بخش بندی ملانوما و دیگر عارضه‌های رنگی پوست در تصاویر درموسکپی با استفاده از ترکیب روشهای آستانه گذاری مبتنی برالگوریتم یادگیری تقویتی
الموضوعات :
سیدمحمد سیدابراهیمی
1
,
حسین پورقاسم
2
,
احمد کشاورز
3
1 - کارشناس ارشد /دانشگاه آزاد اسلامی، واحد نجف آباد
2 - استادیار /دانشگاه آزاد اسلامی، واحد نجف آباد
3 - استادیار /دانشگاه خلیج فارس بوشهر
الکلمات المفتاحية: ملانوما, آستانه‌گذاری, بخش‌بندی, تصاویر درموسکپی, الگوریتم یادگیری تقویتی,
ملخص المقالة :
تصاویر درموسکپی یکی از ابزارهای اصلی مورد استفاده در تشخیص ملانوما و دیگر عارضه های رنگی پوست به شمار می‌رود. به علت سختی و عوامل ادراکی در تشخیص‌های انسانی، تحلیل کامپیوتری تصاویر درموسکپی یک زمینه جدید تحقیقاتی را به روی محققین گشوده است. یکی از مراحل اصلی در تحلیل این تصاویر، آشکارسازی خودکار مرز عارضه می‌باشد. یافتن یک آستانه بهینه برای بخش بندی تصاویر دیجیتالی یک کار دشوار در پردازش تصویر می‌باشد. در این تحقیق یک روش آستانه‌گذاری جدید مبتنی بر روشهای آستانه‌گذاری مطرح و الگوریتم یادگیری تقویتی جهت بخش‌بندی تصاویر درموسکپی ارائه می‌گردد. در این روش، عامل تقویتی الگوریتم یادگیری، وزن‌های بهینه مربوط به آستانه‌های مختلف را آموزش می‌بیند و تصویر را توسط آستانه بهینه بخش‌بندی می‌کند. یک تابع پاداش برای محاسبه میزان شباهت بین تصویر باینری خروجی و تصویر سطح خاکستری اصلی به کار برده می‌شود تا میزان پاداش یا جریمه را به عامل تقویتی اعمال کند. از سه روش آستانه‌گذاری Otsu، Kittler و Kapur جهت ترکیب در عامل تقویتی استفاده می‌گردد. نتایج بخش‌بندی با استفاده از اندازه‌گیری خطا براساس تصاویری که توسط متخصصین پوست بخش‌بندی شده‌اند، مقایسه می‌گردند. مقایسه نتایج حاصل با روشهای خودکار ارائه شده در مقالات، بیانگر بهبود دقت و کاهش خطا در آشکارسازی مرز عارضه در تصاویر درموسکپی است.
[1] A. Jemal, R. Sigel, E. Ward, Y. Hao, J. Xu, M.J. Thum, "Cancer Statistics 2009", CA Cancer J. Clin, Vol. 59, pp. 225-249, 2009.
[2] G. Argenziano, H.P. Soyer, V.D. Giorgi, "Dermoscopy: A tutorial", EDRA Medical publishing & new media, Milan, Italy, 2002.
[3] K. Steiner, M. Schemper, "Statistical evaluation of epiluminescence dermoscopy criteria for melanocytic pigmented lesions", J. Am. Acad. Dermatol., Vol. 29, No. 4, pp. 581-588, 1993.
[4] W.V. Stoecker, K. Gupta, R.J. Stanley, R. Joe, R.H. Moss, Bijaya, Shrestha, "Detection of asymmetric blotches in dermoscopy images of malignant melanoma using relative color", Skin Res. Technol., Vol. 11, No. 3, pp. 179-184, 2005.
[5] M.E. Celebi, H.A. Kingravi, Y.A. Aslandogan, W.V. Stoecker, "Detection of blue-white veil areas in dermoscopy images using machine learning techniques", Proc. of SPIE Medical Imaging Conf., SanDiego, pp. 1861-1868, 2006.
[6] M.E. Celebi, H. Iyatomi, G. Schaefer, W.V. Stoecker, "Lesion border detection in dermoscopy images", Computerized Medical Imaging and Graphics, Vol. 33, No. 2, pp. 148-153, 2009.
