基于改進(jìn)PCNN的皮膚鏡圖像識(shí)別研究

盧厚達(dá)，李 昕，岳 文

（遼寧工業(yè)大學(xué) 遼寧 錦州 121001）

0 引言

多類皮膚癌中最為致命的即為黑色素瘤，其發(fā)病誘因多為皮膚受損、燒傷和過度的紫外線照射，并且早期和晚期的預(yù)后效果相差極大。據(jù)統(tǒng)計(jì)，在美國及澳大利亞等國家，每10萬人中便有50～60人患病，患者若是在發(fā)病初期得到治療，其治愈率可達(dá)到98%，且預(yù)后效果良好，而晚期患者治療手段有限，并且預(yù)后效果極差，其治愈后的生存期平均時(shí)長僅有6～9個(gè)月[1]，極大地威脅了人們的身體健康。本研究致力于提高皮膚鏡圖像識(shí)別的準(zhǔn)確率和便捷皮膚鏡圖像的診斷。

1 設(shè)計(jì)思路及流程

針對(duì)上文提出的問題，首先需要進(jìn)行圖像預(yù)處理，皮膚鏡圖像中往往存在較多干擾信息，例如人體毛發(fā)和拍攝時(shí)涂抹液體產(chǎn)生的氣泡等，因此首先進(jìn)行圖像去噪處理。然后利用改進(jìn)的PCNN模型對(duì)圖像的病灶區(qū)進(jìn)行邊緣檢測(cè)，提取皮膚鏡圖像的“ABCD”特征進(jìn)行評(píng)分，以該評(píng)分所處區(qū)間對(duì)圖像類型進(jìn)行分類。整體流程見圖1。

1.1 數(shù)據(jù)集

足夠的數(shù)據(jù)樣本是實(shí)驗(yàn)的前提，本文采用的數(shù)據(jù)集為ISIC2017，該數(shù)據(jù)集涵蓋皮膚鏡圖像約7萬張，并且根據(jù)臨床結(jié)果將皮膚鏡圖像分成了20余類。

1.2 基于圖像ABCD特征的得分算法

在最后的評(píng)分中，根據(jù)ABCD規(guī)則[2]，將提取特征來評(píng)估總皮膚鏡評(píng)分(TDS評(píng)分)。ABCD規(guī)則即為A（Asymmetry不對(duì)稱性）、B（Bonder 邊界）、C（Color 顏色）、D（Diameter 直徑）4項(xiàng)特征，用于區(qū)分良性和惡性黑素細(xì)胞腫瘤。TDS評(píng)分是所有特征評(píng)分的線性表達(dá)：

根據(jù)ABCD規(guī)則，將影響系數(shù)的值固定為a=1.3、b=0.1、c=0.5、d=0.5。利用ABCD規(guī)則對(duì)皮膚病變進(jìn)行判定，需要基于以下條件：如果TDS值≥5.45為惡性黑色素瘤；4.75≤TDS＜5.45，則該皮膚病變存在風(fēng)險(xiǎn)；TDS＜4.75，則較為安全，為良性瘤。

1.3 PCNN邊緣檢測(cè)算法研究

PCNN模型[3]起源于對(duì)貓的視覺皮層神經(jīng)元脈沖串同步振蕩現(xiàn)象的研究。其基本工作原理可由如下方程表示：

式（2）中Fij(n)就是第(i,j)個(gè)神經(jīng)元的n次反饋輸出；Sij為外部的刺激信號(hào)，多數(shù)情況為輸入圖像第(i,j)像素點(diǎn)的灰度值；式（3）中Lij(n)為線性輸入項(xiàng)，即周圍像素點(diǎn)的輸出對(duì)該像素點(diǎn)的影響；式（4）中β為內(nèi)部活動(dòng)項(xiàng)的連接系數(shù)；Eij(n)為神經(jīng)元的內(nèi)部活動(dòng)項(xiàng)Uij(n)能否激發(fā)脈沖產(chǎn)生的動(dòng)態(tài)閾值；Yij(n)則是PCNN的脈沖輸出。aF和VF，aL和VL，aE和VE分別表示對(duì)應(yīng)子系統(tǒng)的迭代衰減時(shí)間常數(shù)和連接權(quán)放大系數(shù)。其神經(jīng)元模型見圖2。

當(dāng)內(nèi)部連接矩陣M、W所在鄰域內(nèi)有灰度值相近的像素點(diǎn)存在時(shí)，那么這中間某一像素點(diǎn)的脈沖輸出將會(huì)引起周圍的灰度相近的像素點(diǎn)對(duì)應(yīng)神經(jīng)元的激發(fā)，產(chǎn)生脈沖序列進(jìn)行有效輸出。這便是PCNN進(jìn)行圖像邊緣檢測(cè)的簡(jiǎn)單原理。

2 設(shè)計(jì)關(guān)鍵點(diǎn)

2.1 毛發(fā)檢測(cè)和圖像去噪

我們認(rèn)為皮膚病變u(x)，x=(x1,x2)∈R2的灰度是一個(gè)規(guī)則曲面。對(duì)于給定像素(i,j)，i∈{1，…，m}，j∈{1，…，n}，m和n分別是圖像視界和垂直圖像像素的個(gè)數(shù)，可以用Hessian表示：

