文摘

active-contour-based手术系统,皮肤癌边界分割的成功取决于初始化蛇模型的点,这是一个任务最初由熟练的专家,以及参数设置为活动轮廓的算法。本文提出了初始几何活动轮廓的模板和参数设置皮肤癌边界分割。建立初始几何活动轮廓模板和参数设置,首先,模板的候选人,由用户事先,几何设计仅仅是基于相似性计算皮肤癌边界,和候选人最少的区别是选为初始模板。最初,所有候选模板测试之前执行一些选定的皮肤癌样品通过随机改变需要参数来确定每个模板的参数设置。因此参数组是隐式地选择合适的设置与选择的初始模板。实验227皮肤癌样本进行基于我们提出的初始模板和参数设置,结果显示99.46%的准确率,敏感性97.43%,特异性和99.87%大约的准确性、敏感性,特异性和提高了0.26%,0.36%,和0.26%,分别比常规方法。

1。介绍

根据世卫组织(世界卫生组织)的一份报告(2016年1),癌症是对人类最严重的死亡原因。癌症类型包括乳腺癌、宫颈癌、肺癌、皮肤癌被评为19人死亡原因,数量和病人的数量显著增加约170万(2016年1)由于近年来强紫外线(UV)。在几种方法治疗皮肤癌包括手术、辐射、光动力治疗,由莫氏显微外科手术,激光手术,电干燥法和刮除术目前被广泛接受的有效方法以更少的痛苦。然而,手术基本上取决于熟练的医生数量有限,和治疗通常是昂贵的(2]这样自动皮肤癌手术系统的存在将有助于帮助医生治疗病人。

的一个重要的基本功能自动皮肤癌手术系统是皮肤癌边界分割3];所以许多研究者试图关注皮肤癌的分割边界的研究问题,以确保自动手术的成功。事实上,皮肤癌边界分析包括许多小的曲线和较低的角度对比部分地区。真的就很难准确地分割边界自动皮肤癌手术。的分割不正确执行,由于皮肤癌症是不能完全清除减少分割,癌症可能随后传遍整个身体。因此,一些邻近正常肉与皮肤癌切除作为缓冲,因为医生打算确保所有癌症是移除。因此,如果有效地自动分割功能,它可以确保所有的皮肤癌是移除,并消除造成的痛苦一些邻近的肉不必要的同时放松。

分割的先前的研究工作,尤其是那些有关自动皮肤癌手术,可分为几个监督和非监督方法。第一批supervised-based方法(4- - - - - -7]分析了皮肤癌和利用现有的图像图像处理和机器学习工具来段皮肤癌的边界。其中一些研究(4)专注于癌症检测和讨论方面的收益和成本自动癌症检测和辅助系统。然而,实现了一个自动分皮肤癌手术系统,从根本上成为至关重要的基本功能,极其需要精度高。此外,上述监督方法评估产生好的结果在皮肤癌分割和检测。

在另一个无监督的方法,Castillejos et al。8提出了dermoscopic wavelet-transformed模糊算法图像分割。该方法在小波变换特征提取使用空间分割过程之前,和三色的渠道在wavelet-transformed空间(RGB空间)收集的颜色通道通过最近邻插值(NNI)。这种类型的预处理使用现有的数学工具和一些机器学习算法,讨论了在监督方法是高度评价数学一样好分割方法,但是不好的情况下与负面缺点是非常优秀的9,10]。应用这些模型是可以接受的决定的皮肤癌检测癌症的界限。虽然方法用于主动轮廓同时提供贫穷的结果(9,10),负的错误被发现少而所提到的方法。这是自动手术系统的临界点,医学上需要分段皮肤癌边界精确自坏分割情况下严重视为负面结果的手术。在这种情况下,皮肤癌没有完全删除,最终没有治愈。子群的活动轮廓用法,姆尼尔et al。11)最近提出的自适应主动轮廓基于变量和常数初始化内核。这个数学整合的力量,推动向对象的轮廓边界通过使用一个正则化项,考虑水平集函数的平滑度和优势,帮助停止所需的轮廓边界。这个系统实现了高精度,但初始化并不是完全自动的。另一方面,Mogali et al。12]提出了基于模板的主动轮廓使用广义主动轮廓图像分割的形式主义基于形状模板,模板形状是受到限制仿射变换(老鼠),它允许翻译、旋转和缩放。细分功能优异地对任何形状。Kirimasthong et al。13)提出了一种自动初始化方法GVF-type蛇在乳腺癌的超声图像。该方法被证明交易与乳腺癌的超声图像。Rodtook et al。14)提出了一个自动初始化的活动轮廓和水平集方法在超声图像的乳房异常。该方法成功地处理恶性肿瘤的超声图像,纤维肿瘤、囊肿。然而,自动初始化仍然是一个问题的复杂性在这些提到的系统实现方法和设置参数(权重因素,迭代步骤,等等)的主动轮廓取决于人类技能(15),显然这不是可再生的。

