[论文解读] Segmenting Dermoscopic Images

Mario Rosario Guarracino, Lucia Maddalena|arXiv (Cornell University)|Mar 9, 2017

Cutaneous Melanoma Detection and Management参考文献 7被引用 4

一句话总结

本文提出SDI算法，用于在皮肤镜图像中实现完全自动化的皮肤病变分割，采用三步流程：通过HSV亮度带和底帽滤波进行感兴趣区域（ROI）选择，自适应地在归一化红色与HSV亮度带之间选择分割用的通道，以及应用Otsu阈值化后计算凸包。该方法在ISIC 2017数据集上实现了稳健的病变分割，性能取决于最优通道选择，但在处理尺子或墨水标记等复杂伪影时存在局限性。

ABSTRACT

We propose an automatic algorithm, named SDI, for the segmentation of skin lesions in dermoscopic images, articulated into three main steps: selection of the image ROI, selection of the segmentation band, and segmentation. We present extensive experimental results achieved by the SDI algorithm on the lesion segmentation dataset made available for the ISIC 2017 challenge on Skin Lesion Analysis Towards Melanoma Detection, highlighting its advantages and disadvantages.

研究动机与目标

• 开发一种完全自动、客观的皮肤镜图像病变分割方法，以减少对人工或半自动方法的依赖。
• 通过最小化主观性和光照影响，提高病变分割的准确性和一致性。
• 在ISIC 2017挑战赛数据集上评估该方法，评估其在多种图像条件下的鲁棒性。
• 识别当前分割性能的局限性，特别是针对尺子和墨水标记等伪影的影响。
• 为未来自动化皮肤病变分析系统的发展提供基础。

提出的方法

• 该算法首先利用HSV亮度带选择图像的感兴趣区域（ROI），以排除暗边和角落，并对红色通道应用底帽滤波，以去除图像中的毛发。
• 评估两个候选颜色通道——RGB空间中的归一化红色（Rnorm）和HSV亮度（V）通道——以选择对比度更优的通道用于分割，即病变与皮肤之间对比度更高的通道。
• 对选定通道应用Otsu算法，计算最优阈值，以最小化病变像素与皮肤像素之间的类内方差。
• 根据假设病变是图像中占主导地位的物体，将最大连通分量识别为病变。
• 通过计算最大连通分量的凸包获得最终分割结果，该方法比原始分割结果更贴近真实标注轮廓。
• 该方法可动态为每幅图像选择最佳分割通道，从而适应不同的光照条件和病变外观。

实验结果

研究问题

• RQ1 完全自动化的分割方法是否能在皮肤镜图像分析中超越半自动方法，同时减少人工干预？
• RQ2 在多种皮肤镜图像中，归一化红色还是HSV亮度通道能提供更稳健的病变分割效果？
• RQ3 分割通道的选择如何影响病变边界检测的准确性，特别是在光照不均匀的情况下？
• RQ4 尺子或墨水标记等伪影在多大程度上影响SDI算法的分割性能？
• RQ5 与原始连通分量分割相比，使用凸包后处理是否能更准确地匹配皮肤科医生标注的真实标注？

主要发现

• SDI算法在ISIC 2017数据集上实现了准确的病变分割，尤其当为每幅图像选择最优分割通道（Rnorm或V）时表现更佳。
• 归一化红色通道（Rnorm）有效降低了光照不均的影响，在明亮或阴影区域均能产生一致的分割结果。
• 当病变与皮肤在亮度上对比度高但色度低时，HSV亮度通道（V）表现更优，尤其在Rnorm无法有效区分病变时。
• 凸包后处理步骤在大多数情况下提高了与真实标注掩膜的一致性，如图像122所示，其能更准确地捕捉病变形状。
• 尽管性能总体较强，但当二值化步骤错误地选择了较大的非病变连通分量时，算法偶尔会失效，如图像14575所示，这是由于阈值选择不佳所致。
• 伪影如尺子或墨水标记可能被错误地包含在初始分割中，导致最终凸包结果过度估计，如图像12272所示。