其中σ為標(biāo)準(zhǔn)差，其作用是一個(gè)對(duì)于奇數(shù)大小的窗口中低通濾波器的高斯核的空間尺度參數(shù)：

y=(y1,y2),y1,y2∈｛1,3,5,...｝，并且w=G(y)*u，這個(gè)符號(hào)*代表二維卷積。因此，w是將高斯核與標(biāo)準(zhǔn)差σ的二維卷積應(yīng)用于輸入圖像u的結(jié)果。在實(shí)際中，通常使用對(duì)稱的高斯核(即y1=y2)。

Hessian的最大和最小特征值稱為主曲率λi+j和λi-j。最大主曲率探測(cè)到淺色背景上的暗線，最小主曲率λij-探測(cè)到深色背景上的亮線[4]。我們注意到這些主曲率定義在每個(gè)像素(i,j)上。

設(shè)Λ+，Λ-分別為最大主曲率矩陣和最小主曲率矩陣，則其與曲率兩者間的關(guān)系如式（9）和式（10）所示：

稱下列矩陣為自適應(yīng)主曲率矩陣：

估計(jì)自適應(yīng)主曲率對(duì)毛發(fā)對(duì)比度的改善效果要比只檢測(cè)梯度幅值和最大主曲率更好，因?yàn)樽赃m應(yīng)主曲率將創(chuàng)建一個(gè)實(shí)體結(jié)構(gòu)。基于上文所述的自適應(yīng)模型，圖3顯示了毛發(fā)檢測(cè)和去除的效果。

2.2 簡(jiǎn)化PCNN模型

目前，傳統(tǒng)的PCNN模型和一些改進(jìn)的PCNN模型都存在多次反饋迭代和各種參數(shù)調(diào)整的問題，不僅耗時(shí)，而且難以實(shí)現(xiàn)。因此，我們提出了一個(gè)簡(jiǎn)化的PCNN（下稱為S-PCNN）模型，見圖4。

S-PCNN模型首先消除了反饋區(qū)和連接區(qū)中所有的漏電積分器，以減少迭代。 正如許多其他改進(jìn)的PCNN模型一樣，在式（12）中，輸入Fij(n)只接收外部刺激Sij。然后我們對(duì)式（13）進(jìn)行簡(jiǎn)化，將連接輸入Lij設(shè)置為只接收外部刺激Skl而不是Ykl，后者不是一個(gè)動(dòng)態(tài)變量，而是一個(gè)輸入圖像的常數(shù)。這是我們簡(jiǎn)化的PCNN模型的關(guān)鍵修改。此外，消除了衰減函數(shù)，閾值Eij是一個(gè)手動(dòng)設(shè)置的常數(shù)，以控制整個(gè)網(wǎng)絡(luò)的放電。簡(jiǎn)化的PCNN模型中保留的參數(shù)為Wijkl、β和Eij。

3 實(shí)現(xiàn)效果

PCNN并不是以簡(jiǎn)單的求和方式影響單個(gè)神經(jīng)元的脈沖發(fā)放，而且相鄰神經(jīng)元之間存在非線性的調(diào)制耦合，本文中改進(jìn)的S-PCNN模型在測(cè)試數(shù)據(jù)中取得了較好的成果，具體結(jié)果見圖5～圖7。

對(duì)于分割任務(wù)，我們使用以下指標(biāo)[5-6]：準(zhǔn)確性、敏感性、特異性、Sorensen-Dice和Jaccard指標(biāo)來評(píng)估。

圖6顯示了所選定圖像的皮膚損傷檢測(cè)，檢測(cè)區(qū)域以白線為界，效果十分明顯。我們選取測(cè)試集約750張皮膚鏡圖像，通過提出的顏色歸一化方法對(duì)皮膚病變圖像分割結(jié)果的Dice評(píng)分、Jaccard評(píng)分、準(zhǔn)確性、敏感性和特異性的度量。Dice得分的最佳情況為94.7%，Jaccard得分為89.9%，準(zhǔn)確率為93.4%。該方法具有很高的精度。此外本文研究理論上也可應(yīng)用在其他的醫(yī)學(xué)圖像的處理當(dāng)中。

4 結(jié)語

皮膚癌圖像的精確分割是準(zhǔn)確分類病灶區(qū)域的必要條件，分割的準(zhǔn)確性可以極大地影響皮膚癌診斷的下一步。本文提出了一種基于改進(jìn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)對(duì)并病灶區(qū)進(jìn)行邊緣檢測(cè)方法。我們還將本實(shí)驗(yàn)的結(jié)果與傳統(tǒng)的Otsu閾值方法進(jìn)行了比較，發(fā)現(xiàn)PCNN的結(jié)果更好。實(shí)驗(yàn)結(jié)果表明，該方法的jaccard指數(shù)為0.899，優(yōu)于ISBI排名靠前的論文，準(zhǔn)確率為93.4%。該方法可以對(duì)分割后的圖像進(jìn)行進(jìn)一步的分析，將其分為惡性腫瘤和良性皮膚病。雖然目前的PCNN應(yīng)用在黑色素瘤識(shí)別領(lǐng)域的研究已經(jīng)取得了初步成就，但仍然存在著一些不足，例如參數(shù)的調(diào)整不夠智能，接下來將向參數(shù)自動(dòng)調(diào)整改進(jìn)。