基于改進PCNN的皮膚鏡圖像識別研究

盧厚達，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，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長僅有6～9個月[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別的準(zhǔn)確率和便捷皮膚鏡圖像的診斷。

1 設(shè)計思路及流程

針對上文提出的問題，首先需要進行圖像預(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)和拍攝時涂抹液體產(chǎn)生的氣泡等，因此首先進行圖像去噪處理。然后利用改進的PCNN模型對圖像的病灶區(qū)進行邊緣檢測，提取皮膚鏡圖像的“ABCD”特征進行評分，以該評分所處區(qū)間對圖像類型進行分類。整體流程見圖1。

1.1 數(shù)據(jù)集

足夠的數(shù)據(jù)樣本是實驗的前提，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

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

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)則對皮膚病變進行判定，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；TDS＜4.75，則較為安全，為良性瘤。

1.3 PCNN邊緣檢測算法研究

PCNN模型[3]起源于對貓的視覺皮層神經(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)個神經(jīng)元的n次反饋輸出；Sij為外部的刺激信號，多數(shù)情況為輸入圖像第(i,j)像素點的灰度值；式（3）中Lij(n)為線性輸入項，即周圍像素點的輸出對該像素點的影響；式（4）中β為內(nèi)部活動項的連接系數(shù)；Eij(n)為神經(jīng)元的內(nèi)部活動項Uij(n)能否激發(fā)脈沖產(chǎn)生的動態(tài)閾值；Yij(n)則是PCNN的脈沖輸出。aF和VF，aL和VL，aE和VE分別表示對應(yīng)子系統(tǒng)的迭代衰減時間常數(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存在時，那么這中間某一像素點的脈沖輸出將會引起周圍的灰度相近的像素點對應(yīng)神經(jīng)元的激發(fā)，產(chǎn)生脈沖序列進行有效輸出。這便是PCNN進行圖像邊緣檢測的簡單原理。

2 設(shè)計關(guān)鍵點

2.1 毛發(fā)檢測和圖像去噪

我們認(rèn)為皮膚病變u(x)，x=(x1,x2)∈R2的灰度是一個規(guī)則曲面。對于給定像素(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數(shù)，可以用Hessian表示：

其中σ為標(biāo)準(zhǔn)差，其作用是一個對于奇數(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，這個符號*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。在實際中，通常使用對稱的高斯核(即y1=y2)。

Hessian的最大和最小特征值稱為主曲率λi+j和λi-j。最大主曲率探測到淺色背景上的暗線，最小主曲率λij-探測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：

估計自適應(yīng)主曲率對毛發(fā)對比度的改善效果要比只檢測梯度幅值和最大主曲率更好，因為自適應(yīng)主曲率將創(chuàng)建一個實體結(jié)構(gòu)。基于上文所述的自適應(yīng)模型，圖3顯示了毛發(fā)檢測和去除的效果。

2.2 簡化PCNN模型

目前，傳統(tǒng)的PCNN模型和一些改進的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，而且難以實現(xiàn)。因此，我們提出了一個簡化的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。然后我們對式（13）進行簡化，將連接輸入Lij設(shè)置為只接收外部刺激Skl而不是Ykl，后者不是一個動態(tài)變量，而是一個輸入圖像的常數(shù)。這是我們簡化的PCNN模型的關(guān)鍵修改。此外，消除了衰減函數(shù)，閾值Eij是一個手動設(shè)置的常數(shù)，以控制整個網(wǎng)絡(luò)的放電。簡化的PCNN模型中保留的參數(shù)為Wijkl、β和Eij。

3 實現(xiàn)效果

PCNN并不是以簡單的求和方式影響單個神經(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，本文中改進的S-PCNN模型在測試數(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)來評估。

圖6顯示了所選定圖像的皮膚損傷檢測，檢測區(qū)域以白線為界，效果十分明顯。我們選取測試集約750張皮膚鏡圖像，通過提出的顏色歸一化方法對皮膚病變圖像分割結(jié)果的Dice評分、Jaccard評分、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的脈沖耦合神經(jīng)網(wǎng)絡(luò)對并病灶區(qū)進行邊緣檢測方法。我們還將本實驗的結(jié)果與傳統(tǒng)的Otsu閾值方法進行了比較，發(fā)現(xiàn)PCNN的結(jié)果更好。實驗結(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%。該方法可以對分割后的圖像進行進一步的分析，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)自動調(diào)整改進。