基于图像处理的黑色素瘤检测

基于图像处理的黑色素瘤皮肤癌检测

摘要

科学家们一直在全球范围内，尤其是在发展中国家和发达国家，尝试实施传统方法来治疗人类最致命的皮肤癌类型——黑色素瘤。但这些努力常常受到各种挑战的阻碍，例如维持传统远程医疗的高成本以及专家资源的匮乏。
皮肤癌主要分为三种类型：基底细胞癌、鳞状细胞癌和黑色素瘤。超过90%的病例是由太阳紫外线辐射暴露引起的。在早期发现癌症至关重要；只有专业的皮肤科医生才能区分黑色素瘤与非黑色素瘤。最近，已广泛采用诸如皮肤镜检查或表皮透照显微镜（ELM）等技术来辅助诊断。然而，ELM方法成本高昂且缺乏客观性，因此研究人员致力于自动化诊断的研究。本文旨在获取一张数字图像，随后对图像进行预处理以滤除图像中存在的额外噪声。
接着，对皮肤病变进行分割和特征提取，并应用ABCD规则，通过不对称性、边界不规则、颜色和病变直径等多个参数对皮肤病变进行检测。

关键词 黑色素瘤 Segmentation Feature extraction ABCD rule

1 引言

黑色素瘤是人体内最具破坏性的皮肤癌类型，由黑色素细胞形成。在女性中，黑色素瘤最常见的部位是腿部，而在男性中则是背部。该病最常见于阳光暴露较多的地区，如北美洲、拉丁美洲和南部非洲。这种地理分布模式表明，黑色素瘤的主要原因是紫外线暴露以及人群的皮肤色素沉着程度。黑色素细胞负责产生决定皮肤颜色的黑色素，主要存在于皮肤中，但也见于肠道和眼睛。黑色素瘤可起源于身体任何含有黑色素细胞的部位[1]。
如果在早期发现黑色素瘤，可以通过手术切除癌细胞进行治疗。黑色素瘤复发或扩散的可能性取决于其侵入皮肤层的深度。2012年，全球共有23.2万人被检测出患有黑色素瘤，其中5.5万人因此死亡。澳大利亚和新西兰的黑色素瘤检出率最高，导致的死亡人数也最多[1]。
早期大多数黑色素瘤检测是通过皮肤镜检查（也称为表皮荧光显微镜（ELM））来分析图像。在这种技术中，使用皮肤镜对皮肤进行视觉分析。
在癌性皮肤上涂抹皮肤镜油，以清晰显示表皮的皮下结构。这能产生标准化的照明条件，并提供更清晰的表皮视图。另一种传统的黑色素瘤检测方法是活检。这是一种非常痛苦、成本效益较低且耗时较长的技术[2]。
因此，为了克服所有这些挑战，本文采用了数字图像处理技术，使得无需接触皮肤即可检测癌症（图1）。

2 文献综述

对黑色素瘤皮肤癌的分析早在古代就已经开始。通过查阅文献[2–8],发现，许多实验都是针对普通皮肤癌进行的，且未采用任何自动化方法。研究人员提出了多种技术，通过利用各种电子设备采集的皮肤癌图像来解决这一问题。
1999年，徐L.等人提出了一种技术[2], ，该方法采用了多个子阶段以提高结果准确性。他首先通过强度阈值法将彩色图像转换为灰度图像；然后使用双阈值法聚焦于可能存在病变边界的图像区域；为进一步检测皮肤病变的精确边界，采用了闭合弹性曲线技术。Robert Amelard等人[3]提出了一种框架，该框架通过高层直观特征（HLIF）对皮肤图像进行光照校正和特征提取。2013年，N.S. Ramteke等人提出了一种基于ABCD规则的皮肤癌检测技术。在此技术中，他使用分水岭分割技术进行图像分割、边界检测，并根据病变的结构特性做出决策。他还通过小波变换对图像进行了进一步优化，并应用ABCD规则进行癌症诊断。该技术的局限性在于未实现ABCD规则中的‘E’因素，而引入该因素可提升结果的准确率[4]。在[5],中，作者提出了一种通过二维小波变换提取独特特征来检测恶性与良性黑色素瘤皮肤癌的技术。随后将得到的图像输入人工神经网络分类器。但该技术的局限性在于其检测结果的准确率最高仅为84%。

3 皮肤癌检测的ABCD规则

本节介绍了皮肤癌检测的ABCD规则[4]。

3.1 不对称性（A）

检查皮肤病变的对称性，并将其分为两部分。如果两半相同，则认为该皮肤病变是非癌性的；否则，认为其是癌性的，可能是黑色素瘤的情况。此因素的权重为1.3。

3.2 边界不规则（B）

B因子验证皮肤病变边缘。如果边缘呈锯齿状、参差不齐或模糊，则该皮肤病变可能是黑色素瘤的情况。边界不规则因素的值基于4个参数，即方差、从不对称性计算出的参数、图像梯度的均值和方差，以及图像的分形。此因素的权重为0.1。

