Cilt Lezyon Bölütlemesi için Metasezgisel Temelli Otsu Eşikleme Yöntemi

Year 2020, Volume: 9 Issue: 1, 42 - 48, 18.06.2020

Nurullah Şahin Nuh Alpaslan

https://doi.org/10.46810/tdfd.712911

Cited By: 1

Abstract

Melanom yapısal DNA hasarından kaynaklı en ölümcül cilt kanseri türlerinden olmakla beraber erken tanı konulması durumunda hayatta kalma oranı oldukça yüksektir. Melanom teşhisi, lezyon bölgesine ait dermoskopi görüntülerinin dermatolog tarafından görsel olarak incelenmesi ile konulur. Kesin tanı ise lezyon bölgesinden doku örneği alınıp patolojik inceleme sonrası ortaya çıkmaktadır. Patolojik inceleme hem çok zaman alan hem de maliyetli bir yöntemdir. Dermatologlar tarafından yapılabilecek hataları en aza indirmek ve melanomun doğru teşhisi için hekime yardımcı olmak için çok sayıda bilgisayar destekli tanı sistemi geliştirilmiştir. Lezyon bölgesinin doğru biçimde bölütlenmesi, özellik çıkarımı ve sınıflandırma performansını doğrudan etkilediği için kritik öneme sahiptir. Bu çalışmada öncelikle yeniden boyutlandırma, siyah çerçeve silme ve kıl silme gibi bir dizi önişleme adımı uygulanmıştır. Daha sonra gri seviyeye dönüştürülmüş görüntünün histogramı elde edilerek lezyon bölgesini sağlıklı ciltten ayırmak için uygun eşik değerini bulmak için geleneksel Otsu, Otsu tabanlı HA, SA ve PSO yöntemleri uygulanmıştır. Bulunan en uygun eşik değerine göre görüntü ikili görüntüye dönüştürülerek nihai lezyon bölgesi elde edilir. Sonuç olarak, ortalama iterasyon sayılarına göre çalışma süresi hesaplandığında, PSO, HA, SA yöntemlerinin bölütleme başarımından ödün vermeden geleneksel Otsu yöntemine göre sırasıyla %40, %29 ve %28.5 daha hızlı optimal eşik değerini bulduğu gözlemlenmiştir.

Keywords

Melanom, Otsu Eşikleme, Benzetimli tavlama, Melodi arama

Metaheuristic Based Otsu Thresholding Method for Skin Lesion Segmentation

Abstract

The melanoma is one of the most fatal type of skin cancer which is caused by structural DNA damage. But in case of early diagnosis, the survival rate is pretty high. The melanoma diagnosis is made by visual examination of the dermoscopy images of the lesion area by a dermatologist. The exact diagnosis is obtained after pathological examination by taking tissue sample from the lesion area. The pathological examination is a very time-consuming and costly method. Numerous computer-aided diagnostic systems have been developed to minimize errors that can be made by dermatologists and to assist the physicians in the correct diagnosis of melanoma. The accurate segmentation of the lesion is critical as it directly affects feature extraction and classification performance. In this study, firstly a number of preprocessing steps, such as resizing, black-frame, and hair removal, were carried out. Then, the histogram of gray-scale converted image is obtained and traditional Otsu, Otsu based HS, SA and PSO methods were applied to find the optimal threshold value to segment the lesion area from healthy skin. The final lesion area is obtained by transforming the image into a binary image according to the optimal threshold value. As a result, when the working time is calculated according to the average number of iterations, PSO, HS, SA methods have been observed to find the optimal threshold value 40%, 29% and 28.5% faster than the traditional Otsu method, without compromising the segmentation performance.

