范玉 張乾 白金華 張宇航

摘要：由于皮膚癌黑色素瘤特有的噪聲分布不均一、關(guān)鍵信息占比小的問題，使得圖像病灶邊緣模糊，容易出現(xiàn)誤分割，無法滿足精度要求。提出一種改進(jìn)的結(jié)構(gòu)森林模型對(duì)黑色素瘤圖像病灶進(jìn)行分割，設(shè)計(jì)一種有效的輸入方案，通過二維高斯函數(shù)進(jìn)行去噪，根據(jù)圖像像素特點(diǎn)自適應(yīng)選擇閾值增強(qiáng)病灶邊緣，結(jié)合數(shù)學(xué)形態(tài)學(xué)突出有效信息，從而提高分割精度。在ISIC公開的數(shù)據(jù)集HAM10000上選取的部分?jǐn)?shù)據(jù)試驗(yàn)結(jié)果表明，改進(jìn)后的模型在保持大部分關(guān)鍵信息的情況下，比原始模型分割速度更快、效果更好。

關(guān)鍵詞：皮膚癌黑色素瘤；改進(jìn)結(jié)構(gòu)森林；數(shù)學(xué)形態(tài)學(xué)；病灶分割

中圖分類號(hào)：TP393文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1008-1739（2021）22-66-5

0引言

醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像處理與分析領(lǐng)域復(fù)雜而關(guān)鍵的步驟，目的是將醫(yī)學(xué)圖像中具有某些特殊含義的部分分割出來，有助于后續(xù)提取圖像感興趣區(qū)域的相關(guān)特征，并給臨床診療和病理學(xué)研究提供可靠的依據(jù)，輔助醫(yī)生做出更為準(zhǔn)確的診斷。

目前國內(nèi)外廣泛使用的醫(yī)學(xué)圖像分割方法有很多種，包括傳統(tǒng)算法和深度學(xué)習(xí)[1]算法，本文主要了解關(guān)于傳統(tǒng)的圖像分割方法。閾值分割是最常見的一種分割方法，基于對(duì)灰度圖的假設(shè)，有效對(duì)圖像進(jìn)行了分割，比如伏金浩等人[1]提出的一種基于改進(jìn)閾值與邊緣梯度的亮場(chǎng)干細(xì)胞圖像分割方法，準(zhǔn)確分割了細(xì)胞的邊緣輪廓，比傳統(tǒng)的閾值分割方法具有更好的分割效果?；谶吘壍姆指罘椒ㄊ侨藗冏钤缪芯康姆椒?，由于區(qū)域邊緣上的像素變化一般比較劇烈，所以該方法試圖通過檢測(cè)不同區(qū)域間的邊緣來解決圖像分割問題，龐明明和安建成[3]將模糊數(shù)學(xué)與局部二值模式相融合，結(jié)合Canny算子[4]提出了一種FLBP-Canny算法來提取圖像目標(biāo)區(qū)域輪廓，實(shí)驗(yàn)結(jié)果表明該算法有較好的檢測(cè)率；基于區(qū)域的分割方法按照?qǐng)D像的相似性準(zhǔn)則對(duì)圖像區(qū)域進(jìn)行劃分，比如柳丁和張東[4]對(duì)分水嶺算法多分割的缺點(diǎn)用2種算法進(jìn)行了改進(jìn)，并將其有效用到了超聲腫瘤圖像中進(jìn)行分割。還有一種通過求解能量泛函的最小值找到目標(biāo)輪廓來實(shí)現(xiàn)分割過程的活動(dòng)輪廓模型，王孝義[6]等人提出了一種基于自適應(yīng)能量偏移場(chǎng)的無邊緣主動(dòng)輪廓模型AEOF-CV，對(duì)DDSM數(shù)據(jù)庫的乳腺腫塊圖像進(jìn)行處理后，使用該模型乳腺腫塊進(jìn)行分割，總識(shí)別率高達(dá)94%，提高了乳腺癌檢測(cè)的精準(zhǔn)度和效率?；趫D論的分割方法則將圖像分割問題與圖的最小割問題關(guān)聯(lián)，由于皮膚圖像在邊界、對(duì)比度和形狀大小方面存在的困難，Seetharani等人[7]用GrabCut算法[8]對(duì)皮膚病灶進(jìn)行分割，再用傳統(tǒng)的K-means聚類算法[10]改善了分割邊界，在PH2與ISBI2017的數(shù)據(jù)集上試驗(yàn)后，Dice系數(shù)值分別為0.913 9和0.823 6，展示了不錯(cuò)的分割效果，顯示了圖論方法分割的優(yōu)良。