本文的作者因此关注的研究问题为主动轮廓的自动初始化和参数设置。初始化和参数设置是本文需要改进方面的人事技能独立、简单,重现性。尽管深度学习工具卷积神经网络(CNN)是最近接受强大的分类,它需要大量的样本进行训练,这可能不适合一些医学问题。作者首先试图对皮肤癌执行实验图像使用SVM和蛇模型使用半自动的方法(16]。是确认适合一些皮肤癌样品但是需要改进的全自动方法。本文的贡献因此是创建一个算法来自动初始化使用几何活动轮廓模板自动选择的一组几何形状候选人基于一些样品提前训练。因为存在许多参数活动轮廓极其影响收敛轮廓的参数,与选定的几何匹配模板形状,自动选择是基于之前的训练参数设置。主动轮廓因此可以独立执行分割的任何人类的技能。

本文构建如下:分析初始化和参数设置积极contour-based细分报告部分2。想象中的自动手术系统的概述和该方法描述的部分3。部分4演示实验结果使用了模板和参数集。选择初始模板和参数设置的讨论在部分说明5。最后,结论部分给出了6。

2。分析Active-Contour-Based分割的初始化和参数设置

事实上,分割得到的主动轮廓被接受为一个优秀的一个,但它取决于初始化和参数基于人类的技能。如果初始化符合对象的形状,分割和主动轮廓可以适当执行。如图1(a),蓝色和红色线代表手动初始化由专家和分割通过活跃的轮廓,分别分割结果观察到适当的收敛。在相反的方向,当初始化不符合对象形状一个蓝线所示,红线代表分割内观察到收敛的对象,如图1(b)。很明显,初始化是活动轮廓的重要关键之一,,原来这取决于人类的技能。尽管一些研究人员已经取得了良好的结果使用种子爆炸(创建算法自动初始化13,14),复杂性仍然是重要的问题,本文将讨论。传统方法的方法基本上是基于随机分布,被认为是一种好方法覆盖任何类型的形状。观察适当的初始化的形状,看起来类似于分割但密切大。也很难创建这样的形状类似于任何形状的皮肤癌,最初,因为它是未知的。我们的解决方案在本文范围内数量的候选人使用类似的几何形状。如图所示,圆图的一个例子1收敛(c),尽管循环观察到红线的厚度是累积超过好初始化的情况下,如图1(一个),它最终可以在相似的水平收敛与初始化由一个专家。

另一方面,它也观察到,重量等参数因素,迭代步骤,α,β,卡帕,wline,楔形,wterm影响分割结果。例如,设置合适的参数在这些情况下,如第一行图所示1,所有初始化收敛好了除了糟糕的初始化,如图1(b)。如果不合适的参数应用于这些情况下,分割结果由红线显示不正确的收敛与许多循环。显然,这意味着参数活动轮廓的另一个关键。

正如前面所讨论的图1,初始化其形状类似于皮肤癌是最偏爱的活动轮廓分割,和一个适当的几何形状被认为是另一个选择作为一个基本的概念。此外,参数设置是另一个关键因素,适当控制活动轮廓收敛。如图2,皮肤癌的边界是由不同几何模板应用矩形,椭圆,圆,如行方向所示,分别和三个参数集,认为是适合初始化,也不收敛,和太多的收敛,分别用于列方向。这些数据显示适当的几何形状与适当的参数组是偏好,如图2(a),而另一些则不可行基础上启动或不恰当的条件参数设置,如图2(b) -2(我)。这意味着适当的初始化和参数集都是真正需要的实现全自动活跃的轮廓,和本文的作者会发现一个算法来确定几何形状与一组参数,启动最初与选定的几何形状是固定的。

基于[17),活动轮廓或蛇被定义为一个可变形的曲线( ),在哪里 ),这是调整最小化能源(E)以下方程: 在哪里和权重参数对应的弹性和硬度的蛇,分别,他们认为是统一的。和是1^圣和2^nd阶的导数关于 。

在操作中,蛇曲线由第一和第二届(1),这意味着蛇初始化,可以通过图像空间域达到调整外部能量代表图像的特性。在那个时候,总能量(E)应达到最小值,甚至一个都没有,和图像边界被认为是获得。以后,正常情况下,皮肤癌边界的形状是任意的,蛇操作有时不能准确地执行部分的边界由于一些当地最低甚至逻辑上没有达到总能量。

