基于神經網絡中的NNTool對小鼠皮膚的識別方法＊

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，常常出現誤診。

因此，皮膚紋理分析方法成為現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。

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測儀進行監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。最后，結合提取到的皮膚紋理特性參數，用神經網絡中的NNtool經過設置相關參數后對圖像進行分類和識別。

2 結果與討論

使用皮膚監測儀獲得的結果經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。總而言之，在照射到第9周的時候，小鼠皮膚紋理特征出現了一定的反常現象，這個說明小鼠皮膚紋理在后期出現了一定的紊亂現象，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據作為神經網絡工具箱nntool的輸入。神經網絡的輸出值為(Y1，Y2，Y3，Y4)，代表不同時期的皮膚種類。采用matlab6.5中的神經網絡工具箱，設置相關參數，對網絡進行訓練，網絡經過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，很好地證明網絡時對隱含層節點數的選擇是合理的，同時也驗證了采用NNtool訓練的BP網絡算法的有效性。

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

圖2 網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%，可見基于神經網絡的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一直是研究人員關注并且尚未完全解決的問題。在傳統的醫學美容中，專業醫師或者美容師一般是通過結合病理學知識以及個人的經驗來分析皮膚的表面狀態，這樣診斷出來的結果往往無法精確反映皮膚的真實狀態。而本文是在空間灰度共生矩陣法的數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來構建神經網絡系統，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］.內蒙古醫學雜志，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研究及實現［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.神經網絡工具nntool及其應用［J］.計算機與現代化，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取［J］.計算機系統應用，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在神經網絡系統仿真中的應用［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神經網絡工具 NNTool的應用與仿真［J］.計算機與現代化，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.