皮肤黑素细胞肿瘤图像综合分割方法研究

                作者：田庆飞， 孟如松， 姜志国， 谢凤英， 赵丹培 
 

【摘要】  目的 本文针对黑素细胞肿瘤（Melanocytic Tumor MT）图像情况复杂，较难分割的问题，提出了一种综合数字图像分割算法，探讨MT的早期诊断。方法 首先应用统计区域融合方法（SRM）实现图像分割成多块纹理一致的区域。然后对图像以HSV彩色空间的H和S 分量为特征，使用K均值聚类算法将图像聚为9类。最后，将聚类结果在HSV彩色空间的H和S分量值分别映射到［0，1］区间，再分别对H分量和S分量取阈值，得到最终的边界分割结果。结果 对MT图像能够按照其纹理差异将其有效划分为多个区域，较为准确标识出皮损区域。结论 综合对多种方法结果的对比，本方法优于传统的大津阈值法、K均值法和活动轮廓法。同时对过去基于SRM的MT图像分割方法进行了改进，在处理复杂MT图像时效果明显好于传统方法。

【关键词】  统计区域融合； K均值； HSV彩色空间； 黑素细胞肿瘤； 图像分割

    Abstract: Object  This paper proposes a synthetic algorithm for the segmentation of Melanocytic Tumor (MT), and discusses about early diagnosis of MT. Method  Firstly, the algorithm of this paper uses statistical region merging (SRM) to divide MT image into several areas by texture. Then, based on the features of H and S sub?channels of HSV color space, this paper uses K?means algorithm to classify those areas into nine parts. After that, it normalizes the sub?channels and splits the image into two parts separately by the given threshold value 0.6 in H and S sub?channels. In the end, the algorithm combines the two sub?channels into one and gets the final result.  Result  The algorithm this paper proposes could divide different areas effectively and assist the doctors to diagnose the disease. Conclusion  Compared with many algorithms, the performance of this algorithm is much better than OTSU, K?means and snake algorithms, especially for complicated MT images segmentation.

    Key words: statistical region merging; K?means; HSV color space; melanocytic tumor; image segmentation

    引言

    黑素细胞肿瘤（Melanocytic Tumor MT），由良性和恶性黑素瘤组成。目前，研究者关注最多的是恶性黑素瘤（Malignant Melanoma MM）。随着时间的推移，MM的发病率迅速增长，它已成为皮肤首位致死性疾病之一。目前，最有效的方法仍然是MM的早期诊断加积极有效地切除原发灶，早期的准确诊断与切除对降低死亡率起决定性作用［1］。而机图像的有效分割方法与MM的识别与早期诊断密切相关，所以探索这一方法在临床上具有重要意义。   

    目前，针对MM的早期诊断方法有：ABCD准则通过检测［2］来确定MM的早期诊断。7点检测表法［ 3 ］列出了3个强特征和4个弱特征作为早期诊断的标准。上述方法都依赖于对皮损图像的分析数据，获得较好的皮损图像分割结果是取得准确数据进而进行正确诊断的基础和关键。

     本文提出了一种针对MM图像的综合图像分割方法。首先，使用统计区域融合算法［4］将图像划分为多个纹理相同的区域。然后，将图像从RGB彩色空间转到HSV彩色空间，并对其进行K均值聚类。最终对聚类结果的H和S分量分别取阈值得到分割的边界。

    1  方法

    本文按照区域统计融合，HSV彩色空间，K均值的顺序描述了该综合图像分割方法的处理过程。

    1.1  区域统计融合

    区域统计融合是一种新的图像分割算法（图1）［4］。该算法分两步：1. 点对排序。将图像按照四邻接两两结合结成点对，选择一个函数对点对的融合代价进行评估。并按照融合代价的有小到大进行排序。2. 按照公式1对排序结果进行图像融合。

    公式中R为区域中像素点的个数，δ为图像总像素个数倒数的16，Q是质量因子，控制融合后的区域个数，Q越大，融合后的区域个数越少，反之，融合后的区域个数越多。在此本文M Emre Celei 所提供的Q值-96。

    通过SRM算法的处理，可以将图像中纹理相同的区域融合为一个区域，并将该区域的RGB平均值设置为该区域的颜色，从而起到锐化皮损区域过渡边缘的效果，便于进一步的分割。P（R,R′）

    =trueif |′-|≤b2(R)+b2(R′)

    falseotherwise

    (1)其中，b(R)=g(1/(2Q|R|))ln(|R|/δ)    需要注意的是，统计区域融合方法难以确定处理结果的区域个数。M Emre Celei［6］曾使用SRM方法来处理皮损图像。其解决方法是针对图像四周20*20的图像区域进行采样，并建立皮肤背景的颜色模型，最后把肿瘤区域从图像中提取出来。据我们所处理的图像，有些采样图像很难满足其所做的假设。如图一所示，由于图片的拍摄工具的差异，只能取得一个圆形的视野。

    1.2  HSV彩色空间

    HSV彩色空间是一种常用于皮肤图像分割的彩色空间，H代表图像的颜色，S代表图像的饱和度，V代表图像的亮度。HSV彩色空间比RGB彩色空间优越之处在于其各个分量之间的独立性。例如，亮度的改变在RGB颜色空间中同时影响到3个分量。而对HSV空间只影响到V分量。同时，为了便于比较，本文对HSV彩色空间的H分量和S分量分别进行了单位化。由实验结果看（图2、3），能较为真实地凸显出皮损区域。

    1.3  K均值

    K均值算法是一种聚类算法，其流程如下：

    ① 确定聚类数；

    ② 选择聚类中心（一般随机初始化聚类中心）；

    ③ 将数据按照在特征空间距离聚类中心的远近进行聚类，标识为离其最近的聚类中心的类别；

    ④ 重新并更新聚类中心；

    ⑤ 如果聚类中心的移动小于指定阈值，或迭代次数小于指定次数，推出循环，否则，回到步骤3.

