基于多比特平面融合的轻量级皮肤病变轮廓检测方法

《Scientific Reports》：Multi-bitplane edge detection of skin lesion contours in dermoscopic images

　　

摘要

在皮肤科医学图像分析中，边缘检测对皮肤病诊断至关重要。精确的边缘信息为后续的疾病评估提供了重要基础。然而，现有的基于灰度梯度的边缘检测方法在提取复杂皮肤纹理特征时视觉效果较差，通常是由于噪声干扰以及无法获取完整、清晰的边缘图像，而基于深度学习的方法则依赖于大量标注数据集且计算成本高。为了提高皮肤图像边缘检测的视觉质量并提取清晰、完整的皮肤边缘，我们提出了无需训练的轻量级皮肤病变轮廓检测（SLCD）方法。该方法整合了Haar小波变换去噪和3×3圆形结构元素形态学处理，对皮肤图像进行两阶段预处理。处理后的图像使用3个最高有效位（MSB）平面，并对每个位平面分别进行边缘检测。每个位平面通过基于局部标准差和平均梯度的3×3邻域自适应分析进行处理以获得边缘图像，然后将所得边缘图像融合以生成最终检测结果。在皮肤图像边缘检测测试（SIEDT）数据集上的实验表明，SLCD的平均F1分数为0.718，Jaccard指数为0.575，Matthews相关系数（MCC）为0.733，以上指标均优于所比较的其他方法。SLCD能够有效提取真实的皮肤边缘并减轻皮肤图像中的噪声干扰，提供了一种无需训练且轻量级的替代方案，在边缘检测性能上优于传统算子，同时避免了深度学习模型在资源受限的皮肤图像分析场景中的大量数据和计算需求。本研究为皮肤图像边缘检测提供了基于多比特平面融合的新概念和方法，通过提供高精度的病变轮廓提供了诊断价值，支持皮肤病变分析、早期诊断和手术规划，并提高了皮肤科临床决策的可靠性。