鄭小小，王云夏，吳淑蓮，李 暉

(福建師范大學光電與信息工程學院，福建 倉山 350007)

0 引言

皮膚癌是臨床上常見的皮膚惡性腫瘤，其中基底細胞癌(BCC)和鱗狀細胞癌(SCC)是兩種最常見的皮膚癌。近年來的研究表明，太陽光中的紫外光輻射，通常是引起皮膚BCC和SCC最重要的危險因素。對于皮膚BCC的診斷和評估是很困難的，其早期癥狀與某些良性疾病如日光性角化病等非常相似，很難分辨，常常出現(xiàn)誤診。

因此，皮膚紋理分析方法成為現(xiàn)階段對皮膚病變組織評估較為客觀的方法之一。早期應用的機械探測方法，其原理是利用具有一定強度的探針對皮膚復膜表面進行探測，精度和靈敏度不是很高。目前國際上廣泛采用的硅膠皮膚復膜制備樣品，主要是通過檢測皮膚紋理皺紋在斜射光下形成的陰影面積，再換算得到皮膚紋理的深度和粗細度。該方法的靈敏度和精度得到了一定的提高。本文主要通過對現(xiàn)有的方法的改進，在基于圖像紋理分析上提出一種新的皮膚紋理的測量及識別方法，客觀定量地評價皮膚在紫外光輻照下紋理特征的變化情況，從而正確分類、識別出各類皮膚特征，為皮膚的診斷提供一定的參考依據(jù)。

1 材料與方法

以ICR小白鼠作為動物模型，20只，鼠齡8周，體重20 g左右。在實驗前用2%的戊巴比妥鈉麻醉劑對其麻醉，接著用脫毛膏對其背部固定一小塊面積進行脫毛(切勿刮傷皮膚)，然后用劑量為180 mJ/cm2，輻射強度為3200 mJ/cm2的UVB光照射，每周三次，一次照射20 min。

在不同的階段用皮膚監(jiān)測儀進行監(jiān)控并采集出不同時期的皮膚圖像5幅/只，對采集到不同階段的小鼠皮膚圖像進行預處理。然后利用空間灰度共生矩陣法提取一些如能量、熵、慣性矩和相關度等特性參數(shù)。最后，結合提取到的皮膚紋理特性參數(shù)，用神經(jīng)網(wǎng)絡中的NNtool經(jīng)過設置相關參數(shù)后對圖像進行分類和識別。

2 結果與討論

使用皮膚監(jiān)測儀獲得的結果經(jīng)過灰度及中值濾波預處理后的示例圖像如圖1所示。可以看出，a1圖紋理較為細密，圖a2和a3的紋理相對來說粗糙一點，而圖a4的紋理比較雜亂，不夠清晰。

圖1 經(jīng)過預處理后不同時期的小鼠皮膚圖像Fig.1 The mice skin images of different periods after pretreatment

由灰度共生矩陣法提取紋理特征，如下表1所示，對能量而言，角二階矩ASM反映了圖像分布的均勻程度和紋理粗糙程度。隨著照射時間的加長，皮膚紋理變得越來越粗，并且越來越疏松。但是第9周的時候，ASM反而有所減小，皮膚紋理收縮，相對6周比較，紋理分布反而更密集一些。對熵而言，熵值和ASM值相反，它反映的是灰度分布的隨機性大小。如果圖像灰度分布的隨機性大，則灰度共生矩陣中的所有非零值幾乎相等，此時熵最大。由表1可知，隨著ASM值逐漸增大，熵值會逐漸減小，反之，ASM值增大，熵值也會隨之增大。所以，熵越大，紋理會越密集，反之紋理稀疏的圖像熵值小。對慣性矩而言，它的大小反映了像素的多少以及紋理的粗糙程度，隨著照射時間的加長，紋理變得稀疏無規(guī)則，像素對變少，紋理變粗，對比度就會有所下降，由表1知，第9周與第6周對比度相差不是很明顯。對相關度而言，它反映了圖像中紋理區(qū)域在某方向上的相似性，是就圖像局部灰度線性相關的度量。從圖像中清晰地觀察到對比度小的圖像，其相關性就大，對比度大，相關性就小?？偠灾?，在照射到第9周的時候，小鼠皮膚紋理特征出現(xiàn)了一定的反?，F(xiàn)象，這個說明小鼠皮膚紋理在后期出現(xiàn)了一定的紊亂現(xiàn)象，這與文獻［7］報道相吻合。

表1 小鼠皮膚圖像灰度共生矩陣特征值Tab.1 The gray level co-occurrence matrix eigenvalues of mice skin images

建立皮膚紋理圖像的特征向量為X=(ASM，CON，COR，ENT)，即 X=(X1，X2，X3，X4)，將此向量歸一化后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡工具箱nntool的輸入。神經(jīng)網(wǎng)絡的輸出值為(Y1，Y2，Y3，Y4)，代表不同時期的皮膚種類。采用matlab6.5中的神經(jīng)網(wǎng)絡工具箱，設置相關參數(shù)，對網(wǎng)絡進行訓練，網(wǎng)絡經(jīng)過100次迭代，收斂于誤差0.08，得到訓練的誤差曲線如圖2所示，訓練結果如表2所示，實際輸出與理論值完全匹配，很好地證明網(wǎng)絡時對隱含層節(jié)點數(shù)的選擇是合理的，同時也驗證了采用NNtool訓練的BP網(wǎng)絡算法的有效性。

