使用浅层和深度学习神经结构的皮肤镜图像中的自动毛发去除

Computer methods and programs in biomedicine update Pub Date : 2023-01-01 DOI:10.1016/j.cmpbup.2023.100109

Konstantinos Delibasis , Konstantinos Moutselos , Eleftheria Vorgiazidou , Ilias Maglogiannis

引用次数: 0

摘要

在对图像进行进一步分析之前，从数字皮肤镜图像中去除毛发偶尔是必要的步骤。这项工作考虑了两种机器学习方法，从皮肤镜图像中分割头发像素。随后，应用形态学后处理来细化分割的头发，并且图像修复算法将头发像素替换为基于周围图像结构的值。第一种头发分割方法将使用众所周知的高斯图像金字塔提取的逐像素特征与传统的浅层多层感知器（MLP-ANN）相结合，以检测图像中的头发像素。第二种方法使用深度神经卷积编码器-解码器（ED）网络来分割头发。这两种头发分割方法（MLP-ANN和ED）都是用一组32张带有手动注释头发的皮肤镜图像进行训练的，而MLP-ANN数据集是以像素方式构建的。两种拟议方法都经过了三次不同的评估。首先，将具有先验已知头发的50个图像的集合用于头发分割评估。其次，使用经过适当训练的生成对抗性网络（GAN）添加头发的一组13种不同的皮肤镜图像，根据与原始无头发图像相关的几个误差度量，用于评估生成无头发图像的毛发去除质量。最后，将所提出的两种头发分割方法（MLP-ANN和ED）应用于一组200张头发和无头发的图像，用于训练图像分类器来识别针对痣病变的黑色素瘤，并测量图像分类精度的提高。还介绍了与其他几种最先进的毛发去除技术的比较结果。结果表明，在毛发去除方面，就几个误差指标而言，两种提出的毛发去除技术都优于所比较的最先进方法中性能最好的方法。考虑到脱毛对黑色素瘤图像分类的影响，MLP-ANN和ED的应用提高了黑色素瘤分类的准确性。在所有评估中，ED始终是表现最好的。研究结果的统计学意义也已确定。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

查看原文