In medical science, digital image p

In medical science, digital image processing has relevance as several techniques such as MRI, CT-scan, laparoscopic and endoscopic surgeries and cancer diagnosis tools are being used currently. We present an approach for segmentation of images which are having vague boundaries between regions. The traditional segmentation techniques exhibit weak performance on edgeless images such as histology images. In contrast, the recently proposed segmentation framework exposed better results on histology dataset. It modeled images as the occlusions of realizations of textures. This concept directed us to suggest a variety of this framework. Our method achieves segmentation through convolution, factorization and deconvolution using the histograms of filter responses instead of color distributions. Based on the theoretical study, the system reveals the occlusion of textures in histology images and attains the segmentation in a faster manner. Also, we introduce a method to diagnose cancer by looking for abnormal mitosis and mutations. The histology image is classified as normal and cancer affected, for the diagnosis.

Results (Indonesian) 1:

Dalam ilmu kedokteran, pengolahan gambar digital memiliki relevansi sebagai beberapa teknik seperti MRI, CT-scan, operasi laparoskopi dan Endoskopi dan alat diagnosa kanker yang digunakan saat ini. Kami menyajikan sebuah pendekatan untuk segmentasi gambar yang memiliki batas-batas yang jelas antara daerah. Teknik tradisional segmentasi yang menunjukkan kinerja yang lemah pada edgeless gambar seperti Histologi gambar. Sebaliknya, kerangka kerja baru saja diusulkan segmentasi terkena hasil yang lebih baik pada Histologi dataset. Ini model gambar sebagai occlusions realisasi dari tekstur. Konsep ini mengarahkan kita untuk menunjukkan berbagai kerangka kerja ini. Metode kami mencapai segmentasi melalui lilitan, factorization dan deconvolution menggunakan histogram tanggapan filter alih-alih distribusi warna. Berdasarkan studi teoritis, sistem mengungkapkan oklusi tekstur dalam gambar Histologi dan mencapai segmentasi secara lebih cepat. Juga, kami memperkenalkan sebuah metode untuk mendiagnosa kanker dengan mencari abnormal mitosis dan mutasi. Gambar Histologi diklasifikasikan sebagai normal dan kanker terpengaruh, untuk diagnosis.

Results (Indonesian) 2:

Dalam ilmu kedokteran, pengolahan citra digital memiliki relevansi sebagai beberapa teknik seperti MRI, CT-scan, laparoskopi dan operasi endoskopi dan diagnosis kanker alat yang digunakan saat ini. Kami menyajikan sebuah pendekatan untuk segmentasi gambar yang memiliki batas-batas yang tidak jelas antara daerah. Teknik-teknik segmentasi tradisional menunjukkan kinerja yang lemah gambar edgeless seperti gambar histologi. Sebaliknya, kerangka segmentasi baru yang diusulkan terkena hasil yang lebih baik pada histologi dataset. Ini model gambar sebagai oklusi dari realisasi tekstur. Konsep ini mengarahkan kita untuk menyarankan berbagai kerangka kerja ini. Metode kami mencapai segmentasi melalui konvolusi, faktorisasi dan dekonvolusi menggunakan histogram dari respon filter bukannya distribusi warna. Berdasarkan kajian teoritis, sistem mengungkapkan oklusi tekstur dalam gambar histologi dan mencapai segmentasi secara lebih cepat. Juga, kami memperkenalkan metode untuk mendiagnosa kanker dengan mencari mitosis abnormal dan mutasi. Histologi gambar tergolong normal dan kanker terpengaruh, untuk diagnosis.