Rancang Bangun Instrumen USG Mini untuk Pra-Diagnosis Glukoma Berbasis Image Processing

Wisnu Adi Prasetyanto; Sariayu Wulandari; Daffa Mustafaro Irfansyach

doi:10.24176/simet.v14i2.11309

Rancang Bangun Instrumen USG Mini untuk Pra-Diagnosis Glukoma Berbasis Image Processing

Wisnu Adi Prasetyanto
Sariayu Wulandari
Daffa Mustafaro Irfansyach

Abstract

Glaukoma adalah gangguan penglihatan yang menyebabkan kerusakan pada saraf mata dan kehilangan lapang pandang progresif. Kebutaan akibat glaukoma menjadi penyebab utama kebutaan di seluruh dunia, kedua setelah katarak. Penurunan tekanan intraokular adalah langkah utama dalam perawatan glaukoma untuk mencegah kebutaan dan perkembangan tingkat lanjut. Faktor risiko utama glaukoma meliputi usia, latar belakang genetik, dan peningkatan tekanan intraokular. Penelitian ini bertujuan untuk mengembangkan alat deteksi glaukoma berbasis Ultrasonografi menggunakan Arduino. Metode pengolahan data mencakup Momen Invariant, Principal Component Analysis (PCA), dan Fuzzy C-Means (FCM). Data sampel diperoleh dari 12 pasien dengan glaukoma dan 12 mata normal, masing-masing diambil 8 kali pengulangan. Hasil dari metode ini memiliki akurasi sebesar 80,21% dalam membedakan mata normal dan glaukoma berdasarkan data citra yang diambil. Dengan alat deteksi glaukoma berbasis Ultrasonografi ini, diharapkan dapat memfasilitasi deteksi dini penyakit glaukoma dan mencegah perkembangan lebih lanjut yang dapat menyebabkan kebutaan. Penggunaan teknologi kecerdasan buatan dan pemrosesan citra membuktikan bahwa metode pengolahan data dengan Momen Invariant, PCA, dan FCM dapat memberikan hasil analisis citra yang efektif dan akurat dalam mendeteksi glaukoma.

Keywords

Glaukoma; Ultrasonografi; Momen Invariant; Principal Component Analysis; Fuzzy C-Means

Teks Lengkap:

PDF

Referensi

[1] Garg, Anurag, et al. "Efficacy of repeat selective laser trabeculoplasty in Medication-Naive open-angle glaucoma and ocular hypertension during the light trial." Ophthalmology 127.4 (2020): 467-476.

[2] Baudouin, Christophe, et al. "Inflammation in Glaucoma: From the back to the front of the eye, and beyond." Progress in Retinal and Eye Research 83 (2021): 100916.

[3] Orlando, José Ignacio, et al. "Refuge challenge: A unified framework for evaluating automated methods for glaucoma assessment from fundus photographs." Medical image analysis 59 (2020): 101570.

[4] Kemenkes RI, “infoDatin_glaukoma_2019.pdf.” pp. 1–9, 2019.

[5] Kreft, Daniel, et al. "Prevalence, incidence, and risk factors of primary open-angle glaucoma-a cohort study based on longitudinal data from a German public health insurance." BMC Public Health 19.1 (2019): 1-14.

[6] Surve, A. et al. (2018) "Ultrasound biomicroscopy image patterns in normal upper eyelid and congenital ptosis in the Indian population." Indian Journal of Ophthalmology, 66(3), pp. 383–388. doi:10.4103/ijo.IJO_915_17.

[7] Sutton, S. and Fisher, K.L. (2016) "Sonographic Detection of Unilateral Retinoblastoma." Journal of Diagnostic Medical Sonography, 32(4), pp. 228–233. doi:10.1177/8756479316650871.

[8] Urs, R., Ketterling, J.A. and Silverman, R.H. (2016) “Ultrafast ultrasound imaging of ocular anatomy and blood flow,” Investigative Ophthalmology and Visual Science, 57(8), pp. 3810–3816. doi:10.1167/iovs.16-19538

[9] Elizabeth Jesi, V. et al. (2021) "Energetic Glaucoma Segmentation and Classification Strategies Using Depth Optimized Machine Learning Strategies." Contrast Media and Molecular Imaging, 2021. doi:10.1155/2021/5709257.

[10] Ruby, J. et al. (2014) "Glaucoma Detection and Image Processing Approaches: A Review." Journal of Current Glaucoma Practice. "Intelligent Tracking and Management of Retinal Disorders Using Ballistic Optical Imaging" View project. "Medical Robots Superseding Speech Recognition and Deep Learning" View project.

[11] Guo, X. et al. (2021) “Multimodality Image Analysis in a Cohort of Patients with Atypical Juvenile Ocular Toxocariasis,” Journal of Ophthalmology, 2021. doi:10.1155/2021/4853531.

DOI: https://doi.org/10.24176/simet.v14i2.11309