3.3 颜色（C）

在癌性病变的情况下，皮肤病变的色素沉着不均匀。为了计算色素沉着的不均匀性，必须检测最多6种颜色——白色、黑色、红色、蓝色、深棕色和浅棕色。每种颜色的存在均使其C因素的值增加1。该因素的权重为0.5。

3.4 直径（D）

癌性病变的宽度大于6毫米。至少具有五种模式的差异结构与特定类型的病变相关。痣的任何生长都应引起关注。直径使用’regionprops’函数计算。
总皮肤镜评分（TDS）指数 [4]是上述四个因素的综合。所有因素根据其权重相加以fi计算总分，用于区分皮肤病变是癌性的（黑色素瘤情况）还是非癌性的（非黑色素瘤情况）（表.1）。

TDS指数计算公式如下：
TDS ¼ 1:3A þ 0:1B þ 0:5C þ 0:5D ð1Þ

TDS指数范围	皮肤癌性质
TDS指数< 4.75	非癌性皮肤病变（良性）
4.75< TDS指数< 5.45	可疑皮肤病变区域
TDS指数> 5.45	痛性皮肤病变（黑色素瘤）

4 提出的方法

本文提出了一种包含五个步骤的方法。这些步骤将在下一小节中进行说明。
本文使用MATLAB 7[9]进行实现（图2）。

4.1 照明校正 预处理

预处理的第一步是光照校正。获取的图像处于自然环境下，因此图像中的光照受到相机闪光、人工照明和自然光照等多种因素的影响而变得不均匀。光照校正旨在调整原始图像的像素值，使整个图像的光照曝光标准化。这有助于提高基于像素值的后续处理步骤的准确性。在光照校正中，提出的技术依次使用了三种不同的算法（MATLAB 中的 imfilter、imadjust 和 median filter 函数）（图 3）。

4.2 皮肤病变分割

将图像的像素区分为语义组的过程称为分割。分割旨在从图像中获取有意义的部分以用于
简化图像分析。它确定了将癌变部分与周围组织分离开来的边界。其结果是生成勾勒出皮肤病变的二值掩模。提出的技术采用阈值分割方法，利用大津法对皮肤病变进行分割（图 4）。

4.3 寻找几何中心

此阶段的目的是fi找到分割后图像的中心。分割区域的几何中心用于验证 ABCD规则中的不对称性（A），同时也用于计算ABCD规则中的直径（D） （图5）。

5 结果

结果已在来自皮肤和医学图像库的皮肤图像数据集上进行了评估[10]。本文使用的测试图像是图6中所示的。通过实施提出的技术获得的结果记录在表 2中，TDS计算列在表3中。结果与梅奥诊所[11]和dermis.net[10]上提到的信息进行了比较。测试图像如图6所示。

表2 测试图像的ABCD参数观察结果
图像 no.	A 因素	加值权	B 因素	加值权	C 因素	加值权	D 因素	加值权
1.	0.476	0.62	3.6	0.36	5	2.5	4.18	2.09
2.	0.5	0.65	5.1	0.51	6	3	6.24	3.12
3.	0.48	0.63	5.8	0.58	5	2.5	3.98	1.99
4.	0.48	0.63	7.3	0.73	6	3	5.4	2.7
5.	0.5	0.65	7.9	0.79	6	3	5.44	2.72
6.	0.5	0.66	2.8	0.28	3	1.5	1.8	0.90
7.	0.49	0.64	3.5	0.35	3	1.5	1.86	0.93
8.	0.49	0.64	4.9	0.49	4	2	1.84	0.92
9.	0.5	0.65	2.4	0.24	3	1.5	1.82	0.91
10.	0.49	0.64	3.9	0.39	5	2.5	1.84	0.92
11.	0.37	0.49	6.1	0.61	4	2	4.6	2.3
12.	0.5	0.65	3.8	0.38	6	3	5.1	2.55

表3 所提出算法结果与实际结果的比较
图像编号	TDS	所提算法结果	实际结果	正确性
1.	5.58	黑色素瘤	黑色素瘤	正确
2.	7.30	黑色素瘤	黑色素瘤	正确
3.	5.71	黑色素瘤	黑色素瘤	正确
4.	7.35	黑色素瘤	黑色素瘤	正确
5.	7.37	黑色素瘤	黑色素瘤	正确
6.	3.38	良性	良性	正确
7.	3.44	良性	良性	正确
8.	4.06	良性	良性	正确
9.	3.31	良性	良性	正确
10.	4.4	良性	良性	正确
11.	5.4	可疑	良性	错误
12.	6.58	黑色素瘤	良性	正确

6 结论和未来展望

皮肤病变的诊断已在完整的图像数据集上实现，结果显示其表现优异，准确率高达91.6%。自动诊断非常简单、可行且易于实现，只需明确定义分割、特征提取和分类的实施过程即可。此外，通过结合E因子与ABCD规则，可进一步提高准确率。同时，也可识别其他依赖参数。图像的光照校正可进一步改进，以实现更有效的去噪。