Image Enhancement Segmentation and Edge Detection in MRI for Mammogram Disease

Syahrir, Moch.; Kuncoro, Akhmad; Kurniawan, Aldhi Ari; Soeleman, Moch Arief; Shidik, Guruh Fajar

doi:10.1109/isemantic.2018.8549801

Cited by 3 publications

(3 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Segmentation is one of the most important phases while processing an image digitally. A given image can be divided into several distinct regions that are not overlapped with each object or region having similar attributes is known as segmentation [1]. In a simpler way, if there is only a single object in entire image, then separating that object from its background is a process of segmentation.…”

Section: Introductionmentioning

confidence: 99%

A Performance Comparison of Supervised and Unsupervised Image Segmentation Methods

Baby

Devaraj

Mathew³

et al. 2020

SN COMPUT. SCI.

View full text Add to dashboard Cite

Image processing plays a vital role in many recent computer applications in the association with machine learning technology. The supervised training on dataset of features can only be successful if the segmentation process is accurate in the computer vision phase. The term segmentation is the process of extracting or identification of distinguishable regions in an image. This is performed based on the properties of image pixel intensity values and their proximities. This paper mainly focuses on an investigation of various latest image segmentation techniques performed in the field of computer vision and image processing. Segmentation plays a vital role in computer vision since any fault in segmentation will led to inaccurate extraction of features which results in wrong prediction of the decision support systems.

show abstract

Section: Introductionmentioning

confidence: 99%

A Performance Comparison of Supervised and Unsupervised Image Segmentation Methods

Baby

Devaraj

Mathew³

et al. 2020

SN COMPUT. SCI.

View full text Add to dashboard Cite

show abstract

“…Segmentasi gambar adalah proses yang bertujuan untuk mendapatkan objek terkandung di dalam suatu gambar atau membagi gambar menjadi beberapa wilayah atau area dengan setiap objek atau wilayah yang memiliki atribut yang sama (Syahrir et al, 2018). Pada segmentasi dengan data berupa gambar, AI membagi gambar menjadi beberapa area sesuai kedekatan jenis pixelnya, sehingga dapat memperkirakan bentuk dari suatu objek.…”

unclassified

“…Dalam penelitian ini lebih khusus membahas tentang segmentasi semantik yang berkaitan dengan class imbalanced atau class dari piksel yang tidak seimbang pada class yang diberikan dalam suatu gambar. Imbalanced class dalam segmentasi semantik gambar akan terjadi jika piksel yang sesuai dengan class tertentu jauh lebih banyak (mayoritas) daripada piksel dari satu atau lebih class (minoritas), kelangkaan class minoritas dalam data pelatihan menghambat pembelajaran dan pelabelan yang akurat, karena model yang dipelajari akan cenderung mengklasifikasikan sebagian besar piksel sebagai anggota class mayoritas, hal ini mengakibatkan kurang tepatnya hasil segmentasi (Small & Ventura, 2017). Class Imbalanced dapat terjadi karena beberapa kemungkinan, yaitu kesalahan atau kekurangan dalam pengambilan data, kemungkinan yang lain adalah dari awal datanya memang sudah tidak seimbang (imbalanced).…”

unclassified

Peningkatan Performa Ensemble Learning pada Segmentasi Semantik Gambar dengan Teknik Oversampling untuk Class Imbalance

Nugroho,

Soeleman,

Pramunendar

et al. 2023

JTIIK

View full text Add to dashboard Cite

Perkembangan teknologi dan gaya hidup manusia yang semakin tinggi menghasilkan data-data yang berlimpah. Data-data tersebut dapat berbentuk data yang terstruktur dan tidak terstruktur. Data gambar termasuk dalam data yang tidak terstruktur. Aktifitas dan objek yang terekam dalam suatu gambar beraneka ragam. Secara normal, mata manusia dapat dengan mudah membedakan antara foreground dan background dari suatu gambar, tetapi komputer membutuhkan pembelajaran dalam membedakan keduanya. Segmentasi gambar adalah salah satu bidang dalam computer vision yang membahas bagaimana cara komputer mempelajari dan mengenali segmen dari suatu gambar sesuai label yang ditentukan. Dalam kenyataannya banyak data yang mempunyai class atau label yang tidak seimbang, tentunya akan mempengaruhi tingkat akurasi dari suatu prediksi. Dalam riset ini membahas bagaimana meningkatkan akurasi segmentasi semantik gambar pada metode ensemble learning untuk menangani masalah data yang tidak seimbang dalam segmentasi gambar. Teknik yang digunakan adalah sintetis oversampling sehingga menghasilkan data yang seimbang dan akurasi yang tinggi. Metode ensemble learning yang digunakan adalah Random Forest dan Light Gradien Boosting Machine (LGBM). Dengan menggunakan dataset Penn-Fudan Database for Pedestrian yang mengandung imbalanced class. Penggunaan teknik sintetis oversampling dapat memperbaikki tingkat akurasi pada class minoritas. Pada algoritma random forest mengalami peningkatan akurasi sebesar 37 % sedangkan pada algoritma LGBM meningkat sebesar 41 %. AbstractThe development of technology and the increasingly high lifestyle of humans produce abundant data. These data can be in the form of structured and unstructured data. Image data is included in unstructured data. The activities and objects recorded in a picture are varied. Normally, the human eye can easily distinguish between the foreground and background of an image, but computers need learning to distinguish between the two. Image segmentation is one of the fields in computer vision that discusses how computers learn and recognize segments of an image according to specified labels. In reality, a lot of data has unbalanced classes or labels, of course, it will affect the accuracy of a prediction. This research discusses how to improve the accuracy of image semantic segmentation in the ensemble learning method to deal with the problem of unbalanced data in image segmentation. The technique used is synthetic oversampling so as to produce balanced data and high accuracy. The ensemble learning methods used are Random Forest and Light Gradient Boosting Machine (LGBM). By using the Penn-Fudan Database for Pedestrian dataset which contains a imbalanced class. The use of synthetic oversampling techniques can improve the level of accuracy in minority classes. The random forest algorithm experienced an increase in accuracy by 37% while the LGBM algorithm increased by 41%.

show abstract

Validation of Adder blocks with Shared Resource Methodology for Precise Cell Boundary Identification in Biotechnology Applications

et al. 2023

2023 3rd International Conference on Innovative Sustainable Computational Technologies (CISCT)

View full text Add to dashboard Cite

Image Enhancement Segmentation and Edge Detection in MRI for Mammogram Disease

Cited by 3 publications

References 9 publications

A Performance Comparison of Supervised and Unsupervised Image Segmentation Methods

A Performance Comparison of Supervised and Unsupervised Image Segmentation Methods

Peningkatan Performa Ensemble Learning pada Segmentasi Semantik Gambar dengan Teknik Oversampling untuk Class Imbalance

Validation of Adder blocks with Shared Resource Methodology for Precise Cell Boundary Identification in Biotechnology Applications

Contact Info

Product

Resources

About