基于改进PCNN的皮肤镜图像识别研究

卢厚达，李 昕，岳 文

（辽宁工业大学 辽宁 锦州 121001）

0 引言

多类皮肤癌中最为致命的即为黑色素瘤，其发病诱因多为皮肤受损、烧伤和过度的紫外线照射，并且早期和晚期的预后效果相差极大。据统计，在美国及澳大利亚等国家，每10万人中便有50～60人患病，患者若是在发病初期得到治疗，其治愈率可达到98%，且预后效果良好，而晚期患者治疗手段有限，并且预后效果极差，其治愈后的生存期平均时长仅有6～9个月[1]，极大地威胁了人们的身体健康。本研究致力于提高皮肤镜图像识别的准确率和便捷皮肤镜图像的诊断。

1 设计思路及流程

针对上文提出的问题，首先需要进行图像预处理，皮肤镜图像中往往存在较多干扰信息，例如人体毛发和拍摄时涂抹液体产生的气泡等，因此首先进行图像去噪处理。然后利用改进的PCNN模型对图像的病灶区进行边缘检测，提取皮肤镜图像的“ABCD”特征进行评分，以该评分所处区间对图像类型进行分类。整体流程见图1。

1.1 数据集

足够的数据样本是实验的前提，本文采用的数据集为ISIC2017，该数据集涵盖皮肤镜图像约7万张，并且根据临床结果将皮肤镜图像分成了20余类。

1.2 基于图像ABCD特征的得分算法

在最后的评分中，根据ABCD规则[2]，将提取特征来评估总皮肤镜评分(TDS评分)。ABCD规则即为A（Asymmetry不对称性）、B（Bonder 边界）、C（Color 颜色）、D（Diameter 直径）4项特征，用于区分良性和恶性黑素细胞肿瘤。TDS评分是所有特征评分的线性表达：

根据ABCD规则，将影响系数的值固定为a=1.3、b=0.1、c=0.5、d=0.5。利用ABCD规则对皮肤病变进行判定，需要基于以下条件：如果TDS值≥5.45为恶性黑色素瘤；4.75≤TDS＜5.45，则该皮肤病变存在风险；TDS＜4.75，则较为安全，为良性瘤。

1.3 PCNN边缘检测算法研究

PCNN模型[3]起源于对猫的视觉皮层神经元脉冲串同步振荡现象的研究。其基本工作原理可由如下方程表示：

式（2）中Fij(n)就是第(i,j)个神经元的n次反馈输出；Sij为外部的刺激信号，多数情况为输入图像第(i,j)像素点的灰度值；式（3）中Lij(n)为线性输入项，即周围像素点的输出对该像素点的影响；式（4）中β为内部活动项的连接系数；Eij(n)为神经元的内部活动项Uij(n)能否激发脉冲产生的动态阈值；Yij(n)则是PCNN的脉冲输出。aF和VF，aL和VL，aE和VE分别表示对应子系统的迭代衰减时间常数和连接权放大系数。其神经元模型见图2。

当内部连接矩阵M、W所在邻域内有灰度值相近的像素点存在时，那么这中间某一像素点的脉冲输出将会引起周围的灰度相近的像素点对应神经元的激发，产生脉冲序列进行有效输出。这便是PCNN进行图像边缘检测的简单原理。

2 设计关键点

2.1 毛发检测和图像去噪

我们认为皮肤病变u(x)，x=(x1,x2)∈R2的灰度是一个规则曲面。对于给定像素(i,j)，i∈{1，…，m}，j∈{1，…，n}，m和n分别是图像视界和垂直图像像素的个数，可以用Hessian表示：

其中σ为标准差，其作用是一个对于奇数大小的窗口中低通滤波器的高斯核的空间尺度参数：

y=(y1,y2),y1,y2∈｛1,3,5,...｝，并且w=G(y)*u，这个符号*代表二维卷积。因此，w是将高斯核与标准差σ的二维卷积应用于输入图像u的结果。在实际中，通常使用对称的高斯核(即y1=y2)。

Hessian的最大和最小特征值称为主曲率λi+j和λi-j。最大主曲率探测到浅色背景上的暗线，最小主曲率λij-探测到深色背景上的亮线[4]。我们注意到这些主曲率定义在每个像素(i,j)上。

设Λ+，Λ-分别为最大主曲率矩阵和最小主曲率矩阵，则其与曲率两者间的关系如式（9）和式（10）所示：

称下列矩阵为自适应主曲率矩阵：

估计自适应主曲率对毛发对比度的改善效果要比只检测梯度幅值和最大主曲率更好，因为自适应主曲率将创建一个实体结构。基于上文所述的自适应模型，图3显示了毛发检测和去除的效果。

2.2 简化PCNN模型

目前，传统的PCNN模型和一些改进的PCNN模型都存在多次反馈迭代和各种参数调整的问题，不仅耗时，而且难以实现。因此，我们提出了一个简化的PCNN（下称为S-PCNN）模型，见图4。

S-PCNN模型首先消除了反馈区和连接区中所有的漏电积分器，以减少迭代。 正如许多其他改进的PCNN模型一样，在式（12）中，输入Fij(n)只接收外部刺激Sij。然后我们对式（13）进行简化，将连接输入Lij设置为只接收外部刺激Skl而不是Ykl，后者不是一个动态变量，而是一个输入图像的常数。这是我们简化的PCNN模型的关键修改。此外，消除了衰减函数，阈值Eij是一个手动设置的常数，以控制整个网络的放电。简化的PCNN模型中保留的参数为Wijkl、β和Eij。

3 实现效果

PCNN并不是以简单的求和方式影响单个神经元的脉冲发放，而且相邻神经元之间存在非线性的调制耦合，本文中改进的S-PCNN模型在测试数据中取得了较好的成果，具体结果见图5～图7。

对于分割任务，我们使用以下指标[5-6]：准确性、敏感性、特异性、Sorensen-Dice和Jaccard指标来评估。

图6显示了所选定图像的皮肤损伤检测，检测区域以白线为界，效果十分明显。我们选取测试集约750张皮肤镜图像，通过提出的颜色归一化方法对皮肤病变图像分割结果的Dice评分、Jaccard评分、准确性、敏感性和特异性的度量。Dice得分的最佳情况为94.7%，Jaccard得分为89.9%，准确率为93.4%。该方法具有很高的精度。此外本文研究理论上也可应用在其他的医学图像的处理当中。

4 结语

皮肤癌图像的精确分割是准确分类病灶区域的必要条件，分割的准确性可以极大地影响皮肤癌诊断的下一步。本文提出了一种基于改进的脉冲耦合神经网络对并病灶区进行边缘检测方法。我们还将本实验的结果与传统的Otsu阈值方法进行了比较，发现PCNN的结果更好。实验结果表明，该方法的jaccard指数为0.899，优于ISBI排名靠前的论文，准确率为93.4%。该方法可以对分割后的图像进行进一步的分析，将其分为恶性肿瘤和良性皮肤病。虽然目前的PCNN应用在黑色素瘤识别领域的研究已经取得了初步成就，但仍然存在着一些不足，例如参数的调整不够智能，接下来将向参数自动调整改进。