基于神经网络中的NNTool对小鼠皮肤的识别方法＊

郑小小，王云夏，吴淑莲，李 晖

(福建师范大学光电与信息工程学院，福建 仓山 350007)

0 引言

皮肤癌是临床上常见的皮肤恶性肿瘤，其中基底细胞癌(BCC)和鳞状细胞癌(SCC)是两种最常见的皮肤癌。近年来的研究表明，太阳光中的紫外光辐射，通常是引起皮肤BCC和SCC最重要的危险因素。对于皮肤BCC的诊断和评估是很困难的，其早期症状与某些良性疾病如日光性角化病等非常相似，很难分辨，常常出现误诊。

因此，皮肤纹理分析方法成为现阶段对皮肤病变组织评估较为客观的方法之一。早期应用的机械探测方法，其原理是利用具有一定强度的探针对皮肤复膜表面进行探测，精度和灵敏度不是很高。目前国际上广泛采用的硅胶皮肤复膜制备样品，主要是通过检测皮肤纹理皱纹在斜射光下形成的阴影面积，再换算得到皮肤纹理的深度和粗细度。该方法的灵敏度和精度得到了一定的提高。本文主要通过对现有的方法的改进，在基于图像纹理分析上提出一种新的皮肤纹理的测量及识别方法，客观定量地评价皮肤在紫外光辐照下纹理特征的变化情况，从而正确分类、识别出各类皮肤特征，为皮肤的诊断提供一定的参考依据。

1 材料与方法

以ICR小白鼠作为动物模型，20只，鼠龄8周，体重20 g左右。在实验前用2%的戊巴比妥钠麻醉剂对其麻醉，接着用脱毛膏对其背部固定一小块面积进行脱毛(切勿刮伤皮肤)，然后用剂量为180 mJ/cm2，辐射强度为3200 mJ/cm2的UVB光照射，每周三次，一次照射20 min。

在不同的阶段用皮肤监测仪进行监控并采集出不同时期的皮肤图像5幅/只，对采集到不同阶段的小鼠皮肤图像进行预处理。然后利用空间灰度共生矩阵法提取一些如能量、熵、惯性矩和相关度等特性参数。最后，结合提取到的皮肤纹理特性参数，用神经网络中的NNtool经过设置相关参数后对图像进行分类和识别。

2 结果与讨论

使用皮肤监测仪获得的结果经过灰度及中值滤波预处理后的示例图像如图1所示。可以看出，a1图纹理较为细密，图a2和a3的纹理相对来说粗糙一点，而图a4的纹理比较杂乱，不够清晰。

图1 经过预处理后不同时期的小鼠皮肤图像Fig.1 The mice skin images of different periods after pretreatment

由灰度共生矩阵法提取纹理特征，如下表1所示，对能量而言，角二阶矩ASM反映了图像分布的均匀程度和纹理粗糙程度。随着照射时间的加长，皮肤纹理变得越来越粗，并且越来越疏松。但是第9周的时候，ASM反而有所减小，皮肤纹理收缩，相对6周比较，纹理分布反而更密集一些。对熵而言，熵值和ASM值相反，它反映的是灰度分布的随机性大小。如果图像灰度分布的随机性大，则灰度共生矩阵中的所有非零值几乎相等，此时熵最大。由表1可知，随着ASM值逐渐增大，熵值会逐渐减小，反之，ASM值增大，熵值也会随之增大。所以，熵越大，纹理会越密集，反之纹理稀疏的图像熵值小。对惯性矩而言，它的大小反映了像素的多少以及纹理的粗糙程度，随着照射时间的加长，纹理变得稀疏无规则，像素对变少，纹理变粗，对比度就会有所下降，由表1知，第9周与第6周对比度相差不是很明显。对相关度而言，它反映了图像中纹理区域在某方向上的相似性，是就图像局部灰度线性相关的度量。从图像中清晰地观察到对比度小的图像，其相关性就大，对比度大，相关性就小。总而言之，在照射到第9周的时候，小鼠皮肤纹理特征出现了一定的反常现象，这个说明小鼠皮肤纹理在后期出现了一定的紊乱现象，这与文献［7］报道相吻合。

表1 小鼠皮肤图像灰度共生矩阵特征值Tab.1 The gray level co-occurrence matrix eigenvalues of mice skin images

建立皮肤纹理图像的特征向量为X=(ASM，CON，COR，ENT)，即 X=(X1，X2，X3，X4)，将此向量归一化后的数据作为神经网络工具箱nntool的输入。神经网络的输出值为(Y1，Y2，Y3，Y4)，代表不同时期的皮肤种类。采用matlab6.5中的神经网络工具箱，设置相关参数，对网络进行训练，网络经过100次迭代，收敛于误差0.08，得到训练的误差曲线如图2所示，训练结果如表2所示，实际输出与理论值完全匹配，很好地证明网络时对隐含层节点数的选择是合理的，同时也验证了采用NNtool训练的BP网络算法的有效性。

