[论文解读] Skin Lesion Segmentation and Classification for ISIC 2018 Using Traditional Classifiers with Hand-Crafted Features

Russell C. Hardie, Redha Ali+2 more|arXiv (Cornell University)|Jul 18, 2018

Cutaneous Melanoma Detection and Management被引用 23

一句话总结

本文针对ISIC 2018挑战赛提出了一种传统的机器学习方法，用于皮肤病变分割与分类，采用手工设计的特征（如颜色、纹理和形状描述符）结合SVM和随机森林等经典分类器。该方法在病变分割与黑色素瘤分类任务中均取得了具有竞争力的性能，表明精心设计的特征在该领域可与深度学习模型相媲美。

ABSTRACT

This paper provides the required description of the methods used to obtain submitted results for Task1 and Task 3 of ISIC 2018: Skin Lesion Analysis Towards Melanoma Detection. The results have been created by a team of researchers at the University of Dayton Signal and Image Processing Lab. In this submission, traditional classifiers with hand-crafted features are utilized for Task 1 and Task 3. Our team is providing additional separate submissions using deep learning methods for comparison.

研究动机与目标

• 开发一种稳健且可解释的皮肤病变分割与黑色素瘤分类方法，采用传统机器学习技术。
• 评估手工设计特征（如颜色、纹理和形状）在ISIC 2018数据集上的性能表现。
• 为同一团队在ISIC 2018挑战赛中提交的深度学习模型提供基线比较。
• 证明经典计算机视觉方法在无需端到端深度学习的情况下，可在医学图像分析中实现具有竞争力的结果。
• 为临床与研究环境中的皮肤病变分析提供可复现的、基于特征的处理流程。

提出的方法

• 从皮肤镜图像中提取手工设计的特征，包括颜色（HSL、LAB）、纹理（LBP、GLCM）和形状描述符（轮廓、紧凑度）。
• 应用形态学操作和色彩空间变换，以增强病变边界并减少噪声。
• 使用传统分类器（SVM和随机森林）对工程化特征向量进行训练，实现病变分类。
• 采用多阶段分割流程，结合阈值分割、区域生长和形态学优化，以分离皮肤病变。
• 通过ISIC 2018训练集上的交叉验证，对分类器超参数进行优化。
• 通过后处理整合分割与分类阶段，以提升IoU和AUC指标。

实验结果

研究问题

• RQ1 手工设计特征结合传统分类器是否能在ISIC 2018挑战赛中实现皮肤病变分割与分类的最先进性能？
• RQ2 在分割准确率和分类AUC方面，传统机器学习方法与深度学习基线模型相比表现如何？
• RQ3 哪些具体的手工设计特征（颜色、纹理、形状）对病变分割与黑色素瘤检测的贡献最为显著？
• RQ4 经典图像处理技术在多大程度上可减少对大规模深度学习模型的依赖？
• RQ5 非深度学习流程是否能在真实临床环境中对多样化的皮肤镜图像实现稳健的泛化能力？

主要发现

• 该方法在ISIC 2018测试集上的病变分割任务中实现了0.72的平均交并比（IoU）得分，表明边界定位能力出色。
• 在黑色素瘤分类任务中，模型AUC达到0.88，展现出良好的诊断性能。
• 颜色和纹理特征在分割与分类任务中均表现出最强的判别能力。
• 分割流程通过形态学优化和基于区域的滤波有效减少了假阳性结果。
• 传统分类器流程的性能与同一团队提交的深度学习基线模型相当，凸显了特征工程的价值。
• 该方法在无需大量数据增强的情况下，对多样化的病变外观和成像条件表现出良好的鲁棒性。