为研究主题,本文前面提到的,本文的作者试图找到一种简单的方法来自动初始化蛇为实际操作的实际应用。数学,几何形状可以近似为候选人的初始化和几何形状的标准选择应该讨论的问题。

如果一些几何形状在概念上近似的模板初始化,几何形状( ),选择基于皮肤癌最相似的图像( )从一组候选人几何形状包括圆、椭圆、三角形,矩形,五角大楼,六边形,至少可能不同与皮肤癌的图像相比,如图3。可以选择几何模板如下: 在哪里n是模板的数量的候选人。

几何模板候选人( ),的规模决定基于最大骨架( )粗糙的皮肤癌边界,他们的姿势是不同的角度( )从一个初始角度,可以表示如下: 在哪里和初始角和角点周围吗 ,分别。

因此,至少几何初始化和皮肤癌的区别图像得出作为初始化的条件确定。

3所示。提出了主动轮廓初始化和参数设置方法

该方法的实现,需要选择皮肤癌的一些样品图片和训练获得候选模板和培训的合适的参数状态。如左边所示列图的流程图4,训练状态从输入一些已知的皮肤癌图像,进行拟合和投票选择的候选人从几何形状模板,这些选定的候选人和实验模板与活动轮廓参数选择为每个候选模板参数集。这些候选人提到模板与合适的活动轮廓参数设置将存储在数据库中使用的测试状态。模板和参数确定过程将在部分解释3所示。1和3所示。2,分别。

在测试状态,假设一个未知的皮肤癌分割图像输入,一个合适的模板的参数集将被选择通过搜索数据库的模板和参数设置提前训练有素的几何形状和参数活动轮廓,和一个活动轮廓将根据所选最后段皮肤癌几何形状模板参数组,显示在右列的流程图如图4。模板决心和活动轮廓分割的过程中提到的部分3所示。1,3所示。3,分别。

3.1。几何模板的决心

通常,最好的活动轮廓初始化被认为是修复接近工件的形状。最初由于工件边界是未知的,自动确定初始化的方法是估计一个粗糙的工件的边界,利用几何形状作为模板,这是最接近的边界,如初始化。估计的粗糙的工件的边界,这被认为是一种皮肤癌边界,二值化等预处理过程可以简单地提取边界粗糙皮肤癌的边界图像的前景,然后抵消应该添加皮肤癌中提取边界周围的边界,确保整个皮肤癌边界捡起。利用几何形状的候选模板自动初始化的决心,所有可能的几何形状,如图5,应该应用作为候选人的皮肤癌边界与添加抵消,几何形状和所有候选人视为一个模板应调整缩放和旋转视图来适应边界。从概念上讲,候选人几何模板的重心是第一个在同一坐标映射的质心的皮肤癌边界,和那些映射形状之间的差异在所有尺度和旋转角度的模板。首先详细模板固定规模略大于最长的骨架的皮肤癌边界相同的质心位置,然后模板和粗糙的皮肤癌症边界之间的差异旋转得到的候选模板在所有角度,如图6。提到的算法步骤中说明了算法1。

另一方面,未知的皮肤癌图像分割在测试执行状态,如正确的列在图所示6。在测试状态,存储在数据库中的所有模板候选人的几何模板和参数设置将应用于一个粗略的皮肤癌边界得到二值化的过程。流程的训练状态,最低的候选模板差异较粗糙的皮肤癌边界将被确定为初始几何活动轮廓的模板操作,模板和参数集已训练和匹配确定几何模板用于活动轮廓分割在接下来的过程。

在实践中,几乎是不可能找到合适的模板和冗余的所有现有的几何形状和找到所有可能的模板之间的差别与粗糙的皮肤癌边界不断变化在所有角度的模板。如图7、圆、矩形和椭圆应该选为候选模板,而其他类型的几何形状,很少使用,应该排除在候选模板组。这些很少使用几何形状应该考虑删除的训练状态。因此,一个可行的方法来减少冗余的模板确定所有可能的几何形状建议限制几何模板候选人的数量很可能基于一些样品的皮肤癌提前训练状态的形象。确定高可能性几何形状模板存储在数据库的几何形状,如左列在图所示4,一些样品的皮肤癌边界图像手动选择找到一个阈值。因此,那些选择皮肤癌样品在测试之前执行基于算法中所示的步骤1预处理、模板选择,和模板从3开始旋转^{理查德·道金斯},9^th,15个^th分别行。确定几何模板的数量将是简单的计算,和一个阈值的值18)应统计确定高度选择和不选择几何形状之间的分裂。这意味着一些几何模板,这往往决定作为初始化模板,将筛选候选人作为模板存储在数据库的几何形状。

