基于超像素和密度聚類算法的皮膚鏡圖像分割

趙曉梅，劉兆邦，張正平，謝 璟，陸千琦*

(1.貴州大學(xué) 大數(shù)據(jù)與信息工程學(xué)院，貴州 貴陽(yáng) 550025;2.中國(guó)科學(xué)院 蘇州生物醫(yī)學(xué)工程技術(shù)研究所，江蘇 蘇州 215163;3.溫州市人民醫(yī)院，浙江 溫州 325699)

0 引 言

皮膚病是人類中很常見的一種病癥，種類繁多，其中屬惡性黑色素瘤最為危險(xiǎn)，最易導(dǎo)致皮膚癌死亡率上升。皮膚鏡是一種檢測(cè)皮膚病變的非侵入性成像方法，使皮損的亞表面結(jié)構(gòu)更容易被分析，然而，研究表明，皮膚鏡檢查實(shí)際上可能會(huì)降低缺乏經(jīng)驗(yàn)的皮膚科醫(yī)生的診斷準(zhǔn)確性。因此，為了最大化降低由人類主觀性引發(fā)的診斷錯(cuò)誤，科研工作者將近幾年飛速發(fā)展的計(jì)算機(jī)圖像分析技術(shù)和皮膚鏡檢查融為一體，形成了自動(dòng)皮膚鏡圖像分析技術(shù)。該技術(shù)一般分為3個(gè)步驟，分別為圖像分割、特征提取和病變分類，其中分割對(duì)于圖像分析尤為重要，因?yàn)樗鼤?huì)影響后續(xù)步驟的準(zhǔn)確性。目前為止，已經(jīng)開發(fā)了許多方法用于皮膚損傷的自動(dòng)分割，但是由于病變與周圍皮膚之間的對(duì)比度低、頭發(fā)和氣泡等干擾性因素、病變區(qū)域與背景區(qū)域的復(fù)雜性等原因，導(dǎo)致皮膚鏡圖像分割仍然是一項(xiàng)艱巨的任務(wù)。

皮損分割方法可大致分為基于區(qū)域的，基于邊緣的和基于閾值的分割算法?；陂撝档姆椒ㄈ缥墨I(xiàn)[1-3]，這類方法通常根據(jù)圖像的直方圖選取一個(gè)合適的閾值進(jìn)行分割，但由于大多數(shù)皮膚鏡圖像的皮損區(qū)域和背景區(qū)域并沒有明顯分界線，其直方圖存在多個(gè)峰值，導(dǎo)致閾值分割算法并不適用于皮膚鏡圖像分割。基于邊緣的方法以主動(dòng)輪廓模型為主，在文獻(xiàn)[4-5]中有所體現(xiàn)，這些方法的目的是構(gòu)造能量泛函，能量函數(shù)由內(nèi)力和外力組成，通過最小化能量函數(shù)找到皮損的最佳邊緣，然而該類方法依賴于分割參數(shù)的選擇，并且可變模型通常還需要產(chǎn)生無(wú)效停止標(biāo)準(zhǔn)，影響運(yùn)算效率?；趨^(qū)域的分割方法[6-9]是指根據(jù)預(yù)定義的圖像特征(如顏色、強(qiáng)度、小波等)將圖像劃分成不同的區(qū)域。這類方法對(duì)于弱邊緣的檢測(cè)并不迅捷。近幾年，監(jiān)督學(xué)習(xí)方法如卷積神經(jīng)網(wǎng)絡(luò)(CNNs)被用于皮膚鏡圖像中的病變分割[10-12]，該方法需要大量標(biāo)記的訓(xùn)練圖像從而提高分割正確率，然而，由于手工注釋的復(fù)雜性和臨床醫(yī)生的主觀性，皮膚鏡圖像數(shù)據(jù)的獲取是極其不易的。文獻(xiàn)[13]敘述并討論了上述所提到的皮膚病分割算法以及它們結(jié)合的分割算法。

針對(duì)上述算法存在的問題，文中提出了一種基于超像素和密度聚類的皮膚鏡圖像分割算法。為了驗(yàn)證該算法的性能，從ISIC2018上下載了1 000多張皮膚鏡圖像，人為挑選并分成了易分，中等，難分各100張圖像，從分割指標(biāo)來看，該算法在易分，中等，難分這3個(gè)種類的皮膚鏡圖像上與其他算法相比都取得了不錯(cuò)的分割效果，尤其邊界比較模糊的圖像更能體現(xiàn)出該算法的有效性。

