文摘
本文提出一种新颖的方法来分割dermoscopic图像基于小波变换的近似系数已经被证明是有效的分割。本文提出的三种小说框架W-FCM, W-CPSFCM WK-Means,曾在分割使用ROC曲线分析充分证明效果很好。小说W-CPSFCM算法允许的检测数量的集群在自动模式下没有干预的专家。
1。介绍
据世界卫生组织统计,皮肤癌是人类最常见的癌症。据估计,每年超过一百万个新病例发生。此外,黑色素瘤皮肤癌的诊断尤为重要,因为如果发现的早,可以用一个简单的切除治愈。
“皮肤癌”一词指的是三种不同的条件,下面列出的升序死亡率:(我)基底细胞癌(或基底细胞癌上皮瘤),(2)鳞状细胞癌(第一阶段光化性角化病),(3)黑素瘤。
黑色素瘤通常是最严重的皮肤癌,因为它往往会迅速扩散(转移)在整个身体。
诊断皮肤癌,医生通常切除全部或部分的增长进行活检,但这被认为是一种侵入性技术。此外,一种叫做dermatoscopy的技术减少了需要利用dermatoscope活检。Dermatoscopy是一个特别有用的标准方法诊断恶性肿瘤的皮肤损伤(1]。dermatoscopy的主要优势之一是提高精度与肉眼检查(高达20%的敏感性和特异性的高达10%),从而减少不必要的良性病变手术切除术的频率(2- - - - - -4]。
此外,一些仪器设计的计算机辅助诊断(CAD)的皮肤损伤。这些通常工作在四个步骤:数据采集的皮肤(dermoscopic图像)、分割、特征提取和分类。最相关的步骤是分割的过程,因为它提供了基本的信息到下一个阶段。图像分割是一个过程,充分分组像素分成几个区域,在像素在一组分享一些相似的特点。自动化分析的边缘、颜色和形状的损伤依赖于准确的分割,这是一个在任何CAD系统重要的第一步。然而,形状不规则,不均匀的颜色,和模棱两可的结构使问题困难。
图像分割可分为三类(a)监督:这些方法需要分析师的干预,谁应该指定部分皮肤或病变的图像(4,5]。(b)自动:也称为无监督方法,这些系统试图找到病变边界从分析师没有任何干预。(c)半自动:这描述了手动和自动分割的组合。
许多分割方法已经开发色素皮肤图像边界检测,他们传统上关注dermoscopic图像。
在[6)、自动自适应阈值(在)提出了段的主要想法是一个图像每个像素的颜色与阈值比较。在[7),作者使用区域生长和合并技术的一种变体,称为统计区域合并(SRM)段图像。SRM技术已被证明是健壮的彩色图像的分割,改善皮肤病变的检出率。
最近皮肤损伤的方法分割dermoscopic图像(5]表明,聚类是最受欢迎的分割技术,最有可能由于其鲁棒性。
然而,在某些情况下,很难执行好分割,因为头发遮挡在色素皮肤病变。在这种情况下,预处理方法,例如提出了以下文件(8,9之前),应采用分割。
纹理是图像分析的一个重要特征对自然场景和医学图像。的小波变换(WT)提供了一个理想的表示纹理分析呈现局部属性通过一个金字塔的树结构类似于子带分解。层次分解使图像中高频的分析,这是重要的分割过程。
几个技术使用图像特性在WT域分割过程。在贝罗(10),图像数据首先被分解成一组选定的分辨率水平渠道使用小波包变换。然后,马尔可夫随机场(MRF)分割是应用于每个尺度的子带系数,从粗水平和传播分割过程从当前水平分割在上一层楼。斯特里克兰和哈恩11)使用图像特征提取在WT域检测微钙化物质使用匹配的流程和一些在乳房x光检查先天的知识目标对象。张和德赛(12]采用贝叶斯分类器在小波系数来确定一个适当的规模和阈值,可以从其他功能单独分割目标。
在本文中,我们提出一个有效的方法dermoscopic图像基于聚类的分割过程。我们的方法使用小波变换空间中特征提取之前分割过程。的主要区别与其他算法在文献中从三个颜色通道的使用信息(RGB空间)小波变换空间中收集的颜色通过一个渠道最近邻插值(NNI)。
本文组织如下。部分2提出了一种方法;部分3公开提出的框架;部分4论述了应用评估标准;部分5包含仿真结果;部分6包含这项工作的贡献;部分6总结了纸。
2。方法
2.1。统计区域合并
在[7),作者使用区域生长和合并技术的一种变体,称为统计区域合并(SRM)段图像。SRM技术已被证明是健壮的彩色图像的分割,改善皮肤病变的检出率。这个框架包括以下策略。
首先,注册的形象在RGB空间被认为是一个真实的观察图像中,像素是完全由一个家庭的分布从每个观察到的颜色通道。每个像素的颜色通道值替换为Q独立随机变量值(o, g / Q),其中值Q表示应该生成区域的数量。
谓词的区域被定义为 在哪里和代表了两个地区被测试代表观察到的平均水平。和的地区吗像素。SRM框架如图1。
2.2。k - means聚类算法
该算法是一种无监督聚类算法,将输入数据点分为多个类基于其固有的相互距离(13]。它工作在一个迭代的方式按照下列步骤。(1)选择初始质心的集群。(2)计算新的集群成员。一个特征向量被分配到集群当且仅当 (3)重新计算集群根据质心 在哪里属于数据集。(4)如果没有一个集群重心改变,完成算法。否则转到第2步。
