[论文解读] Automatic Skin Lesion Segmentation Using GrabCut in HSV Colour Space

Fakrul Islam Tushar|arXiv (Cornell University)|Sep 30, 2018

Cutaneous Melanoma Detection and Management参考文献 2被引用 6

一句话总结

本文提出了一种在 HSV 颜色空间中使用 GrabCut 的自动皮肤病变分割方法，以提高计算机辅助皮肤癌诊断的准确性。通过预处理图像以去除黑色边框，并应用仅需最少人工输入的 GrabCut，该方法在 ISIC 2017 训练数据集上实现了 0.71 的平均 Jaccard 指数，证明了在低用户交互下病变边界检测的优异性能。

ABSTRACT

Skin lesion segmentation is one of the first steps towards automatic Computer-Aided Diagnosis of skin cancer. Vast variety in the appearance of the skin lesion makes this task very challenging. The contribution of this paper is to apply a power foreground extraction technique called GrabCut for automatic skin lesion segmentation with minimal human interaction in HSV color space. Preprocessing was performed for removing the outer black border. Jaccard Index was measured to evaluate the performance of the segmentation method. On average, 0.71 Jaccard Index was achieved on 1000 images from ISIC challenge 2017 Training Dataset.

研究动机与目标

• 解决皮肤病变外观高度多变带来的自动皮肤癌诊断中准确分割的挑战。
• 通过利用高效的前景提取技术，减少病变分割中的用户交互。
• 通过利用 HSV 颜色空间更好地分离病变区域与周围皮肤，提升分割准确性。
• 在大型公开数据集（ISIC 2017）上使用 Jaccard 指数评估性能。

提出的方法

• 应用预处理步骤以从皮肤病变图像中去除外部黑色边框，以提高分割准确性。
• 使用 HSV 颜色空间表示图像，基于颜色和饱和度更好地区分病变与正常皮肤。
• 应用 GrabCut（一种基于图的分割算法），通过最少的人工输入（如粗略的边界框）提取病变区域。
• 该分割过程利用 HSV 空间中的颜色和纹理特征，迭代优化前景与背景的分割。
• 算法使用高斯混合模型（GMM）对前景和背景区域的颜色分布进行建模。
• 通过 Jaccard 指数评估性能，将预测的分割掩码与真实标注进行比较。

实验结果

研究问题

• RQ1 在 HSV 颜色空间中使用 GrabCut 是否能以最少的人工输入实现稳健的皮肤病变分割？
• RQ2 与 RGB 相比，HSV 颜色空间在高外观可变性的皮肤病变中如何提升分割准确性？
• RQ3 所提出方法在 ISIC 2017 训练数据集上的性能如何，以 Jaccard 指数衡量？
• RQ4 去除黑色边框的预处理是否显著提升分割结果？
• RQ5 与其他自动分割技术相比，该方法在准确性和用户交互方面表现如何？

主要发现

• 所提出方法在 ISIC 2017 训练数据集的 1,000 张图像上实现了 0.71 的平均 Jaccard 指数。
• 使用 HSV 颜色空间增强了病变与背景之间的分离，提升了分割的鲁棒性。
• 去除外部黑色边框的预处理显著促进了更准确的分割结果。
• 该方法仅需最少的人工交互，因为仅需一个粗略的边界框即可初始化 GrabCut。
• 结果表明，HSV 空间中的 GrabCut 是一种可行且高效的自动皮肤病变分割方法。