1 方 法

1.1 皮膚鏡圖像預(yù)處理

皮膚鏡圖像中皮損結(jié)構(gòu)根據(jù)皮膚狀況而變化很大，諸如毛發(fā)、氣泡和凝膠墨水標(biāo)記之類的偽影降低了分割算法的效果，其中屬毛發(fā)噪聲最常見也最影響分割效果。文獻(xiàn)[14]對(duì)皮膚鏡圖像做了全方位的預(yù)處理。而文中只處理毛發(fā)噪聲，新提出了一種毛發(fā)去除方法，首先使用低帽操作識(shí)別頭發(fā)，其次進(jìn)行二值化和腐蝕使得毛發(fā)區(qū)域突出，最后用原始圖像的閉操作圖像替換毛發(fā)區(qū)域。

1.2 SILC超像素分割算法

超像素算法是指具有相似紋理、顏色、亮度等特征的相鄰像素構(gòu)成的不規(guī)則像素塊，它利用像素之間特征的相似性將像素分組，用少量的超像素代替大量的像素來表達(dá)圖片特征，很大程度上降低了后續(xù)圖像處理任務(wù)的復(fù)雜性，它們已經(jīng)成為計(jì)算機(jī)視覺算法的關(guān)鍵步驟。

SLIC是用于生成超像素的方法之一，文獻(xiàn)[15]研究調(diào)查了28個(gè)超像素算法，并說明了SLIC為在實(shí)踐中使用的最佳6種方法之一。該算法將彩色圖像轉(zhuǎn)化為CIELAB顏色空間和XY坐標(biāo)下的5維特征向量，然后對(duì)5維特征向量構(gòu)造距離度量標(biāo)準(zhǔn)，對(duì)圖像像素進(jìn)行局部聚類的過程。SILC包括3個(gè)核心步驟：

(2)超像素生成：將每個(gè)像素點(diǎn)根據(jù)距離度量公式(1)分配到最近的聚類中心，為了加快算法收斂，SLIC將搜索窗口改為2S*2S，而不是k-means算法中的s*s區(qū)域。

(1)

其中，dlab和dxy分別為：

(3)聚類中心更新：新的種子點(diǎn)根據(jù)所有像素的平均l-a-b-x-y向量進(jìn)行更新。

1.3 密度聚類算法(DBSCAN)

該算法是Martin Ester等人[16]提出的對(duì)空間噪聲數(shù)據(jù)進(jìn)行有效聚類的一種方法，核心思想是先發(fā)現(xiàn)密度較高的點(diǎn)，然后把相似的高密度點(diǎn)逐步都連成一片，進(jìn)而生成各種簇。

在文獻(xiàn)[17]中提到密度聚類的相關(guān)定義分別為：

(1)數(shù)據(jù)點(diǎn)的鄰域：以點(diǎn)p為核心,Eps為半徑的鄰域定義為：

NEps={q∈D|dist(p,q)≤Eps}

其中，D為空間中數(shù)據(jù)集的集合，dist(p,q)表示D中p和q間的距離。

(2)直接密度可達(dá)：點(diǎn)p由點(diǎn)q直接密度可達(dá)需滿足p∈NEps，|NEps|≥MinPts。

(3)密度可達(dá)：點(diǎn)p由點(diǎn)q密度可達(dá)需滿足：若有一系列點(diǎn)p1,…,pi,…,pn，p1=q，pn=p，其中pi+1由pi直接密度可達(dá)。

(4)密度相連：點(diǎn)p與點(diǎn)q密度相連需滿足若存在點(diǎn)o，點(diǎn)p與q都由點(diǎn)o密度可達(dá)。

由以上定義可歸納出DBSCAN的定義：由密度可達(dá)關(guān)系導(dǎo)出的最大密度相連的樣本集合，即為最終聚類的一個(gè)類別或一個(gè)簇。

1.4 分割算法評(píng)價(jià)指標(biāo)

一般采取靈敏度(sensitivity，SE)、特異度(specificity，SP)、Dc系數(shù)、Ja指數(shù)、像素精確度Pa和誤差概率(error probability，EP)來評(píng)價(jià)一個(gè)分割算法的性能，相關(guān)定義如下所示：

(2)

(3)

