[论文解读] Segmentation of skin lesions based on fuzzy classification of pixels and histogram thresholding

Jose Luis Garcia-Arroyo, Begonya García-Zapirain|arXiv (Cornell University)|Mar 11, 2017

Cutaneous Melanoma Detection and Management参考文献 1被引用 4

一句话总结

本文提出了一种新颖的皮肤病变分割方法，基于颜色和纹理特征对像素进行模糊分类，随后采用直方图阈值化和形态学后处理。该方法在ISBI挑战赛中表现出高精度（AUC 0.992）和强健性能，在2017年验证集中的Dice分数为0.750，灵敏度为0.894，展现出对图像伪影和变异性的鲁棒性。

ABSTRACT

This paper proposes an innovative method for segmentation of skin lesions in dermoscopy images developed by the authors, based on fuzzy classification of pixels and histogram thresholding.

研究动机与目标

• 解决受多种伪影和图像变异影响的皮肤病变自动分割问题。
• 通过数据驱动的模糊分类方法，减少主观性和观察者间差异。
• 通过优先考虑灵敏度而非特异性，提高在低对比度或复杂图像中的分割鲁棒性。
• 开发一种计算成本低、适合实际临床部署的高效方法。
• 在标准化的ISBI基准数据集上，使用一致的评估指标实现最先进性能。

提出的方法

• 利用随机森林分类器对像素进行模糊分类，划分为三类——病变、皮肤和其他，分类输出为模糊值。
• 对模糊集应用alpha截集，实现概率阈值化，提升分割决策性能。
• 对图像进行重采样和尺寸标准化，以统一处理不同分辨率的输入。
• 对病变-皮肤掩膜进行模糊化处理，以减少噪声并增强直方图阈值化性能。
• 在预处理图像的蓝色通道上使用Otsu方法进行直方图阈值化，生成初始病变掩膜。
• 通过形态学操作（包括膨胀、腐蚀和孔洞填充）进行后处理，以优化掩膜并去除毛发和深色边缘等伪影。

实验结果

研究问题

• RQ1 在存在多种皮肤镜图像伪影的情况下，像素特征的模糊分类是否能提升分割的鲁棒性？
• RQ2 与硬分类相比，软分类方法在处理皮肤病变外观高度变异时表现如何？
• RQ3 在预处理掩膜上进行直方图阈值化，在多种图像条件下能否实现准确的病变分割？
• RQ4 在分割中优先考虑灵敏度是否能提升在具有挑战性的实际皮肤镜图像上的泛化能力？
• RQ5 计算成本低的方法是否能在标准化的ISBI基准数据集上实现具有竞争力的性能？

主要发现

• 模糊分类器在10折交叉验证中达到94.69%的准确率和0.992的AUC，表明其具有高可靠性且计算成本低。
• 在2016年ISBI挑战赛中，该方法的Dice系数为0.869，Jaccard指数为0.791，灵敏度为0.870。
• 在2017年ISBI挑战赛验证阶段，改进版本的Dice系数为0.750，Jaccard指数为0.651，灵敏度为0.894。
• 由于其对灵敏度的侧重，该方法对图像变异（包括低对比度、阴影、伪影和肤色差异）表现出鲁棒性。
• 后处理有效减少了毛发和深色边缘等伪影，同时保持了病变形状并确保了凸性。
• 该方法在ISBI基准测试中优于许多现有方法，尤其在灵敏度方面表现突出，证实了其临床相关性。