2.3。模糊c均值算法
该算法找到的中心””数量的集群迭代通过调整自己的立场和评估一个目标函数。此外,它允许更大的灵活性,通过引入部分其他集群成员。经典的算法使用目标函数如下: 在哪里像素的模糊会员吗,集群被它的中心,是一个常数,它定义的模糊性产生的分区。
会员价值成正比的概率一个像素属于概率是只在一些特定的集群依赖像素之间的距离和每个独立集群中心。因此,标准有一个最小值附近当像素对应的聚类中心。更高的成员值分配给这些附近的像素,而较低的成员值被分配到远离中心的像素。这个算法运行的集群数量和初始中心位置之前确定。然后算法决定了有多少像素属于每个集群。隶属函数和中心确定如下:
FCM算法运行四个简单的步骤。(1)该中心是与第一个值初始化”“数据等于零,这个值被用作迭代次数的计数器。(2)隶属度函数的模糊分区根据初始化(5)。(3)值“”是改变和小说中心计算使用(6)。(4)步骤2和3运行,直到准则是收敛的。
标准方法,当一个最小值的变化是根据用户选择的限制减少了。该算法也可以打断了如果用户确定只需要一定数量的迭代(13]。
2.4。集群模糊c预选
FCM算法是最常见的一种图像分割程序但是有以下的缺点:集群的数量需要由用户预定的。因此,用户可能不会选择正确的数量的集群对于一个给定的特定的应用程序。因此,使用模糊逻辑的方法找到集群的数量可以可再生产地选择正确的数量的集群。为了达到这个目标,我们考虑的最大的区别)和最小值()在图像的强度值。使用这些比例,该算法确定最优数量的集群。具体来说,图像数据进行分析来确定中心,从而减少FCM算法的运行时间。第一个数据分类为模糊系统被称为“距离”,共有六个模糊集,“至少”“短”,“短”“常规”,“大”和“最大”(见表1)。模糊系统的分类称为“大小”共有五个模糊集,“Min”“小”“媒介”,“大”和“Max”(见表2)。最后,模糊系统的分类称为“集群”有五个模糊集,“很少”,“几”,“一些”,“很多”和“太多”(见表3)。
最后,模糊系统“集群”包含五个模糊集应用于中心的决心使用30模糊规则,减少FCM算法的运行时间。模糊系统的总体响应可以表示如下: 在哪里模糊规则,距离是{最低,短,短,常规,大,最大}和大小是{min,小、中、大,马克斯}。
在图2我们可以看到一个高斯分布的隶属度函数三个条件和clustrers的总数。
(一)
(b)
(c)
(d)
在第二个阶段,簇的数量和他们的中心已经知道,只是需要分裂的区别到““集群来确定中心: ,“”表示要创建集群的数量和“”是一个计数器来定义所有的中心。
这看起来像一个困难类型的算法,但中心仍相当远最后的。因此,仍然有一定数量的迭代应该应用于找到他们,但是迭代的数量远远少于原始系统,减少所需的计算时间。
RGB图像分解成三色的通道,并采用欧氏距离(13)来确定每个颜色的三个距离之间的区别: 两个距离更都组合成一个灰度图像,然后作为校正图像进行处理。该方法用于确定要创建集群的数量。
CPSFCM由以下步骤。(1)将RGB图像划分为三个不同的图像,使用(9)找到两个更相似的图像,并使用它们来创建一个新的灰度图像。(2)计算图像的强度水平之间的距离,获得图像的大小。(3)使用这些数据模糊预选式系统和获得中心创建的数量。(4)使用(8)获得的近似中心。最初的价值”“等于零,是用作计数器的迭代的数量。(5)隶属度函数的模糊分区根据初始化(5)。(6)我们的价值是“新中心”和计算使用(6)。(7)应该执行第5步和第6步直到标准是收敛的。
3所示。提出了框架
在建议的方法,过程包括以下阶段:数字彩色图像分为,,在彩色空间通道,每个通道图像分解计算他们的金字塔小波系数使用Mallat算法14]。使用选择小波家族,原始图像分解成四个部分波段。这些部分波段,贴上LH、HL和HH,代表最细尺度上小波系数(细节图像),而部分波段会对应于粗级别系数(近似图像),下面所提到的,,,分别在给定的规模,因为,在那里尺度的数量用于离散小波变换(DWT)。最后,DWT可以表示如下: 因此,被认为是每个颜色通道的新形象。下面的过程,在小波变换的空间进行的,包括几个阶段:经典的分割算法应用于每个频道形象;分割的图像对应红色通道与分段插值图像对应的绿色通道,应用NNI过程后,产生的图像与分段插值图像对应的蓝色通道再次使用NNI。最后,这个图像分割程序的输出。
图的框图3详细解释操作如下:(一)图像分割使用的k - means算法WT,名叫WK-Means, (b)使用FCM算法图像分割应用WT,名叫W-FCM,,最后,(c)使用CPSFCM图像分割算法在WT, W-CPSFCM命名。
4所示。评估标准