3.2。确定候选模板的参数集

已经证明,与初始化的参数将会适当地帮助活动轮廓段(19]。当选择几何形状作为模板训练状态,与几何参数的匹配模板应该同时之前执行测试活动轮廓的一些样品和事先决定的。这些参数在每个几何模板匹配是最应该总结作为一个参数集的几何模板并将利用作为初始参数在测试状态。

训练状态,所有参数需要设置为初始的,列出了不同范围和步骤,通过一个例子在表所示1。这些范围和步骤的参数将用于不同在一些样品进行预测,得出最佳参数平均几何参数集的模板。计算机程序寻找参数设置的所有几何模板应该创建跟踪算法2。在算法2,皮肤癌中输入图像和几何模板4^th和8^th分别行。然后,找到最好的参数,参数不同,旋转执行在9^th,11^th,13^th,分别。

训练状态,执行一个几何模板映射得皮肤癌和一些图像样本,而旋转360度;选择最佳的参数设置对所有样本的基础上至少与样品不同,和那些最好的平均参数确定的参数集模板所示算法2。所有模板的参数设置存储在数据库作为固定参数集,用于检索的模板和准备活动轮廓在测试状态的操作。

3.3。模板的选择和如何应用模板皮肤癌的形象

在测试状态,当一个皮肤癌图像输入,选择一组几何模板和参数,如右侧图所示4。像训练状态,二值化首先表现来获得一个粗略的轮廓皮肤癌的形象;然后,一个偏移量( )添加到皮肤癌的大致轮廓,以确保覆盖整个皮肤癌症,和质心和最长的半径( )工件的决心。必然地,皮肤癌之间的映射图像和候选模板执行从数据库检索基于质心和最长的半径和抵消模板( )确保模板添加将覆盖工件。模板和工件之间的差异得到候选模板在周围旋转重心在所有角度,和最好的候选模板和最好的旋转角和最小的候选模板和抵消皮肤癌的区别边界(C)被选为初始化,并将申请活动轮廓。同时,一个参数集,这是固定在训练状态和存储在数据库中,将检索由模板。说明了该算法在算法3。在算法3皮肤癌的粗略的轮廓图像获得的4^th线,和模板映射和选择执行从7^th线。

3.4。经营活动轮廓

目前,存在多种活动轮廓如正常梯度向量流(20.),卷积矢量流(21),动态方向梯度向量流(22),自适应扩散流(23),和梯度向量流(预防)24]。用户应考虑选择一个活跃的轮廓是最适合用户的问题。养狐业一直在实现和评价本文选择分割的因为它是设计和开发复杂形状和特殊假定各种医学应用中受益。

众所周知,几个重要的关键应用的活动轮廓图像分割是初始化和参数。一般来说,这些都是手动由专家根据试错的概念。专家,他们将调整参数来找到最好的匹配图像的分割,应该理解为调优参数特征适当。这些决定适当的初始化和参数集可能导致活动轮廓能量最小化,尤其是对一个局部最小值。

本文提出了初始几何活动轮廓的自动初始化的模板。几何模板首先选为最佳匹配与皮肤癌边界图像的几何模板候选人,然后选中的模板执行映射与皮肤癌边界图像在规模上和旋转。此外,该参数集,最初训练对于每个几何模板,将活动轮廓的初始化操作。开始运行的操作活动轮廓,提到几何模板和参数设置中设置程序的活动轮廓,如图所示,在表的一个示例1。在执行活动轮廓时,初始化将收敛于皮肤癌图像基于能量最小化状态。