[7] G. Rahil, A. Mohammad, "Skin lesion segmentation using color channel optimization and clustering-based histogram thresholding", International Journal of Medicine and Medical Sciences, Vol. 1,pp. 126-133, 2010.
[8] M. Celebi, Y. Aslandogan, "Unsupervised border detection in dermoscopy images", Skin Research and Technology, Vol. 1, pp. 1-9, 2007.
[9] M.E. Celebi, H.A. Kingravi, H. Iyatomi, Y.A. Aslandogan, W.V. Stoecker, R.H. Moss, J.M. Malters, J.M. Grichnik, A.A. Marghoob, H.S. Rabinovitz, S.W. Menzies, "Border detection in dermoscopy images using statistical region merging", Skin Research and Technology, Vol. 14, pp. 347-353, 2008.
[10] M. Celebi, K. Hassan, H. Iyatomi, "Fast and accurate border detection in dermoscopy images using statistical region merging", Skin reseach and technology, Vol. 14, pp.1-7, 2007.
[11] J. Tang, "A multi-direction Gvf snake for the segmentation of skin cancer images", Pattern Recognition, Vol. 42, pp. 1172-1179, 2009.
[12] S.G. Rajab, "Skin lesion segmentation using Co-operative neural network edge detection and color normalization", 9th IEEE international conference on Biomedicine, pp. 1-4, 2009.
[13] Y. Borlu, "Accurate segmentation of Dermoscopic images by image thresholding based on Type-2 fuzzy logic", IEEE Transactions on Fuzzy Systems, Vol. 17, No. 4, pp. 976-982, 2009.
[14] B. Sankur, M. Sezgin, "Survey over image thresholding techniques and quantitative performance evaluation", J. Electron. Imaging, Vol. 13, No.1, pp. 146–165, 2004.
[15] R.S. Sutton, A.G. Barto, Reinforcement Learning: An introduction, Cambridge, MIT press, 1998.
[16] F. Melgani, "Robust image binarization with ensembles of thresholding algorithms", J. Electron Imaging, Vol. 15, pp. 023010, 2006.
[17] B. Sankur, M. Sezgin, "Survey over image thresholding techniques and quantitative performance evaluation", J. Electron. Imaging, Vol. 13, No. 1, pp. 146–165, 2004.
[18] J. Kittler, J. Illingworth, "Minimum error thresholding", Pattern Recognition, Vol. 19, No. 1, pp. 41-47, 1986.
[19] J.N. Kapur, P.K. Sahoo, A.K.C. Wong, "A new method for gray-level picture thresholding using the entropy of the histogram", Graph Model Im. Proc, Vol. 29, pp. 273–285, 1985.
[20] M. Shokri, H.R. Tizhoosh, "A reinforcement agent for threshold fusion", Applied Soft Computing, Vol. 8, pp. 174-181, 2008.
[21] G. Argenziano, H.P. Soyer, D.G. Vet, Dermoscopy:a tutorial. Milan, Italy: EDRA Medical Publishing & New Media, 2002.
[22] P. Pagadala, Tumor border detection in epiluminescence microscopy images. MS Thesis. Department of Electricaland Computer Engineering, University of Missouri- Rolla, 1998.
[23] B. Erkol, R.H. Moss, R.J. Stanley, W.V. Stoecker, E. Hvatum, "Automatic lesion boundary detection in dermoscopy images using gradient vector flow snakes", Skin Res Technol, Vol. 11, pp.17-26, 2005.
[24] G. Argenziano, H.P. Soyer, and V. De Giorgi et al., Dermoscopy:A Tutorial, EDRA Medical Publishing &New Media, 2002.
[25] M.E. Celebi, H.A. Kingravi, H. Iyatomi, Y.A. Aslandogan, W.V. Stoecker, R.H. Moss, J.M. Malters, J.M. Grichnik, A.A. Marghoob, H.S. Rabinovitz, S.W. Menzies, "Border detection in dermoscopy images using statistical region merging", Skin Research and Technology,Vol. 14, pp. 347-353, 2008.
[26] R.C. Gonzalez, R.E. Woods, Digital Image Processing, 2nd ed., Prentice Hall, New Jersey, 2002, 07458.
_||_