不同的目标措施在文献中用于评估的目的在dermoscopic图像边界检测的性能。
客观的措施需要地面真理(GT)的形象,这是由皮肤科医生手工绘图病变周围的边界。使用GT形象,Garnavi et al。15计算操作不可兼析取(XOR)措施。其他指标用于分割性能提出了(16,17),包括灵敏度和特异性精度和召回,真阳性,假阳性,像素分类错误概率,加权性能指标。
下面,让我们考虑敏感性和特异性措施。敏感性和特异性统计措施的二元分类的性能测试,广泛用于医学研究。在细分的背景下的皮肤病变,敏感性措施实际损伤像素的比例正确鉴别。特异性措施的背景皮肤像素比例正确识别。我们给出下面的定义。TP:真阳性,病变像素正确归类为病变。外交政策:假阳性,皮肤像素错误地认定为病变。TN:正确地确定为真阴性,皮肤像素的皮肤。FN:假阴性,病变像素错误地认定为皮肤,
在上述每个类别,敏感性和特异性的吗 我们还应用接受者操作特征(ROC)分析,允许我们评估图像分割质量的观察者的能力或计算机算法利用图像数据分类的病人为“积极的”或“负面”对任何特定的疾病。这一特点代表了二级层次模型的诊断效能描述Fryback和Thornbury17]。ROC曲线的点通过全面的分类阈值是最积极的分类价值最消极的,可以用于生产量化总结措施的ROC曲线测量称为ROC曲线下的面积(AUC)。
5。仿真结果
提出的分割算法进行评估一组50 dermoscopic图像获得的图像http://www.dermoscopyatlas.com(18]。这些图像不包含遮挡因为已经应用的预处理过程。的GT图像是通过人性化获得细分(见图5)。数据集提出了24位彩色图像JPEG格式的600×600像素大小。下面,我们将只有5个不同的图像具有不同的纹理特征灵敏度和特异性作为分割精度的评估标准。我们还绘制ROC曲线检查分类器的性能。此外,AUC的诊断性能量化措施。图4显示了dermoscopic图像用于这项研究。
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
仿真结果表4现在的AUC值提出框架基于不同小波家庭并确认改进的性能相比,经典的技术。获得的最大AUC值使用WF Daubechies 4 WAF紧随其后。
根据(16],AUC值应大于0.8被认为是一个很好的测试,但我们的研究重点是最好的分割图像的近似GT,也就是说,我们的目标是实现一个AUC值约为1。
数据6(一)和6 (b)现在的皮肤病变和相应的GT。数字6 (c)和6 (f),很容易注意到分割过程选择了病变周围的地区。另一方面,在数字6 (g)和6 (j)WAF结果给出,一个可以看到一起病变边界的分割,有些地方的皮肤病变段中。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
(j)
图7礼物ROC曲线损伤4比较经典和提出的算法。特别是,图7 (c)礼物的ROC曲线WK-means和k - means算法可以看到使用WAF WK-means提出算法的优越性(见ROC曲线浅绿色的颜色)。图7 (d)介绍了ROC曲线的W-FCM和FCM算法很容易观察WK-Means的更好的性能,使用WF双正交的6.8(见红色ROC曲线)。最后,在图7 (e),中华民国曲线W-CPSFCM和CPSFCM算法已确认的第一个更好的性能WF 6.8双正交的使用(见红色ROC曲线)。主要病变周围的方法是一个边界,有时其他今年地区可以用鱼叉病变的区域。所有标记集群对评价和分类过程很重要。
(一)
(b)
(c)
(d)
(e)
6。贡献的工作
许多作者研究了dermoscopic图像的分割问题。当前的主要贡献建议居住在一起从所有颜色通道的使用信息在图像分割。我们首先提出一个方法,包括小波变换空间通过分解过程在分割过程中,采用不同的小波的家庭。然后,每两个通道之间的插值程序,最后收集详细信息的三个颜色通道输出的图像分割。拟议的框架的另一个成就,在我们看来,是设计pre-selective集群系统,自动决定簇的数量,来分析在图像的颜色通道。这种预选式系统优化FCM框架。的劣势提出预选式系统包括一个额外的项目干预,可能需要为集群与零像素值在通道内插阶段。
7所示。结论
在本文中,我们提出三个新算法W-FCM,W-CPSFCM,和WK-Means应用在dermoscopic图像的分割。所有这些框架与模拟不适用的小波变换。细分目标措施执行使用感性,特异性,AUC度量。ROC曲线分析也应用确认使用小波变换特性非常有前途的生产足够好的dermoscopic图像分割结果。拟议中的W-CPSFCM算法使用一个额外的程序允许找到大量的集群在自动模式的干预专家。在未来,我们想开发病变分类框架使用目前的分割方法。
确认
作者感谢国家理工学院,墨西哥和CONACYT(81599项目)的支持来实现这项工作。