Abstract:
ABSTRACT
Image processing plays a pivotal role in various domains, including computer vision, medical imaging, and robotics. With the continuous evolution of image processing technologies, driven by advancements in computer vision and machine learning, opportunities arise for enhancing our ability to analyze and interpret digital images. This study introduces edmABC, an approach to edge detection specifically tailored for mammography image analysis. Inspired by the foraging behavior of honeybees, we adopt the Artificial Bee Colony (ABC) algorithm to identify and highlight boundaries within mammography images. Our objective is to improve edge detection in images, which is crucial to help the doctor with subsequent medical analysis and diagnosis.
The ABC algorithm was employed to explore the image space and select potential edge points based on fitness values. This approach synergizes local search, information sharing, and exploration, enhancing edge position accuracy. We introduced opposition-based learning and chaotic systems in population initialization. Additionally, grayscale values and statistical estimation were extracted to support solution evaluation.
Our proposed edmABC method demonstrates superior performance compared to standard edge detection techniques and prior research. The adaptation of the bee algorithm, coupled with grayscale values and statistical estimation, showcases excellent results.
This study presents edmABC as a promising solution for improving mammography image analysis. By leveraging the ABC algorithm and incorporating grayscale values and statistical estimation, our research contributes to the field's growing body of knowledge. The potential impact on medical diagnostics and the broader society underscores the significance of this study.
ÖZET
Görüntü işleme, bilgisayarla görme, tıbbi görüntüleme ve robotik dahil olmak üzere çeşitli alanlarda önemli bir rol oynar. Görüntü işleme teknolojilerinin bilgisayarlı görme ve makine öğrenimindeki gelişmelerin yönlendirdiği sürekli gelişimiyle birlikte, dijital görüntüleri analiz etme ve yorumlama yeteneğimizi geliştirme fırsatları ortaya çıkıyor. Bu çalışma, özellikle mamografi görüntü analizi için uyarlanmış bir kenar algılama yaklaşımı olan edmABC'yi tanıtmaktadır. Bal arılarının yiyecek arama davranışlarından ilham alarak, mamografi görüntülerindeki sınırları belirlemek ve vurgulamak için Yapay Arı Kolonisi (ABC) algoritmasını benimsiyoruz. Amacımız, doktora daha sonraki tıbbi analiz ve teşhislerde yardımcı olmak için çok önemli olan görüntülerde kenar algılamayı iyileştirmektir.
Görüntü uzayını araştırmak ve uygunluk değerlerine göre potansiyel kenar noktalarını seçmek için ABC algoritması kullanıldı. Bu yaklaşım, yerel aramayı, bilgi paylaşımını ve keşfi sinerjilendirerek uç konum doğruluğunu artırır. Popülasyonun başlatılmasında karşıtlık temelli öğrenme ve kaotik sistemleri tanıttık. Ek olarak, çözüm değerlendirmesini desteklemek için gri tonlamalı değerler ve istatistiksel tahminler çıkarıldı.
Önerilen edmABC yöntemimiz, standart kenar algılama teknikleri ve önceki araştırmalarla karşılaştırıldığında üstün performans göstermektedir. Arı algoritmasının uyarlanması, gri tonlamalı değerler ve istatistiksel tahminle birleştiğinde mükemmel sonuçlar ortaya koyuyor.
Bu çalışma, edmABC'yi mamografi görüntü analizini geliştirmek için umut verici bir çözüm olarak sunmaktadır. ABC algoritmasından yararlanarak ve gri tonlamalı değerleri ve istatistiksel tahminleri birleştirerek araştırmamız, alanın artan bilgi birikimine katkıda bulunuyor. Tıbbi teşhis ve daha geniş toplum üzerindeki potansiyel etkisi bu çalışmanın önemini vurgulamaktadır.