本文充分借鑒前人在傳統(tǒng)機(jī)器學(xué)習(xí)領(lǐng)域所做的工作，參考Dollár Piotr和Zitnick C Lawrence[9]提出了一種結(jié)合結(jié)構(gòu)化學(xué)習(xí)與隨機(jī)森林（Random Forest，RF）的結(jié)構(gòu)隨機(jī)森林算法[12]，針對(duì)獲取的黑色素瘤皮膚鏡圖像，考慮黑色素瘤本身的特性，對(duì)結(jié)構(gòu)森林模型進(jìn)行改進(jìn)后用于皮膚病灶的精確分割。

1相關(guān)理論

1.1隨機(jī)森林

RF[13]是集成多棵決策樹的組合，這些決策樹之間是相互獨(dú)立的，且該算法實(shí)現(xiàn)簡(jiǎn)單、計(jì)算開銷小、穩(wěn)定性高，比單棵決策樹具有更好的泛化能力和抗過擬合能力。隨機(jī)森林是對(duì)個(gè)獨(dú)立樹的訓(xùn)練，給定一個(gè)樣本，輸入在樹上的輸出，存儲(chǔ)在到達(dá)的葉子處的預(yù)測(cè)可以是目標(biāo)標(biāo)簽∈或是標(biāo)簽上的分布，使用一個(gè)集成模型將決策樹的預(yù)測(cè)結(jié)果組合成單個(gè)輸出，RF流程如圖1所示。

為了使輸出空間更泛化，引入一個(gè)近似的更一般的信息增益準(zhǔn)則，并用于結(jié)構(gòu)化標(biāo)簽中得到廣義結(jié)構(gòu)森林公式，將隨機(jī)決策森林?jǐn)U展到結(jié)構(gòu)隨機(jī)森林。

1.2結(jié)構(gòu)森林

圖像局部塊的邊緣是高度相互依賴的，而一種被稱為結(jié)構(gòu)化學(xué)習(xí)的方法被用于解決這種表現(xiàn)出相似特征的問題，本文利用圖像邊緣塊的這種固有結(jié)構(gòu)，提出一種應(yīng)用于邊緣檢測(cè)的結(jié)構(gòu)化學(xué)習(xí)方法，通過將隨機(jī)決策森林?jǐn)U展到二維空間，利用其框架捕獲結(jié)構(gòu)化信息來進(jìn)行訓(xùn)練，得到結(jié)構(gòu)森林模型。

結(jié)構(gòu)森林是一個(gè)用結(jié)構(gòu)化標(biāo)簽訓(xùn)練RF的過程，使用結(jié)構(gòu)化標(biāo)簽來確定樹中每個(gè)分支的分裂函數(shù)來學(xué)習(xí)ID3決策樹，這也同時(shí)帶來了2個(gè)主要挑戰(zhàn)，一是結(jié)構(gòu)化標(biāo)簽的信息增益定義困難；二是結(jié)構(gòu)化輸出空間高維復(fù)雜，計(jì)算復(fù)雜度較高，下面針對(duì)2個(gè)挑戰(zhàn)提出了以下的解決措施：

2本文方法

結(jié)構(gòu)森林將邊緣檢測(cè)問題表達(dá)為在給定輸入圖像塊的情況下預(yù)測(cè)局部分割掩模，且結(jié)構(gòu)化標(biāo)簽可以預(yù)測(cè)整個(gè)圖像領(lǐng)域的信息，大大減少了需要評(píng)估的樹的數(shù)量，相比同類算法極大提升了訓(xùn)練效率。

3實(shí)驗(yàn)分析

3.1數(shù)據(jù)采集

本文的研究對(duì)象是皮膚癌黑色素瘤，本實(shí)驗(yàn)數(shù)據(jù)集HAM10000來源于國際皮膚圖像官網(wǎng)ISIC，該數(shù)據(jù)集收集了大量常見的色素性皮膚病變的多源皮膚鏡圖像，數(shù)據(jù)具備充分性和多樣性，研究證明可以作為學(xué)術(shù)機(jī)器學(xué)習(xí)的基準(zhǔn)數(shù)據(jù)集[16]。

