Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân đoạn sẹo trên da dựa trên phát hiện độ nổi bật
Tóm tắt
Việc phân đoạn hiệu quả các vết sẹo trên da là một phần quan trọng trong việc định danh sẹo hợp pháp. Quy trình đánh giá hiện tại chủ yếu tập trung vào việc kiểm tra bằng mắt, và độ chính xác cần được cải thiện. Bài báo này đề xuất một phương pháp phân đoạn sẹo không giám sát dựa trên phát hiện độ nổi bật, có khả năng trích xuất chính xác các vết sẹo trong các điều kiện sẹo phức tạp. Bản đồ đặc trưng của hình ảnh Gaussian pyramid được trích xuất để phục vụ cho việc lấy đặc trưng, và thuật toán phân cụm được sử dụng để kết hợp các đặc trưng tương phản và không gian nhằm thiết lập bản đồ độ nổi bật sẹo trên da. Cuối cùng, vùng sẹo trên da được phân đoạn thông qua xử lý hậu kỳ. Kết quả thực nghiệm cho thấy độ chính xác của phương pháp đề xuất được cải thiện 18.4% so với phương pháp không tối ưu khi so sánh với bảy phương pháp không giám sát trên các tập dữ liệu riêng tư được cung cấp bởi một phòng pháp y địa phương, điều này chứng minh rằng phương pháp đề xuất hỗ trợ tối ưu hóa và cải thiện phân đoạn sẹo trên da.
Từ khóa
#phân đoạn sẹo #phát hiện độ nổi bật #thuật toán phân cụm #xử lý hình ảnh #pháp yTài liệu tham khảo
Silveira, M., Nascimento, J.C., Marques, J.S., Marcal, A.R.S., Mendonca, T., Yamauchi, S., et al.: Comparison of segmentation methods for melanoma diagnosis in dermoscopy images. IEEE J. Sel. Top. Sig. Process. 3, 35–45 (2009)
Kumar, M., Alshehri, M., AlGhamdi, R., Sharma, P., Deep, V.: A DE-ANN inspired skin cancer detection approach using fuzzy C-means clustering. Mob. Netw. Appl. 25, 1319–1329 (2020)
Emre Celebi, M., Kingravi, H.A., Iyatomi, H., Alp Aslandogan, Y., Stoecker, W.V., Moss, R.H., et al.: Border detection in dermoscopy images using statistical region merging. Skin Res. Technol. 14, 347–353 (2008)
Dhane, D.M., Krishna, V., Achar, A., Bar, C., Sanyal, K., Chakraborty, C.: Spectral clustering for unsupervised segmentation of lower extremity wound beds using optical images. J. Med. Syst. 40, 207 (2016)
Zhou, H., Li, X., Schaefer, G., Celebi, M.E., Miller, P.: Mean shift based gradient vector flow for image segmentation. Comput. Vis. Image Underst. 117, 1004–1016 (2013)
Ma, Z., Tavares, J.M.R.S.: A novel approach to segment skin lesions in dermoscopic images based on a deformable model. IEEE J. Biomed. Health Inform. 20, 615–623 (2016)
Jones, T., Plassmann, P.: An active contour model for measuring the area of leg ulcers. IEEE Trans. Med. Imaging 19, 1202–1210 (2000)
Ahn, E., Kim, J., Bi, L., Kumar, A., Li, C., Fulham, M., et al.: Saliency-based lesion segmentation via background detection in dermoscopic images. IEEE J. Biomed. Health Inform. 21, 1685–1693 (2017)
Fan, H., Xie, F., Li, Y., Jiang, Z., Liu, J.: Automatic segmentation of dermoscopy images using saliency combined with otsu threshold. Comput. Biol. Med. 85, 75–85 (2017)
Cuevas, E., Olugbara, O.O., Taiwo, T.B., Heukelman, D.: Segmentation of melanoma skin lesion using perceptual color difference saliency with morphological analysis. Math. Probl. Eng. 2018, 1524286 (2018)
Patiño, D., Avendaño, J., Branch, JW.: Automatic skin lesion segmentation on dermoscopic images by the means of superpixel merging. In: Medical Image Computing and Computer Assisted Intervention – MICCAI 2018. Cham, pp. 728–736 (2018)
He, K., Gkioxari, G., Dollár, P., Girshick, R.: Mask r-cnn. In: 2017 IEEE International Conference on Computer Vision (ICCV), pp. 2980–2988 (2017)
Ronneberger, O., Fischer, P., Brox, T.: U-net: Convolutional networks for biomedical image segmentation. In: Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015. Springer International Publishing, pp. 234–241 (2015)
Shelhamer, E., Long, J., Darrell, T.: Fully convolutional networks for semantic segmentation. IEEE Trans. Pattern Anal. Mach. Intell. 39(4), 640–651 (2017)
Wu, H., Pan, J., Li, Z., Wen, Z., Qin, J.: Automated skin lesion segmentation via an adaptive dual attention module. IEEE Trans. Med. Imaging 40(1), 357–370 (2021)
Kaymak, R., Kaymak, C., Ucar, A.: Skin lesion segmentation using fully convolutional networks: a comparative experimental study. Expert Syst. Appl. 161, 113742 (2020)
Cheng, Z., Qu, A., He, X.: Contour-aware semantic segmentation network with spatial attention mechanism for medical image. Vis. Comput. 38(3), 749–62 (2022)
Tajbakhsh, N., Jeyaseelan, L., Li, Q., Chiang, J.N., Wu, Z., Ding, X.: Embracing imperfect datasets: a review of deep learning solutions for medical image segmentation. Med. Image Anal. 63, 101693 (2020)
Goodfellow, I.J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., et al.: Generative adversarial nets. Adv. Neural Inf. Process. Syst. 27, 2672–2680 (2014)