表2 小鼠皮膚圖像的網(wǎng)絡訓練結果Tab.2 The network training results of mice skin images

圖2 網(wǎng)絡訓練誤差變化曲線Fig.2 The error change curve of network training

接下來進入NNtool的simulate界面，隨機選取待識別的20幅小鼠皮膚紋理圖像，對這些圖像預處理后提取特征值并歸一化，把歸一化后的特征值組成的矩陣作為訓練好的網(wǎng)絡的輸入矩陣p1。通過仿真分析，皮膚圖像的分類識別正確率為85%，可見基于神經(jīng)網(wǎng)絡的NNtool具有有較好的識別效果。

3 結論

如何客觀、定量準確地評價人體皮膚當前狀態(tài)一直是研究人員關注并且尚未完全解決的問題。在傳統(tǒng)的醫(yī)學美容中，專業(yè)醫(yī)師或者美容師一般是通過結合病理學知識以及個人的經(jīng)驗來分析皮膚的表面狀態(tài)，這樣診斷出來的結果往往無法精確反映皮膚的真實狀態(tài)。而本文是在空間灰度共生矩陣法的數(shù)學特征分析的基礎上，提取了最能準確表征人臉皮膚紋理圖像類別的四個重要特征，即:能量，熵，慣性矩，相關度。建立了皮膚紋理的測量識別模型。利用NNtool來構建神經(jīng)網(wǎng)絡系統(tǒng)，對皮膚紋理進行訓練與分類識別，實驗結果證明了這種皮膚紋理分析識別方法的可行性和有效性，并且簡單快速，精度較高。有望對皮膚病變組織作出較為客觀評估。

［1］王文鑫，王曉彥.皮膚鱗狀細胞癌及基底細胞癌的治療進展［J］.內(nèi)蒙古醫(yī)學雜志，2008(11):1346-1348.WANG Wenxin，WANG Xiaoyan.Squamous cell carcinoma of the skin and the treatment of basal cell carcinoma［J］.Inner Mongolia Medical Journal，2008(11):1346-1348.

［2］楊金谷，熊舒原.人皮膚基底細胞癌、鱗狀細胞癌的診斷及治療［J］.中國當代醫(yī)藥，2011，(11):13-15.YANG Jingu，XIONG Shuyuan.Human skin basal cell carcinoma(BCC)，squamous cell carcinoma of the diagnosis and treatment［J］.Contemporary Chinese Medicine，2011，(11):13-15.

［3］鄒曉紅.基于TFBP網(wǎng)絡的人臉皮膚紋理識別方法［J］.傳感技術學報，2005，(2):262-264.ZOU Xiaohong.Facial skin texture recognition method based on TFBP network［J］.Chinese Journal of Structural Chemistry，2005，(2):262-264.

［4］謝菲.圖像紋理特征的提取和圖像分類系統(tǒng)研究及實現(xiàn)［D］.電子科技大學碩士論文，2009:5-7.XIE Fei.The extraction of image tecture feature and image classification system research and implementation［D］.Master’s Thesis of University of Electronic Science and Technology of China，2009:5-7.

［5］TAMURA H，MORI S，YAMAWAKI T.Texture features corresponding to visual percept ion［J］.IEEE Transactions on Systems，Man，and Cybernetics，1978，SMC-8(6):460-473.

［6］王福昌，張寶雷，張同慶.神經(jīng)網(wǎng)絡工具nntool及其應用［J］.計算機與現(xiàn)代化，2003(9):84-86.WANG Fuchang，ZHANG Baolei，ZHANG Tongqing.Neural networks tool nntool and its application［J］.Computer and Modern，2003(9):84-86.

［7］高程程，惠曉威.基于灰度共生矩陣的紋理特征提?。跩］.計算機系統(tǒng)應用，2010，(19):195-198.GAO Chengcheng，HUI Xiaowei.Based on gray level co-occurrence matrix texture feature extraction［J］.The Computer System Application，2010，(19):195-198.

［8］王南蘭，潘湘高.Matlab/NNTool在神經(jīng)網(wǎng)絡系統(tǒng)仿真中的應用［J］.計算機仿真，2004，(4):125-128.WANG Nanlan，PAN Xianggao.Matlab/NNTool in the application of neural network system simulation［J］. Computer Simulation，2004，(4):125-128.

［9］程英，王學民，袁肖海.皮膚顏色客觀評估方法的比較［J］.臨床皮膚科雜志，2005(7):424-426.CHENG Ying，WANG Xuemin，YUAN Xiaohai.The objective evaluation method of skin color［J］.Journal of Clinical Dermatology，2005(7):424-426.

［10］ 趙倩.皮膚顯微圖像自動識別系統(tǒng)的研究［D］.上海大學碩士論文.2005:1-2.ZHAO Qian.Skin microscopic image automatic identification system research［D］.Master’s thesis of Shanghai University.2005:1-2.

［11］ 唐忠，謝濤.Matlab神經(jīng)網(wǎng)絡工具 NNTool的應用與仿真［J］.計算機與現(xiàn)代化，2012，(12):44-48.TANG Zhong，XIE Tao.The application and simulation of Matlab neural network tool NNTool［J］.Computer and Modern，2012，(12):44-48.