(4)

(5)

(6)

(7)

其中，TP為真陽(yáng)性，F(xiàn)N為假陰性，F(xiàn)P為假陽(yáng)性，TN為真陰性[17]。

1.5 算法流程

所提出的皮膚鏡圖像分割算法流程如下：

Step1：(預(yù)處理)對(duì)整理的300張皮膚鏡圖像進(jìn)行預(yù)處理，由于下載的圖像大小不一，圖像尺寸過大影響算法運(yùn)行時(shí)間，故將這300張皮膚鏡圖像統(tǒng)一大小為256*192。

Step2：(SILC超像素分割)該步驟主要參考文獻(xiàn)[14]，算法描述如算法1所示：

算法1：SILC超像素分割。

輸入：皮膚鏡圖像，超像素個(gè)數(shù)，迭代次數(shù)；

輸出：超像素標(biāo)記圖像I，鄰接矩陣Am，結(jié)構(gòu)體數(shù)組C。

該算法的實(shí)現(xiàn)步驟見1.2節(jié)闡述部分。

文中在算法1的基礎(chǔ)上做了兩個(gè)細(xì)微改變，一是用六邊形網(wǎng)格代替了方形，二是聚類的方向不是沿著最低梯度。

Step3：(密度聚類算法)該算法是在超像素分割的基礎(chǔ)上將顏色相近的超像素合并在一起，達(dá)到皮膚鏡圖像分割的目的。算法流程見算法2。

算法2：密度聚類算法。

輸入：超像素標(biāo)記圖像I，鄰接矩陣Am，結(jié)構(gòu)體數(shù)組C，顏色閾值t；

輸出：超像素新聚類區(qū)域的標(biāo)記圖像Ic。

步驟：

將所有的超像素標(biāo)記為未訪問

(1)選擇第一個(gè)超像素p1,標(biāo)記為已訪問；

(2)根據(jù)鄰接矩陣Am遍歷找出p1滿足顏色閾值t的全部鄰域，將其劃分為N1；

(3)不滿足的超像素則劃分為N2，找出屬于N2的超像素；

(4)繼續(xù)劃分新的簇Ni，直到所有的超像素劃分完畢。

輸出結(jié)果為Ic={N1,N2,…,Nk}。

Step4：(形態(tài)學(xué)處理)經(jīng)過上述步驟處理后的皮膚鏡圖像，由于皮損區(qū)域和背景區(qū)域的多樣性，一些圖像會(huì)出現(xiàn)離散的小洞，用形態(tài)學(xué)方法對(duì)這些圖像進(jìn)行處理，得到最終的分割圖像。

2 實(shí)驗(yàn)結(jié)果與分析

為了判斷所提算法的可行性，從ISIC2018上下載了1 000多張皮膚鏡圖像及其專家標(biāo)注對(duì)應(yīng)的皮損二值分割圖像，從中挑選300張作為所提算法的數(shù)據(jù)集，同時(shí)根據(jù)圖像背景是否復(fù)雜、紋理是否粗糙、皮損區(qū)域是否顯著將皮膚鏡圖像分成了易分，中等和難分3個(gè)數(shù)據(jù)集，以此更全面、更綜合地評(píng)價(jià)所提算法的好壞。由于文中只涉及分割，不涉及分類，所以不對(duì)皮膚病類型作深入研究。

用1.4節(jié)提出的評(píng)價(jià)指標(biāo)評(píng)估文中算法，所使用的是像素級(jí)估計(jì)，即與標(biāo)準(zhǔn)分割圖像相比，能夠正確識(shí)別多少個(gè)病變像素。其中SE表示的是皮損像素的正確率，SP表示的是背景皮膚像素的正確率，Ja指數(shù)和Dc系數(shù)估計(jì)的是標(biāo)準(zhǔn)分割圖像與算法分割病變區(qū)域的重疊程度即相似度。選取了文獻(xiàn)[1]-自適應(yīng)閾值分割算法，文獻(xiàn)[1，4]-水平集分割算法，文獻(xiàn)[8]-結(jié)合顯著性和OSTU分割算法，與文中算法作比較，表1～表3是各算法的分割指標(biāo)對(duì)比情況。

表1 易分組

表2 中等組

表3 難分組

從表1～表3可看出，無(wú)論皮膚鏡圖像的質(zhì)量好壞，文中所提出的算法對(duì)比于文獻(xiàn)[1,4,8]的算法在各項(xiàng)分割指標(biāo)上都取得了很好的效果。

