ABSTRAK
Pemeriksaan pembuluh darah retina sangat penting bagi dokter mata untuk mendiagnosis berbagai kelainan mata, termasuk retinopati diabetik, glaukoma, penyakit kardiovaskular, tekanan darah tinggi, arteriosklerosis, dan degenerasi makula terkait usia. Pemeriksaan manual pembuluh darah retina menimbulkan tantangan yang signifikan bagi para profesional medis karena struktur mata yang rumit, ukuran pembuluh darah yang sangat kecil, dan variabilitas lebar pembuluh. Dalam literatur terkini, sejumlah teknik otomatis untuk ekstraksi pembuluh darah retina telah diusulkan, yang menawarkan bantuan berharga bagi dokter mata dalam mengidentifikasi dan mendiagnosis gangguan mata dengan segera. Studi ini memperkenalkan model komprehensif yang menilai dan mengevaluasi kinerja 13 jaringan pembelajaran mesin canggih. Model ini bertujuan untuk berkontribusi pada ekstraksi fitur mendalam dan klasifikasi gambar untuk gambar fundus. Pendekatan yang diusulkan mengekstrak Gray-Level Co-occurrence Matrix, Histogram of Oriented Gradients, Wavelet, Tamura, Law’s of Texture Energy, dan vektor fitur tekstur Local Binary Pattern dari struktur pembuluh darah retina yang tersegmentasi. Setelah mengekstraksi fitur, buat grup dari semua kemungkinan kombinasi dengan menggunakan enam vektor fitur. Setelah analisis eksperimental yang menyeluruh, kami memilih grup vektor fitur yang sesuai dan menerapkan Machine Learning Classifier untuk mengklasifikasikan empat penyakit yang berhubungan dengan pembuluh darah retina, yaitu Retinopati Hipertensi, Miopia Patologis, Retinopati Diabetik Moderat, dan Retina Sehat. Akhirnya, dapatkan akurasi 97,7% dengan SVM Kubik.
Fitur Tekstur Fused dari Klasifikasi Penyakit Multiretina Berdasarkan Citra Retina Tersegmentasi
