[论文解读] Segmentation and ABCD rule extraction for skin tumors classification

Mahammed Messadi, Hocine Cherifi+1 more|arXiv (Cornell University)|Jun 8, 2021

Cutaneous Melanoma Detection and ManagementMedicine参考文献 36被引用 22

一句话总结

本文提出了一种基于临床 ABCD 规则（不对称性、边界、颜色、异质性）的自动化皮肤肿瘤分类系统，用于黑色素瘤检测。该系统结合形态学预处理、通过迭代阈值法初始化的非监督水平集分割，以及神经网络分类器，在包含320张皮肤镜图像的数据集上实现了更高的真实检测率和更低的假阳性率。

ABSTRACT

During the last years, computer vision-based diagnosis systems have been widely used in several hospitals and dermatology clinics, aiming at the early detection of malignant melanoma tumor, which is among the most frequent types of skin cancer. In this work, we present an automated diagnosis system based on the ABCD rule used in clinical diagnosis in order to discriminate benign from malignant skin lesions. First, to reduce the influence of small structures, a preprocessing step based on morphological and fast marching schemes is used. In the second step, an unsupervised approach for lesion segmentation is proposed. Iterative thresholding is applied to initialize level set automatically. As the detection of an automated border is an important step for the correctness of subsequent phases in the computerized melanoma recognition systems, we compare its accuracy with growcut and mean shift algorithms, and discuss how these results may influence in the following steps: the feature extraction and the final lesion classification. Relying on visual diagnosis four features: Asymmetry (A), Border (B), Color (C) and Diversity (D) are computed and used to construct a classification module based on artificial neural network for the recognition of malignant melanoma. This framework has been tested on a dermoscopic database [16] of 320 images. The classification results show an increasing true detection rate and a decreasing false positive rate.

研究动机与目标

• 开发一种基于计算机视觉的自动化系统，用于早期检测恶性黑色素瘤。
• 通过形态学和快速行进预处理，减轻小解剖结构对病灶分割的影响。
• 通过比较水平集、GrowCut 和均值漂移算法在病灶边界检测中的表现，提高分割精度。
• 提取临床 ABCD 特征（不对称性、边界、颜色、异质性），用于基于神经网络的分类模型。
• 在标准化的皮肤镜图像数据库上评估系统在黑色素瘤分类中的性能。

提出的方法

• 应用形态学操作和快速行进算法对皮肤镜图像进行预处理，以抑制噪声和小结构。
• 使用迭代阈值法自动初始化水平集方法，实现非监督病灶分割。
• 比较水平集、GrowCut 和均值漂移算法的分割性能，以选择最准确的方法。
• 从分割后的病灶中提取四种视觉诊断特征——不对称性（A）、边界（B）、颜色（C）和异质性（D）。
• 使用提取的 ABCD 特征训练人工神经网络分类器，以区分良性与恶性皮肤肿瘤。
• 在包含320张图像的公开皮肤镜数据集上验证系统，以评估其分类性能。

实验结果

研究问题

• RQ1 使用形态学和快速行进方法进行预处理如何影响病灶分割的准确性？
• RQ2 在黑色素瘤分类中，水平集、GrowCut 或均值漂移哪种分割技术能实现最精确的病灶边界检测？
• RQ3 基于 ABCD 规则的特征在多大程度上提升了神经网络在皮肤肿瘤分类中的性能？
• RQ4 基于临床 ABCD 规则的自动化系统能否在黑色素瘤诊断中实现高真实检测率和低假阳性率？
• RQ5 自动化分割与特征提取的整合如何影响真实皮肤镜图像上整体分类性能？

主要发现

• 所提出的预处理步骤有效降低了小结构的影响，提升了分割的稳定性。
• 通过迭代阈值法初始化的水平集方法在分割精度上优于 GrowCut 和均值漂移方法。
• 基于 ABCD 的特征提取流程成功捕捉了皮肤病变的临床相关特征。
• 神经网络分类器在320张图像数据集上表现出真实检测率上升和假阳性率下降的趋势。
• 系统在真实世界的皮肤镜数据库上得到验证，证实其具有临床部署的潜力。
• 自动化分割与 ABCD 规则特征提取的集成，实现了临床可解释性与高精度兼备的黑色素瘤分类系统。