本文僅選取部分圖像進(jìn)行試驗(yàn)，圖像數(shù)據(jù)如圖2所示。數(shù)據(jù)選取具有隨機(jī)性，主要包括良性和惡性皮膚鏡圖像，數(shù)據(jù)格式為常用的JPG格式，分辨率大小一致，均為600 pixel×450 pixel。

3.2結(jié)果分析

試驗(yàn)的結(jié)構(gòu)森林模型訓(xùn)練環(huán)境為MATLAB2014a；實(shí)驗(yàn)環(huán)境為個(gè)人PC機(jī)，處理器Intel（R） Core（TM） i7-8750H CPU @ 2.2 GHz，內(nèi)存為8 GB，軟件環(huán)境Windows10（64-bit）操作系統(tǒng)。

根據(jù)本文選取的黑色素瘤的良性和惡性皮膚鏡圖像數(shù)據(jù)，先將數(shù)據(jù)集中的圖像輸入原始結(jié)構(gòu)森林模型進(jìn)行訓(xùn)練，結(jié)構(gòu)森林訓(xùn)練結(jié)果如圖3所示，其中分割圖seg1與分割圖seg2均為結(jié)構(gòu)森林模型的分割結(jié)果，二者是一對(duì)二值反色圖，本質(zhì)上是一致的，目的是增強(qiáng)模型分割的對(duì)比效果。

從結(jié)構(gòu)森林的訓(xùn)練結(jié)果可得，左側(cè)兩圖中的惡性圖像具有噪聲擾動(dòng)大和邊界不規(guī)則的性質(zhì)，訓(xùn)練時(shí)圖像容易受到這些特性的影響，造成分割效果較差，而右側(cè)兩圖中的良性圖像的邊界分布較均勻，擾動(dòng)也較小，但是分割效果也不佳，明顯觀察到其中的毛發(fā)、氣泡這些信息被誤認(rèn)為是主要分割內(nèi)容，掩蓋了真正要分割的部分，造成整體分割精度不理想。

原始的結(jié)構(gòu)森林的黑色素瘤分割主要帶來了2個(gè)問題：一是圖像屬性差異使得病灶邊緣模糊，不易確定分割區(qū)域；二是醫(yī)學(xué)圖像本身的毛發(fā)、氣泡等噪聲干擾使得分割時(shí)易產(chǎn)生誤分，關(guān)鍵信息占比也受到極大影響。為了解決這些問題，本文對(duì)結(jié)構(gòu)森林模型進(jìn)行改進(jìn)，通過高斯濾波去除圖像噪聲，減少干擾因子，利用大津閾值法確定圖像病灶邊緣。圖4（a）為經(jīng)大津法得到的雙峰直方圖，用于確定最佳閾值，通過該閾值的選取完成對(duì)圖像的初步分割，得到圖4（b）中初分割后的直方圖，從圖4中可以看到，不同灰度級(jí)（0～255）對(duì)應(yīng)的像素個(gè)數(shù)隨著灰度級(jí)的變化而變化的情況。

接著采用二值形態(tài)學(xué)閉運(yùn)算去除黑色素瘤的毛發(fā)、氣泡等無關(guān)信息，突出關(guān)鍵信息，改進(jìn)后的結(jié)構(gòu)森林效果顯著，圖5是改進(jìn)后的模型分割差異對(duì)比，對(duì)比原始結(jié)構(gòu)森林，模型改進(jìn)后的圖像分割效果遠(yuǎn)遠(yuǎn)好于改進(jìn)前，這是因?yàn)楸疚奶岢龅姆椒ㄔ谔幚砭哂蓄愃坪谏亓鰣D像這樣的特質(zhì)時(shí)有較強(qiáng)的針對(duì)性，使得圖像中的噪聲干擾大大降低，明顯觀察到圖像分割邊界更加完整，關(guān)鍵信息尤其突出，分割效果大大提升，且訓(xùn)練速度相比原始的模型更快、更穩(wěn)定，再次驗(yàn)證了本文的改進(jìn)方法應(yīng)用于黑色素瘤中時(shí)分割效果相當(dāng)顯著。