從易分組來看，除特異度指標(biāo)外，其他指標(biāo)文中算法表現(xiàn)得最好，文獻(xiàn)[8]中的算法次之，其中靈敏度取得了比第二名高出10%的結(jié)果，這說明文中算法在檢測(cè)皮損像素上具有較高的敏感性，這很大程度上取決于密度聚類算法能夠很好地檢測(cè)到皮膚鏡圖像的邊緣。從中等組來看，文獻(xiàn)[8]中的算法與文中算法效果不相上下，但同樣從靈敏度可看出，結(jié)合顯著性和OSTU分割算法在處理圖像邊緣時(shí)效果遠(yuǎn)遠(yuǎn)低于文中算法。從難分組來看，所有算法在處理背景比較復(fù)雜、皮損區(qū)域?qū)Ρ榷鹊偷钠つw鏡圖像時(shí)，分割指標(biāo)都不算理想，相比較而言，文中算法取得了相對(duì)較高的結(jié)果。其次，分析三組的相似度指標(biāo)，文中算法的Dc系數(shù)在3種類型的圖像上的結(jié)果分別為0.902 8，0.798 5，0.694 4，都優(yōu)于文中所提到的算法。

圖1是所提算法的整個(gè)過程，圖2是未經(jīng)預(yù)處理的分割圖像，中間省略了部分過程圖像。未經(jīng)過毛發(fā)去除的圖像會(huì)導(dǎo)致分割失敗，可見，對(duì)于有毛發(fā)噪聲的圖像，預(yù)處理步驟可以極大提高分割精度。

圖1 文中算法過程

圖2 未經(jīng)過預(yù)處理的圖像

圖3 易分組

圖4 中等組

圖5 難分組

圖3～圖5是文中算法在易分、中等和難分上的分割結(jié)果以及與其他算法對(duì)比情況。對(duì)于背景比較單一，皮損區(qū)域比較明確的情況，如圖3所示，4種算法都能得到很好的分割效果，但是自適應(yīng)閾值和水平集分割方法并不能捕捉到類似鋸齒的邊界，相反，文獻(xiàn)[8]中的算法和文中算法比較接近真實(shí)的分割結(jié)果，所以它們的Ja指數(shù)和Dc系數(shù)都比較高。對(duì)于圖4中皮損區(qū)域不單一以及與背景圖像相似的情況，自適應(yīng)閾值和水平集都分割失敗，這兩種算法僅能分割出明顯的皮損部分，文中算法在圖2中第一幅圖像上，檢測(cè)出了右下角和上方的非皮損部位，說明該算法較靈敏。對(duì)于圖5分辨率低、難于分割的皮膚鏡圖像，自適應(yīng)閾值和水平集依然分割失敗，文中算法仍然能正確分割出目標(biāo)區(qū)域，但對(duì)于極其模糊的邊界，該算法并不能準(zhǔn)確檢測(cè)出來，也可以看出，文獻(xiàn)[8]中的算法能處理不均勻但無(wú)法處理模糊邊界。對(duì)于那些極難分割的圖像，如圖6，所有的分割算法都無(wú)效。

圖6 難分中分割失敗的皮膚鏡圖像

3 結(jié)束語(yǔ)

提出了一種基于超像素和密度聚類的皮膚鏡圖像分割算法，該算法中間過程少，運(yùn)行速度快(運(yùn)行一張圖片僅需2秒的時(shí)間)。能夠準(zhǔn)確檢測(cè)皮膚鏡圖像的弱邊緣，這點(diǎn)對(duì)比于其他分割算法具有很大的優(yōu)勢(shì)，分割精度也與其他分割算法相比更高。同時(shí)對(duì)于毛發(fā)噪聲提出了一種新的去除方法，該方法原理簡(jiǎn)單，效果較好。

對(duì)于不同類型的皮膚病圖像，因?yàn)樵诿芏染垲愃惴ɡ镄枰O(shè)置合適的閾值，所以所提出的算法對(duì)于部分圖像需要手動(dòng)調(diào)參，而關(guān)于皮膚鏡圖像分割的算法很多，但通用的算法很少。因此，研究皮膚鏡圖像的分割將會(huì)是一個(gè)長(zhǎng)期而艱巨的過程。