.
Berdasarkan pola pada citra iris mata, dapat digunakan sebagai metode non-invasif untuk mendeteksi dini Diabetes Mellitus dan Kolesterol Tinggi. Diagnosis alternatif yang menghubungkan pola iris, warna, kelemahan jaringan, kerusakan dan karakteristik lainnya, yang disebut Iridologi. Iridologi dapat menunjukkan tentang kesehatan sistemik pasien. Iridologi dapat diintegrasikan dengan teknologi terbaik seperti computer vision untuk identifikasi kelainan yang akurat di berbagai organ tubuh manusia.
Computer vision, pencitraan komputer dengan menggabungkan teknologi image processing telah banyak digunakan dalam dunia medis. Bagaimana citra iris mata dapat membantu? Hal ini karena dengan melakukan ekstraksi fitur tekstur citra iris mata menggunakan metode 3D-GLCM Invariant.
Efektifitas penggunaan image processing
Pada tahap awal proses penggunaan image processing dilakukan proses pre-processing dengan mengkonversi citra iris mata RGB menjadi grayscale, kemudian dilakukan perbaikan citra dengan menggunakan metode Adaptive Histogram Equalization (AHE). Dimana perbaikan citra digunakan untuk melakukan penajaman kualitas citra. Langkah berikutnya melakukan segemnatasi citra untuk memisahkan iris mata dengan bagian lainnya dan mencari ekstraksi fitur dan tahap terakhir dilakukan identifikasi citra iris mata.
Data citra iris mata yang digunakan dalam penelitian ini, diambil dari foto citra mata dari pasien rawat jalan Poli Penyakit Dalam Rumah Sakit Universitas Airlangga. Dimana terdapat kriteria inklusi, yaitu : pasien laki-laki atau perempuan, usia 20 tahun, tidak mengidap katarak, iris mata tidak pernah mengalami luka dan iris mata tidak pasca operasi. Dataset yang disusun terdiri dari 100 citra iris mata kanan dan 100 citra iris mata kiri.
Ekstraksi fitur yang digunakan untuk penggalian informasi citra menggunakan pengembangan Grey Level Co-occurrence Matrix (GLCM) secara volumetrik, yaitu 3D-GLCM. Pada 3D-GLCM mirip dengan varian 2D-GLCM, tetapi vector perpindahannya didefiniskan dengan menggunakan tiga koordinat x,y,z dan jumlah orientasi yang lebih tinggi. Elemen dari three-dimensional co-occurance matrix merupakan frekuenasi kemunculan pasangan nilai keabuan citra asal, pada arah dan jarak yang ditentukan. Jumlah piksel tetangga yang mungkin dalam pembentukan 3D-GLCM sangat dipengaruhi oleh besarnya citra asal yang digunkan.
Dengan menginterprestasikan 3D-GLCM sebagai fungsi density probabilitas yang dideskritisasi, dimungkinkan untuk membangun satu set fitur tekstur Haralick yang dimodifikasi secara asimtotik invariant terhadap kuantisasi image. Pada fitur invariant dengan mempertahankan interprestasi aslinya. Kami menunjukkan bahwa fitur invarian dapat digunakan dalam pengaturan identifikasi yang berbeda.
Kekuatan fitur ekstraksi adalah kemampuan untuk mengukur pola dasar yang tidak terlihat oleh mata manusia. Konstruksi fisik dan tampilan sisipan tekstur yang diketahui memungkinakn untuk berhipotesis bagaimana beberapa fitur tekstur dapat berperilaku. Proses ektraksi fitur terdapat dua sub proses, yaitu pembentukan 3D-GLCM dan perhitungan fitur ekstraksi dengan enam ciri statistik, yaitu max probability, entropi, energy, korelasi, kontras dan homogenitas.
Pada proses pembentukan 3D-GLCM dilakukan dengan jarak d=1, dengan arah 00, 450, 900, 1350, 1800, 2250, 2700, dan 3150. Setelah mendapatkan setiap elemen 3D-GLCM digunakan sebagai acuan untuk menghitung nilai ciri statistik tersebut. Dimana ciri statistik yang digunakan adalah max probability, energy, correlation, contrast, dan homogenitas. Perhitungan ektraksi fitur Haralick dimodifikasi secara asimtotik invariant yang dilakukan berdasarkan dari matrik simetris yang dihasilkan dalam pembentukan matrik 3D-GLCM tanpa proses normalisai.
Dataset yang digunakan dalam penelitian ini, yaitu dataset I merupakan citra iris mata kanan dan dataset II merupakan citra iris mata kiri. Setiap dataset dibagi menjadi dua bagian, yaitu bagian pertama digunakan untuk proses pembalajaran sebesar 80% dari data set dan bagian kedua digunakan untuk pengujian, sebesar 20% dari data set. Proses pengujian menggunakan konsep 5-fold validation. Pengujian dilakukan untuk identifikasi image iris dengan 4 class, yaitu Class Diabetes Mellituse, Class Kolesterol Tinggi, Class Kolesterol tinggi dan diabetes mellituse, serta Class Normal.
Dari pengujian dataset menunjukkan bahwa penggunaan metode modifikasi 3D-GLCM yang diajukan yaitu 3D-GLCM Invarian, memberikan hasil bahwa pada dataset I, akurasi mengalami rata-rata kenaikan 2.56%, presisi mengalami rata-rata kenaikan 22.87% dan recall mengalami rata-rata kenaikan 10.69%. Sedangkan pada dataset II menunjukkan adanya rata-rata kenaikan akurasi sebesar 5.07%, presisi mengalami rata-rata kenaikan 15.35% dan recall mengalami rata-rata kenaikan sebesar 14.07%.
Pada fitur invariant mempertahankan interprestasi aslinya, hal ini dapat digunakan dalam pengaturan identifikasi yang berbeda, dengan hasil yang lebih unggul dari definisi fitur aslinya. Yang berarti bahwa fitur tekstur Haralick invarian dapat direproduksi bahkan ketika kuantisasi tingkat keabuan yang berbeda digunakan. Adanya perbedaan kuantisasi image mempengaruhi nilai akurasi, presisi dan recall dari dataset yang diujikan.
Penulis: Dr. Riries Rulaningtyas, M.T
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://www.hindawi.com/journals/ijbi/2022/5336373/
Rinci Kembang Hapsari, Miswanto, Riries Rulaningtyas, Herry Suprajitno dan Gan Hong Seng, “Modified Gray-Level Haralick Texture Features for Early Detection of Diabetes Mellitus and High Cholesterol with Iris Image”, International Journal of Biomedical Imaging, (2022)