4結(jié)束語

通過將皮膚癌黑色素瘤在改進(jìn)前后模型中的分割圖進(jìn)行對(duì)比，得出改進(jìn)后的結(jié)構(gòu)森林對(duì)于黑色素瘤圖像分割效果明顯提升，首先因?yàn)楹谏亓龅膱D像不同于普通圖像，不僅包括普通圖像的特征，還有醫(yī)學(xué)圖像固有的特性，需要針對(duì)這種特性使用有針對(duì)性的處理方法。而實(shí)驗(yàn)結(jié)果也表明，本文使用的這種改進(jìn)方式能有效解決提出的問題，不僅減弱了噪聲，還凸顯了關(guān)鍵信息，提升了模型分割精度，且改進(jìn)的結(jié)構(gòu)森林算法對(duì)醫(yī)學(xué)領(lǐng)域具有較好的解釋，對(duì)于同類問題的應(yīng)用有很好的發(fā)展前景，為更準(zhǔn)確地對(duì)皮膚癌進(jìn)行早期診斷打下堅(jiān)實(shí)基礎(chǔ)。

參考文獻(xiàn)

[1]彭璟，羅浩宇，趙淦森，等.深度學(xué)習(xí)下的醫(yī)學(xué)影像分割算法綜述[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（3）：44-57.

[2]伏金浩，王劍平，聞路紅，等.基于改進(jìn)閾值與邊緣梯度的亮場(chǎng)干細(xì)胞圖像分割方法[J].電子測(cè)量技術(shù)，2020，43（20）：109-114.

[3]龐明明，安建成.融合模糊LBP和Canny邊緣的圖像分割[J].計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（12）：3533-3537.

[4]李祥健，朱家明，徐婷宜.基于改進(jìn)Canny算子的雙水平集醫(yī)學(xué)圖像分割[J].無線電通信技術(shù)，2021，47（2）：226-231.

[5]柳丁，張東.改進(jìn)的分水嶺算法在超聲腫瘤圖像分割中的應(yīng)用[J].半導(dǎo)體光電，2017，38（6）：898-901.

[6]王孝義，邢素霞，王瑜，等.基于自適應(yīng)能量偏移場(chǎng)無邊緣主動(dòng)輪廓模型的乳腺腫塊分割與分類方法研究[J].中國醫(yī)學(xué)物理學(xué)雜志，2020，37（8）：1010-1016.

[7] SEETHARANI M J， PALANIAPPAN M， CHANDRABOSE A. Automated Skin Lesion Segmentation of Dermoscopic Images Using Grabcut and K-Means Algorithms[J]. IET Computer Vision， 2018，12（8）：1088-1095.

[8] U NVER H M，AYAN E. Skin Lesion Segmentation in Dermoscopic Images with Combination of YOLO and GrabCut Algorithm[J]. Diagnostics，2019，9（72）：97-114.

[9]王波，馮旭鵬，劉利軍，等.基于改進(jìn)YOLO算法的肺部CT圖像中結(jié)節(jié)檢測(cè)研究[J].北京生物醫(yī)學(xué)工程，2020，39（6）： 615-621.

[10]宗曉萍，田偉倩.采用K-means的腦腫瘤磁共振圖像分割與特征提取[J].計(jì)算機(jī)工程與應(yīng)用，2020，56（3）：187-193.

[11] DOLLA R P， ZITNICK C L. Fast Edge Detection Using Structured Forests[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015，37（8）：1558-1570.

[12] LIU X H. Cell Coverage Estimation Based on Structured Random Forests Edge Detection and Boundary Tracking Proceedings of 2020 International Conference on Artificial Intelligence and Communication Technology （AICT 2020）. Chongqing： Clausius Scientific Press， 2020： 22-25.

[13]李長勝，王瑜，肖洪兵，等.基于隨機(jī)森林算法的阿爾茨海默癥醫(yī)學(xué)影像分類[J].中國醫(yī)學(xué)物理學(xué)雜志，2020，37（8）： 1005-1009.

[14]劉俠，甘權(quán)，李冰，等.融合加權(quán)隨機(jī)森林的自動(dòng)3D椎骨CT圖像主動(dòng)輪廓分割方法[J].光電工程，2020，47（12）：37-48.

[15] RAFAEL C G.數(shù)字圖像處理：第3版[M].阮秋琦，譯.北京：電子工業(yè)出版社，2017.

[16] PHILIPP T，CLIFF R，HARALD K. The HAM10000 Dataset， a Large Collection of Multi-Source Dermatoscopic Images of Common Pigmented Skin Lesions[J]. Scientific Data， 2018，5（1）：1068-1073.