表2 小鼠皮肤图像的网络训练结果Tab.2 The network training results of mice skin images

图2 网络训练误差变化曲线Fig.2 The error change curve of network training

接下来进入NNtool的simulate界面，随机选取待识别的20幅小鼠皮肤纹理图像，对这些图像预处理后提取特征值并归一化，把归一化后的特征值组成的矩阵作为训练好的网络的输入矩阵p1。通过仿真分析，皮肤图像的分类识别正确率为85%，可见基于神经网络的NNtool具有有较好的识别效果。

3 结论

如何客观、定量准确地评价人体皮肤当前状态一直是研究人员关注并且尚未完全解决的问题。在传统的医学美容中，专业医师或者美容师一般是通过结合病理学知识以及个人的经验来分析皮肤的表面状态，这样诊断出来的结果往往无法精确反映皮肤的真实状态。而本文是在空间灰度共生矩阵法的数学特征分析的基础上，提取了最能准确表征人脸皮肤纹理图像类别的四个重要特征，即:能量，熵，惯性矩，相关度。建立了皮肤纹理的测量识别模型。利用NNtool来构建神经网络系统，对皮肤纹理进行训练与分类识别，实验结果证明了这种皮肤纹理分析识别方法的可行性和有效性，并且简单快速，精度较高。有望对皮肤病变组织作出较为客观评估。

［1］王文鑫，王晓彦.皮肤鳞状细胞癌及基底细胞癌的治疗进展［J］.内蒙古医学杂志，2008(11):1346-1348.WANG Wenxin，WANG Xiaoyan.Squamous cell carcinoma of the skin and the treatment of basal cell carcinoma［J］.Inner Mongolia Medical Journal，2008(11):1346-1348.

［2］杨金谷，熊舒原.人皮肤基底细胞癌、鳞状细胞癌的诊断及治疗［J］.中国当代医药，2011，(11):13-15.YANG Jingu，XIONG Shuyuan.Human skin basal cell carcinoma(BCC)，squamous cell carcinoma of the diagnosis and treatment［J］.Contemporary Chinese Medicine，2011，(11):13-15.

［3］邹晓红.基于TFBP网络的人脸皮肤纹理识别方法［J］.传感技术学报，2005，(2):262-264.ZOU Xiaohong.Facial skin texture recognition method based on TFBP network［J］.Chinese Journal of Structural Chemistry，2005，(2):262-264.

［4］谢菲.图像纹理特征的提取和图像分类系统研究及实现［D］.电子科技大学硕士论文，2009:5-7.XIE Fei.The extraction of image tecture feature and image classification system research and implementation［D］.Master’s Thesis of University of Electronic Science and Technology of China，2009:5-7.

［5］TAMURA H，MORI S，YAMAWAKI T.Texture features corresponding to visual percept ion［J］.IEEE Transactions on Systems，Man，and Cybernetics，1978，SMC-8(6):460-473.

［6］王福昌，张宝雷，张同庆.神经网络工具nntool及其应用［J］.计算机与现代化，2003(9):84-86.WANG Fuchang，ZHANG Baolei，ZHANG Tongqing.Neural networks tool nntool and its application［J］.Computer and Modern，2003(9):84-86.

［7］高程程，惠晓威.基于灰度共生矩阵的纹理特征提取［J］.计算机系统应用，2010，(19):195-198.GAO Chengcheng，HUI Xiaowei.Based on gray level co-occurrence matrix texture feature extraction［J］.The Computer System Application，2010，(19):195-198.

［8］王南兰，潘湘高.Matlab/NNTool在神经网络系统仿真中的应用［J］.计算机仿真，2004，(4):125-128.WANG Nanlan，PAN Xianggao.Matlab/NNTool in the application of neural network system simulation［J］. Computer Simulation，2004，(4):125-128.

［9］程英，王学民，袁肖海.皮肤颜色客观评估方法的比较［J］.临床皮肤科杂志，2005(7):424-426.CHENG Ying，WANG Xuemin，YUAN Xiaohai.The objective evaluation method of skin color［J］.Journal of Clinical Dermatology，2005(7):424-426.

［10］ 赵倩.皮肤显微图像自动识别系统的研究［D］.上海大学硕士论文.2005:1-2.ZHAO Qian.Skin microscopic image automatic identification system research［D］.Master’s thesis of Shanghai University.2005:1-2.

［11］ 唐忠，谢涛.Matlab神经网络工具 NNTool的应用与仿真［J］.计算机与现代化，2012，(12):44-48.TANG Zhong，XIE Tao.The application and simulation of Matlab neural network tool NNTool［J］.Computer and Modern，2012，(12):44-48.