5、神经网络在皮肤病变边界检测中的应用

神经网络在皮肤病变边界检测中的应用

1 引言

医学图像分割是医学影像分析中的一个重要步骤，它用于将感兴趣的物体从背景中分离出来。准确的图像分割对于皮肤病变（如黑色素瘤）的早期和非侵入性诊断至关重要。皮肤病变的真实边界提取是揭示全局结构不规则性（如凹陷和凸起）的关键，这些特征可能指示细胞过度生长或其他病理状况。神经网络在这一任务中的表现被认为是非常重要的，因为准确的边界提取有助于提高诊断的准确性。

2 背景

2.1 合成病变的边缘不规则性

病变边缘的不规则性是区分良性黑色素细胞痣和恶性黑色素瘤的重要临床特征之一。研究人员开发了更复杂的测量边缘不规则性的技术，这些技术可以提供额外的特征，例如定位病变中的显著凹陷和突出部分。这样的测量对结构不规则性敏感，可能对于准确分类病变形状更有用。边缘不规则性（Gray, 1971; Rosenfeld, 1977）由以下公式给出：

[ I = \frac{P^2}{4\pi A} ]

其中 ( P ) 是分割病变的周长，( A ) 是其面积（以像素为单位）。对于圆形边界，不规则性指标 ( I ) 为1。然而，由于测量周长时的小误差，无法精确获得圆的周长 ( 2\pi r )。

2.2 分割误差

不同的分割方法在应用于不同的病变结构时可能会产生略有不同的错误。因此，生成大量类似的合成二值病变结构既繁琐又耗时。为了简化这一过程，研究人员采用了三个代表典型病变的参考合成图像，这些病变具有非常不同的不规则性指数。

2.3 传统分割方法

传统的分割方法包括基于特征阈值分割或聚类、边缘检测以及区域提取任务（如测量、可视化和注册）