قطعه بندي تصاوير ضايعات پوستي با استفاده از تركيب اطلاعات بافت و رنگ

Segmentation of Skin Lesion Images Using a Combination of Texture and Color Information

از آن جا كه تشخيص زود هنگام سرطان پوست مي تواند كمك شاياني به درمان بيمار كند، سامانه هاي تشخيص به كمك رايانه در حال توسعه هستند تا متخصصان پوست را در اين زمينه ياري دهند. اين سامانه ها سه گام اصلي دارند: 1) قطعه بندي، 2) استخراج ويژگي، 3) طبقه بندي. قطعه بندي، اولين و مهم ترين گام در سامانه هاي تشخيص خودكار است. در اين مقاله، يك روش جديد براساس كانتورهاي فعال هندسي معرفي مي شود كه با استفاده از تركيب اطلاعات بافت و رنگ قسمت ضايعه را از پوست سالم جدا مي كند. استفاده از تركيب اطلاعات بافت و رنگ مي تواند نقش مهمي را در ايجاد تمايز بين پيكسل هاي پوست سالم و ضايعه، ايفا كند. نوآوري اين مقاله در چگونگي تركيب اطلاعات بافت و رنگ در تابع سرعت و استفاده از ويژگي هاي بافت به صورت تصوير است. در اين روش براي استفاده ي مؤثر از اطلاعات رنگ، از دو فضاي رنگي يكنواخت CIE L*a*b* و CIE L*u*v* استفاده مي شود؛ براي استخراج ويژگي هاي بافت نيز، از چند روش تجزيه و تحليل بافت شاملِ فيلتر گابور، روش ماتريس هم رخدادي، فيلترهاي آنتروپي، محدوده تغييرات و انحراف معيار محلي استفاده مي شود. براي ارزيابي روش پيشنهادي از دو پايگاه داده ي ISIC2017 و PH2 كه به ترتيب شامل 2750 و 200 تصوير درموسكوپي هستند، استفاده شد. مقايسه ي نتايج با پژوهش هاي اخير نشان مي دهد، الگوريتم پيشنهادي مقاله بالاترين ميزان دقت (97/92% براي پايگاه داده ي PH2 و 94/78% براي داده هاي آزمايش پايگاه داده ي ISIC2017)، حساسيت (97/83% براي پايگاه داده ي PH2 و 90/11% براي داده-هاي آزمايش پايگاه داده ي ISIC2017) و اختصاصي بودن (99/45% براي پايگاه داده ي PH2 و 98/53% براي داده هاي آزمايش پايگاه داده ي ISIC2017) را براي هر دو پايگاه داده كسب كرد.

Skin cancer affects millions of people all around the world. If skin cancer is detected in the early stages, the survival rate is very high. So, computer-aided diagnosis (CAD) systems are being developed to help dermatologists in early and accurate diagnosis. Segmentation is the first and most important step in the auto diagnosis systems. The purpose of this paper is to introduce a new method based on geometric active contours that combines texture and color information to separate the lesion area from healthy skin. The innovation of this paper is the way that, color and texture information are combined together to define the speed function and the use of texture features in the form of an image. To evaluate the proposed method, two databases including dermoscopy images, were used. The ISIC2017 database (including 2750 data) and the PH2 database (including 200 data). Experimental results showed that, the proposed algorithm has the highest accuracy (97.92% for PH2 database and 94.78% for ISIC2017 test data), sensitivity (97.83% for PH2 database and 90.11% for ISIC2017 test data) and specificity (99.45% for PH2 and 98.53% for ISIC2017 test data) in comparison with recent stateof-the-art algorithms.