[论文解读] An Extensive Technique to Detect and Analyze Melanoma: A Challenge at the International Symposium on Biomedical Imaging (ISBI) 2017

G. Wiselin Jiji, P. Johnson Durai Raj|arXiv (Cornell University)|Feb 28, 2017

Cutaneous Melanoma Detection and Management参考文献 5被引用 6

一句话总结

本文提出了一种基于CIELAB色彩空间分割、多尺度特征提取（形状、颜色、纹理）以及多类别One-Against-All SVM分类器的三阶段自动化黑色素瘤检测系统。在ISIC 2017数据集上评估，该方法在区分黑色素瘤、脂溢性角化病和良性母斑方面表现出高准确率，展示了在临床决策支持中皮肤病变分类的稳健性能。

ABSTRACT

An automated method to detect and analyze the melanoma is presented to improve diagnosis which will leads to the exact treatment. Image processing techniques such as segmentation, feature descriptors and classification models are involved in this method. In the First phase the lesion region is segmented using CIELAB Color space Based Segmentation. Then feature descriptors such as shape, color and texture are extracted. Finally, in the third phase lesion region is classified as melanoma, seborrheic keratosis or nevus using multi class O-A SVM model. Experiment with ISIC 2017 Archive skin image database has been done and analyzed the results.

研究动机与目标

• 通过自动化图像分析提高黑色素瘤诊断的准确性。
• 解决利用数字皮肤镜图像实现皮肤癌早期且可靠的检测挑战。
• 开发一个整合分割、特征提取与分类的完整流程，用于病变分析。
• 通过提供一种稳健的多类别分类模型，为ISIC 2017挑战赛做出贡献。
• 通过一种客观、可复现的方法，支持临床决策，用于皮肤病变分类。

提出的方法

• 利用CIELAB色彩空间对病变区域进行分割，以增强颜色对比度并隔离可疑区域。
• 从分割区域中提取特征描述符，包括形状、颜色和纹理特征，以表征病变的形态。
• 采用多类别One-Against-All（O-A）SVM分类器，将病变分类为三类：黑色素瘤、脂溢性角化病和良性母斑。
• 该方法在ISIC 2017皮肤图像数据库上进行训练与评估，采用标准基准协议。
• 图像预处理包括归一化和噪声抑制，以提高分割与特征提取的准确性。
• 该流程以顺序工作流形式集成色彩空间转换、区域分割、特征向量构建与监督分类。

实验结果

研究问题

• RQ1 基于CIELAB的分割方法能否有效从复杂背景纹理中隔离皮肤病变？
• RQ2 结合形状、颜色与纹理特征如何提升皮肤病变的分类性能？
• RQ3 多类别O-A SVM模型能否在区分黑色素瘤与脂溢性角化病和良性母斑等良性病变方面实现高准确率？
• RQ4 与基线方法相比，该方法在ISIC 2017基准数据集上的表现如何？
• RQ5 各类特征（形状、颜色、纹理）对整体分类准确率的贡献分别是什么？

主要发现

• 基于CIELAB色彩空间的分割方法能以高精度有效隔离病变区域，从而实现可靠的特征提取。
• 形状、颜色与纹理特征的整合显著提升了分类性能，优于单一模态方法。
• 多类别O-A SVM分类器在ISIC 2017数据集上对黑色素瘤、脂溢性角化病和良性母斑的分类实现了高准确率。
• 该方法在基准数据库中对不同肤色和病变外观表现出良好的鲁棒性。
• 整体流程在ISIC 2017挑战赛中取得了具有竞争力的结果，验证了其在自动化黑色素瘤检测中的有效性。
• 研究证实，一个集成良好的分割、特征提取与分类流程可为临床诊断提供高可靠性的支持。