4所示。实验结果

本文集中于研究问题的初始模板和参数设置为初始化活动轮廓皮肤癌边界分割,提出了一种初始模板和参数设置的方法。因为大多数医学图像样本的敏感和机密,通常很难找到样本实验和评价。验证该方法的有效性和评估性能,养狐业蛇被选为活动轮廓算法,和227皮肤癌的图像,如2所示^nd列的表2用于实验,由实验设置,如表所示3。初始模板的候选人包括圆、椭圆和矩形,由我们的自动选择方法的相似性与皮肤癌的图片,被用作候选模板的初始化,和结果的模板选择和3所示的映射^{理查德·道金斯}列的表2。最初,这些模板参数养狐业蛇算法与48皮肤癌训练图像样本,选择的几何形状和参数集模板确定基于该方法,总结在表4。实验结果基于我们提出的方法和专家4所示^th和5^th列的表2,分别。最后,错误的方法结果之间的差异和专家6所示^th列。评估我们的方法使用几何形状和参数设置自动初始化可以总结为99.46%精度大约13.61秒/皮肤癌形象计算时间,而传统的方法(13,14分别达到了96.41%和99.20%,如表所示5。另一方面,传统方法的敏感性和特异性13,14)可以计算(18),得出的结论为85.13%和97.07%,99.83%和99.16%,分别在该方法显示了97.43%和99.87%,分别如表所示5。敏感性(SEN),特异性(SPC),精度(ACC), Jaccard指数(江淮)可以计算如下25]。

灵敏度:

特异性:

准确性:

Jaccard指数: 在哪里真阳性,真阴性、假阳性和假阴性,分别。

5。讨论

本文提出了初始几何模板和参数设置的自动初始化在皮肤癌边界活动轮廓分割。初始模板,几何形状,如圆形、矩形,椭圆,五角大楼,最初是与一些皮肤癌图像样本训练模板候选人的决心。建立的相应的参数设置不同的所有参数和选择最好的为每个模板参数组。

在测试中,候选人几何形状与输入图像皮肤癌。初始模板然后由至少与候选初始模板,不同参数集是用来初始化和运行对皮肤癌边界活动轮廓分割。因为通常医学图像样本不是由于个人信息在公众开放,采集大量的样本是很困难的。此外,样品评估基于传统的方法不是开放在公开场合,是不可能直接比较性能相同的样本。因此,本文的作者试图收集皮肤癌图像样本数量,评价结果可以依靠,与传统的方法比较。实验进行基于我们提出的方法,该方法的性能达到大约高达99.46%的准确率,类似,略优于常规方法(14]。然而,对于皮肤癌症手术,最初都将进行细分,根据专家的技能与添加偏移,和特异性,代表假阳性,应该是重要的。我们提出的方法可以提高0.26%的特异性与传统方法相比,它被认为是有用的皮肤癌分割。另一方面,尽管现代和健壮的深度学习工具CNN目前被认为是一个优秀的和强大的工具分类,应该有效地应用于皮肤癌分割问题,据报道,活动轮廓可以执行相对与CNN用更少的计算时间(26]。

此外,由于我们的基本概念是近似相似的几何形状作为初始模板应用于活动轮廓的初始化,初始化是最初除了皮肤癌边界。数学上,任何形状的模板是接近皮肤癌边界是最合适的,但该算法可能是复杂和耗时。使用几何形状的想法作为初始化的模板被认为是解决方案的实现。见实验结果表2皮肤癌的图像中,存在明显的错误,T4, T13, T18, T19, T39, T51, T59, T67, T88, T168, T169, T179, T185 T186, T197。如果模板候选人增加,部分解决了一些错误。事实上,如果一个模板选择适当初始化期间,蛇算法应该表现良好。基本上,模板的概念隐含地包括比较一些错误和一个初始化的形状由专家。这些错误应该交易和计算成本。改善活动轮廓的初始化,初始化学习和观察由熟练的专家建议未来的工作。

皮肤癌边界分割,我们提出的方法准确率达到99.46%包括凹凸效果。观察到,大多数结果是凸的。然而,一些部分包含在凹,它们中的大多数都是很小的。在医疗实践中,在凸比凹miss-segmentation因为所有皮肤癌细胞移除。凹分段边界被抵消最后边界恢复。

6。结论

自动皮肤癌使用活动轮廓图像分割,最初依靠熟练的初始化由专家,以适当的参数设置需要实用的自动初始化。提出了一种初始几何模板的方法与参数设置对皮肤癌边界活动轮廓分割。一些皮肤癌图像最初训练评估和选择几何形状作为候选映射模板的几何形状与皮肤癌图像样本基于质心和最长的半径和寻找最少的形状差异作为候选模板。这些候选模板被用于执行通过可能的参数活动轮廓,然后找到一个参数集,表现最好的活动轮廓分割作为一个参数设置为每个候选模板。在测试中,这些候选模板执行映射与皮肤癌形象和旋转重心与培训,以同样的方式与至少一个几何模板与皮肤癌的图像的差异决定作为初始活动轮廓的模板。确定几何模板与当时的训练参数设置初始化活动轮廓段。最后,评价了该方法的有效性与227年实验皮肤癌图像。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

作者感谢博士奖学金支持Rajamangala科技大学的伊森(RMUTI)、素林校园。