Cheng, MM., Zhang, GX., Mitra, NJ., Huang, X., Hu, SM.: Global contrast based salient region detection. In: CVPR 2011, pp. 409–416 (2011)
Yu, Z., Zhuge, Y., Lu, H., Zhang, L.: Joint learning of saliency detection and weakly supervised semantic segmentation. In: 2019 IEEE/CVF International Conference on Computer Vision (ICCV), pp. 7222–7232 (2019)
Tsai, C.C., Li, W., Hsu, K.J., Qian, X., Lin, Y.Y.: Image co-saliency detection and co-segmentation via progressive joint optimization. IEEE Trans. Image Process. 28, 56–71 (2019)
Wang, W., Shen, J., Shao, L.: Video salient object detection via fully convolutional networks. IEEE Trans. Image Process. 27, 38–49 (2018)
Zheng, L., Wang, S., Liu, Z., Tian, Q.: Fast image retrieval: query pruning and early termination. IEEE Trans. Multimed. 17, 648–659 (2015)
Itti, L., Koch, C., Niebur, E.: A model of saliency-based visual attention for rapid scene analysis. IEEE Trans. Pattern Anal. Mach. Intell. 20, 1254–1259 (1998)
Ma, YF., Zhang, HJ.: Contrast-based image attention analysis by using fuzzy growing. In: Proceedings of the Eleventh ACM International Conference on Multimedia, pp. 374-381 (2003)
Achanta, R., Estrada, F., Wils, P., Silsstrunk, S.: Salient region detection and segmentation. In: Computer Vision Systems, Proceedings, pp. 66–75 (2008)
Lowe, D.: Distinctive image features from scale-invariant keypoints. Int. J. Comput. Vision 60, 91–110 (2004)
Goferman, S., Zelnik-Manor, L., Tal, A.: Context-aware saliency detection. IEEE Trans. Pattern Anal. Mach. Intell. 34, 1915–1926 (2012)
Achanta, R., Hemami, S., Estrada, F., Susstrunk, S.: Frequency-tuned salient region detection. In: 2009 IEEE Conference on Computer Vision and Pattern Recognition, pp. 1597–1604 (2009)
Zhai, Y., Shah, M.: Visual attention detection in video sequences using spatiotemporal cues. In: Proceedings of the 14th ACM International Conference on Multimedia, p. 815–824 (2006)
Ahn, E., Bi, L., Jung, YH., Kim, J., Li, C., Fulham, M., et al. Automated saliency-based lesion segmentation in dermoscopic images. In: 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pp. 3009–3012 (2015)
Fu, H., Cao, X., Tu, Z.: Cluster-based co-saliency detection. IEEE Trans. Image Process. 22, 3766–3778 (2013)
Jian, M., Zhang, W., Yu, H., Cui, C., Nie, X., Zhang, H., et al.: Saliency detection based on directional patches extraction and principal local color contrast. J. Vis. Commun. Image Represent. 57, 1–11 (2018)
Bi, L., Kim, J., Ahn, E., Feng, D., Fulham, M.: Automated skin lesion segmentation via image-wise supervised learning and multi-scale superpixel based cellular automata. In: 2016 IEEE 13th International Symposium on Biomedical Imaging (ISBI), pp. 1059–1062 (2016)
Yang, C., Zhang, L., Lu, H.: Graph-regularized saliency detection with convex-hull-based center prior. IEEE Signal Process. Lett. 20, 637–640 (2013)
Yuan, Y., Li, C., Kim, J., Cai, W., Feng, D.D.: Reversion correction and regularized random walk ranking for saliency detection. IEEE Trans. Image Process. 27, 1311–1322 (2018)
Li, C., Yuan, Y., Cai, W., Xia, Y., Feng, DD.: Robust saliency detection via regularized random walks ranking. In: 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2710–2717 (2015)
Liu, G.H., Yang, J.Y.: Exploiting color volume and color difference for salient region detection. IEEE Trans. Image Process. 28, 6–16 (2019)
Liu, G.H., Yang, J.Y., Li, Z.: Content-based image retrieval using computational visual attention model. Pattern Recogn. 48, 2554–2566 (2015)
Jiang, F., Kong, B., Li, J., Dashtipour, K., Gogate, M.: Robust visual saliency optimization based on bidirectional markov chains. Cogn. Comput. 13, 69–80 (2021)
Shen, X., Wu, Y.: A unified approach to salient object detection via low rank matrix recovery. In: 2012 IEEE Conference on Computer Vision and Pattern Recognition, pp. 853–860 (2012)
Yan, Q., Xu, L., Shi, J., Jia, J.: Hierarchical saliency detection. In: 2013 IEEE Conference on Computer Vision and Pattern Recognition, p. 1155–1162 (2013)
Jain, A.K., Farrokhnia, F.: Unsupervised texture segmentation using gabor filters. Pattern Recogn. 24, 1167–1186 (1991)
Judd, T., Ehinger, K., Durand, F., Torralba, A.: Learning to predict where humans look. In: 2009 IEEE 12th International Conference on Computer Vision, pp. 2106–2113 (2009)
Xi, T., Zhao, W., Wang, H., Lin, W.: Salient object detection with spatiotemporal background priors for video. IEEE Trans. Image Process. 26, 3425–3436 (2017)
Yang, K.F., Li, H., Li, C.Y., Li, Y.J.: A unified framework for salient structure detection by contour-guided visual search. IEEE Trans. Image Process. 25, 3475–3488 (2016)
Mukherjee, S., Valenzise, G., Cheng, I.: Potential of deep features for opinion-unaware, distortion-unaware, no-reference image quality assessment. In: Smart Multimedia. Cham, pp. 87–95 (2020)