[论文解读] Automatic Skin Lesion Segmentation using Semi-supervised Learning Technique

S. M. Jaisakthi, Chandrabose Aravindan+1 more|arXiv (Cornell University)|Mar 13, 2017

Cutaneous Melanoma Detection and Management参考文献 1被引用 22

一句话总结

该论文提出了一种半监督皮肤病变分割方法，通过预处理进行光照校正和去毛发处理，随后采用k-means聚类和基于直方图的颜色过滤以分离病变区域。该方法在ISIC 2017验证集上取得了0.548的Jaccard分数，证明了其在早期黑色素瘤诊断中自动检测病变的有效性。

ABSTRACT

Skin cancer is the most common of all cancers and each year million cases of skin cancer are treated. Treating and curing skin cancer is easy, if it is diagnosed and treated at an early stage. In this work we propose an automatic technique for skin lesion segmentation in dermoscopic images which helps in classifying the skin cancer types. The proposed method comprises of two major phases (1) preprocessing and (2) segmentation using semi-supervised learning algorithm. In the preprocessing phase noise are removed using filtering technique and in the segmentation phase skin lesions are segmented based on clustering technique. K-means clustering algorithm is used to cluster the preprocessed images and skin lesions are filtered from these clusters based on the color feature. Color of the skin lesions are learned from the training images using histograms calculations in RGB color space. The training images were downloaded from the ISIC 2017 challenge website and the experimental results were evaluated using validation and test sets.

研究动机与目标

• 开发一种自动皮肤病变分割系统，以提升黑色素瘤的早期检测能力。
• 解决皮肤镜图像分析中的挑战，如光照不均、毛发伪影和噪声。
• 利用半监督学习，通过训练数据的真值来指导病变分割。
• 通过基于颜色和聚类的分割方法隔离病变区域，以提高临床准确性。

提出的方法

• 若图像尺寸超过1500像素，则将其缩小至原始尺寸的25%，以降低计算负载。
• 通过在Lab颜色空间的L通道上应用CLAHE实现光照校正，以标准化光照差异。
• 利用Frangi血管性滤波器实现去毛发处理，该方法基于Hessian矩阵特征值分析来增强管状结构。
• 从真值训练图像中提取RGB直方图以获取颜色特征，从而定义病变的颜色边界。
• 应用k=5的k-means聚类，根据颜色相似性对像素进行分组，将病变区域与背景及伪影分离。
• 采用双种子点（中心点和近边界点）的洪水填充法对密集区域和边界区域的病变进行分割，随后进行连通域标记。

实验结果

研究问题

• RQ1 半监督学习是否能通过有限的标注训练数据提升皮肤病变分割的准确性？
• RQ2 k-means聚类与颜色直方图分析结合，在区分皮肤病变与正常组织及伪影方面的效果如何？
• RQ3 CLAHE和Frangi滤波等预处理步骤在多大程度上提升了分割性能？
• RQ4 在洪水填充中使用多个种子点对病变区域完整性的提升效果如何？

主要发现

• 所提方法在ISIC 2017验证集上取得了0.548的Jaccard分数，表明与真值的病变重叠程度中等至较强。
• 灵敏度较高，表明尽管Jaccard指数较低，仍能有效检测出实际的病变区域。
• CLAHE的使用显著改善了病变区域的对比度和均匀性，通过校正非均匀光照。
• Frangi血管性滤波器有效减少了假阳性，通过去除毛发及其他管状伪影。
• k=5的k-means聚类成功将病变区域与背景、噪声及成像伪影分离。
• 双种子点洪水填充方法通过捕获病变中心区域和边界区域，提升了分割的完整性。