Keywords

Melanoma, Otsu Threshold, Simulated Annealing, Melody search

References

• [1] M. Silveira et al., “Comparison of segmentation methods for automatic diagnosis of dermoscopy images.,” Conf. Proc. IEEE Eng. Med. Biol. Soc., vol. 3, no. 1, pp. 6573–6576, 2009.
• [2] Y. Yuan, M. Chao, and Y. C. Lo, “Automatic Skin Lesion Segmentation Using Deep Fully Convolutional Networks with Jaccard Distance,” IEEE Trans. Med. Imaging, vol. 36, no. 9, pp. 1876–1886, 2017, doi: 10.1109/TMI.2017.2695227.
• [3] W. Stolz, A. Reimann, and A. B. Cognetta, “ABCD rule of dermatoscopy: a new practical method for early recognition of malignant melanoma.” 1994.
• [4] G. Argenziano et al., “Seven-point checklist of dermoscopy revisited,” Br. J. Dermatol., vol. 164, no. 4, pp. 785–790, 2011, doi: 10.1111/j.1365-2133.2010.10194.x.
• [5] S. W. Menzies, An atlas of surface microscopy of pigmented skin lesions : dermoscopy. McGraw-Hill, 2003.
• [6] R. J. Al-Azawi, A. A. Abdulhameed, and H. M. Ahmed, “A Robustness Segmentation Approach for Skin Cancer Image Detection Based on an Adaptive Automatic Thresholding Technique,” Am. J. Intell. Syst., vol. 2017, no. 4, pp. 107–112, 2017, doi: 10.5923/j.ajis.20170704.01.
• [7] R. Garnavi, M. Aldeen, M. E. Celebi, G. Varigos, and S. Finch, “Border detection in dermoscopy images using hybrid thresholding on optimized color channels,” Comput. Med. Imaging Graph., vol. 35, no. 2, pp. 105–115, 2011, doi: 10.1016/j.compmedimag.2010.08.001.
• [8] B. Erkol, R. H. Moss, R. J. Stanley, W. V Stoecker, and E. Hvatum, “Images Using Gradient Vector Flow Snakes,” Ski. Res. Technol., pp. 17–26, 2005.
• [9] T. F. Chan, B. Yezrielev Sandberg, and L. A. Vese, “Active contours without edges for vector-valued images,” J. Vis. Commun. Image Represent., vol. 11, no. 2, pp. 130–141, 2000, doi: 10.1006/jvci.1999.0442.
• [10] A. Agarwal, A. Issac, M. K. Dutta, K. Riha, and V. Uher, “Automated skin lesion segmentation using k-Means clustering from digital dermoscopic images,” in 2017 40th International Conference on Telecommunications and Signal Processing, TSP 2017, 2017, vol. 2017-January, pp. 743–748, doi: 10.1109/TSP.2017.8076087.
• [11] A. Wong, J. Scharcanski, and P. Fieguth, “Automatic skin lesion segmentation via iterative stochastic region merging,” IEEE Trans. Inf. Technol. Biomed., vol. 15, no. 6, pp. 929–936, 2011, doi: 10.1109/TITB.2011.2157829.
• [12] N. K. El Abbadi and A. H. Miry, “Automatic segmentation of skin lesions using histogram thresholding,” J. Comput. Sci., vol. 10, no. 4, pp. 632–639, 2014, doi: 10.3844/jcssp.2014.632.639.
• [13] M. Aljanabi, Y. E. Özok, J. Rahebi, and A. S. Abdullah, “Skin lesion segmentation method for dermoscopy images using artificial bee colony algorithm,” Symmetry (Basel)., vol. 10, no. 8, 2018, doi: 10.3390/sym10080347.
• [14] R. Eberhart and J. Kennedy, “New optimizer using particle swarm theory,” Proc. Int. Symp. Micro Mach. Hum. Sci., pp. 39–43, 1995, doi: 10.1109/mhs.1995.494215.
• [15] H. Doğan, S. AYAS, E. GEDİKLİ, and M. EKİNCİ, “Parçacık Sürü Zekası Optimizasyonu ile Mikroskobik Görüntülerin Segmentasyonunda Farklı Entropi Ölçülerinin Etkisi,” Süleyman Demirel Üniversitesi Fen Bilim. Enstitüsü Derg., vol. 22, no. 2, p. 703, 2017, doi: 10.19113/sdufbed.64012.
• [16] S. Kirkpatrick, C. D. Gelatt, and M. P. Vecchi, Optimization by Simulated Annealing. Morgan Kaufmann Publishers, Inc., 1987.
• [17] N. Metropolis, A. W. Rosenbluth, M. N. Rosenbluth, A. H. Teller, and E. Teller, “Equation of state calculations by fast computing machines,” J. Chem. Phys., vol. 21, no. 6, pp. 1087–1092, 1953, doi: 10.1063/1.1699114.
• [18] Z. W. Geem, “1-D Optimization Algorithms,” Optimization, pp. 35–54, 2001, doi: 10.1201/b18469-3.
• [19] B. Kamişlioğlu and N. Karaboğa, “Lower Order System Modelling with Harmony Search Algorithm,” pp. 576–580, 2012.
• [20] N. Otsu, “Pourazowe zniekształcenie przednich zebów stałych i zwiazane z tym trudności lecznicze.,” Czas. Stomatol., vol. 26, no. 8, pp. 855–860, 1973.