    使用K均值聚类方法，要人为确定聚类个数。以HSV彩色空间的H和S分量为特征进行聚类。按照常理，应该将图像聚为4类，然而实验的结果并不理想。因为过度边缘大多更相似于正常皮肤，最终通常得不到正确的结果。如果类别数太多，算法的效率会有所下降。通过反复实验，最终选定分为9类。同时，为了便于比较，将聚类结果的H分量和S分量分别映射到［0，1］，然后取经验值0.6对H分量和S分量分别进行分割，并叠加分割结果，可得到最终的分割效果（图4、5）。

    2  结果

    K均值方法由于是一种聚类方法，它针对像素来进行聚类，所以不可避免，会出现一些小的离散区域，其效果在过渡边缘明显的图像中显示较差，不能充分地包括过渡边缘。同时由于此方法只能定义聚类的类别数。缺乏有效的人工干预。图6是K均值处理的结果。

    Snake 模型算法需要一个初始边缘，在此本文使用大津阈值分割结果边缘作为初始边缘。该方法在内能约束和外能约束下达到总能量最小的状态，并将其作为结果。其中内能使轮廓趋于平滑，外能的定义针对不同应用，有不同定义。在此本文取像素的梯度值作为外能。 图7是Snake算法处理的结果。

    图7  Snake方法处理效果

    大津阈值分割法针对图像像素，应用最小类内、最大类间方差的原理，来对像素进行分类。其结果对边缘清晰，纹理简单的图像分割结果较好，对边缘模糊，纹理复杂的图像效果就比较差。图8是大津阈值分割算法处理的结果。

    本文所提出的方法基于SRM方法，能够有效控制较小的离散区域的出现，同时能较好地处理纹理复杂图像。同时，K?means方法针对SRM方法的处理结果，在HSV彩色空间进行聚类，综合了SRM和K?means方法的优点。图9是本文所提方法的处理结果。

    3  讨论

    在目前多种应用于MM图像边界分割的算法图8  大津阈值分割方法处理效果

    图9  本文所提方法的处理效果

    中。大津阈值法［ 7 ］是最早被使用，也是最流行的方法。最近，许多新提出的图像分割方法也被应用与MM图像的边界分割。Meli［ 5 ］ 等实现了4种方法：中间割，K均值，模糊C均值和均值漂移法。对比结果，得出均值漂移法的结果最优的结论。此后，M Emre Celebi和Hassan A Kingavi［6］将统计区域融合方法［ 4 ］应用于MT的图像分割，取得了相对与均值漂移等方法更好的结果。其解决方法是针对图像四周20×20的图像区域进行采样，并建立皮肤背景的颜色模型，从图像中简单地减去正常皮肤，进而将肿瘤区域从图像中提取出来。据我们所处理的图像，有此采样图像不能满足其所做的假设。本文提出的方法使用聚类算法对SRM的结果进行处理，克服了这种假设，并可应用于较复杂的MT病灶图像的分割。

    实验结果显示该方法在对复杂肿瘤图像的处理效果明显优于以前提出的多种方法，如大津阈值，K均值等。并且取消了M Emre Celei［6］的SRM方法对图像做出的假设，对MT的早期诊断提出了一种较好的皮损识别与图像分割法。

    本方法针对毛发较多的图像处理结果不太理想，所以将去毛发作为对本方法的一项预处理，也是很有意义的。

【】
  ［1］孟如松,赵广,蔡瑞康,等.偏振光皮肤镜数字图像分析技术的研究及在色素性皮损诊断中的探讨 ［J］.体视学与图像分析杂志，2006，11（2）：122-126.

　　［2］Nachbar F, Stolz W, Merkle T, et al. The ABCD rule of dermatoscopy. High prospective value in the diagnosis of doubtful melanocytic skin lesions. J Am Acad Dermatol，1994，30:551?559.

　　［3］Healsmith M F, Bourke J F, Osborne J E, et al. An evaluation of the revised Seven?point checklist for the early diagnosis of cutaneous malignant melanoma Br J Dermatol 1994，130:48-50.

　　［4］Nock R and Nielsen F. Statistical Region Merging. IEEE Trans. On Pattern Analysis and Machine Intelligence, 2004，26(11); 1452-1458.

　　［5］Melli R, Grana C, and Cucchiara R. Comparison of Color Clustering Algorithms for segmentation of Dermatological Images ［J］. Proc Of the SPIE Medical Imaging Conf, 2006，6144: 3S1?9 2006.

　　［6］M Emre Celebi, Hassan A Kingravi. Fast and Accurate Border Detection in Dermoscopy Images Using Statistical Region Merging ［J］. Proc Of the SPIE Medical Imaging 2006， 6512: 3V1-10.

　　［7］Rafael C Gonzalez,Richard E Woods.Digital Image Processing,Second Edition(影印版) ［M］.北京:出版社,2002.