皮肤镜是一种观察活体皮肤表面以下微细结构的无创性显微图像分析技术,是皮肤恶性肿瘤早期诊断的重要手段。目前国际上已有皮肤镜图像自动分析诊断系统的报道,但由于皮损边界的复杂性给分割带来极大困难,使得图像的自动准确分割成为目前实现皮肤镜图像全自动分析系统的瓶颈。在我国,皮肤镜图像分析系统的研究还处在初级阶段,本课题以中国人的皮肤镜图像为研究对象,分析现有聚类有效性评价函数,制定皮肤镜图像聚类的质量评价标准,结合基于遗传算法的自生成神经网络(SGNN),实现皮肤镜图像的自适应聚类分割,基于模式分割的思想,研究皮损目标边界的准确定位。在皮损目标正确分割的基础上,分析图像各个聚类对皮损目标的特征提取和识别的影响,并对图像的自动分割、皮损的特征提取和识别等环节进行分析和优化。该项研究可有效提高皮肤镜图像自动分割的准确性,提高皮肤镜图像分析系统的诊断识别率和自动化水平。
adaptive clustering;accurate segmentation;feature extraction;lesion classification;
皮肤镜是皮肤癌早期诊断的有效工具。由于皮肤肿瘤图像的复杂多样性,导致皮肤镜图像的精确分割成了目前皮肤镜图像自动分析诊断系统的瓶颈问题。针对黄色人种的皮肤镜图像,本课题首先建立了黄色人种的图像数据库,在此基础上从皮肤镜图像的增强、自适应聚类、皮损边界的精确提取、以及皮肤镜图像分割算法的自适应选择等几个方面展开研究,提出了基于自生成神经网络的皮肤镜图像自适应聚类算法、基于纹理模式学习的分割算法、基于超像素的皮损边界准确定位算法等一系列的先进算法,有效提高了皮损目标的分割精度。在此基础上,课题组还对目标的特征提取与识别进行研究,提出了皮损目标边界的有效描述方法,以及组合异构神经网络模型,并将皮肤镜图像的精确分割与特征提取和识别进行系统优化和整合,提高了分析系统的性能。目前该系统已应用于临床,并取得了满意的辅助诊断结果。 本课题共录用和发表论文13篇,其中SCI检索论文5篇,EI检索论文5篇,与国外同行专家合作编写英文著作1部,培养博士和硕士生5名,超额完成了预期研究任务。