Clinical Skin Lesion Diagnosis using Representations Inspired by Dermatologist Criteria

4 提出医疗表示

4.1 结构表示

不同疾病的病灶有不同的表皮结构，如鳞片、肿块、痂、出血等，这些表皮结构可通过临床图像中的纹理来测量同时，皮肤病的结构也有不同的分布，如病变单一、均匀或无结构，可通过结构的对称性来衡量。

4.1 病灶多空间纹理 Multi-Space Texture of Lesion (MST-L)

虽然皮肤科医生可以很容易地观察到患者的皮肤状况，但皮肤病的临床图像是在不同光照条件下捕获的，这可能会影响表征的计算。为了有效地再现病变的结构，我们计算了基于不同颜色通道的纹理表示，以减少环境的影响。我们提出病灶多空间纹理 multi-space texture of lesions MST(x),对于每个诊断图像x：

其中Gi(x) 表示第i个色彩通道抽取的特征集合，K表示空间数量。我们采用3个空间，即色调、饱和度和亮度，每个通道我们抽取SIFT特征作为表示。

4.1.2 病变纹理对称性Texture Symmetry of Lesion (TS-L)

皮肤病变结构的不对称性已被证明是一种有效的判定标准。因此，我们提出了一种基于病变纹理对称性的表征方法。首先我们用【41】的MBD+ 根据主轴将图像划分成两个部分

然后我们抽取每个部分的特征。最终我们表示在第i个色彩通道对称性Si(x)如下：



我们测量了色调空间的纹理对称性，因为它是相对于光的亮度的缩放和位移不变的。

4.2 颜色表示

4.2.1 病变颜色名称 Color Name of Lesion (CN-L)

现实世界中的物体是五颜六色的，但是皮肤病被限制为几种颜色。在计算机视觉中,颜色类别由映射函数建模,标志一个像素的三个通道值稀疏空间由𝑀张成的颜色。受[6]的启发,我们在l * a * b 空间中（该空间从RGB立方体中稀疏采样获得），为每个颜色值计算概率向量

（这块自己没看懂 翻译不明白）

4.2.2 连续色彩值Continuous Color Values of Lesion (CCV-L)

不同于color name特征，一个固定向量代表固定color，例如 Cl=red，value=（1，0，0）。这里，我们采用连续颜色值，对每个病变定义不同的颜色程度。对于图像中的每个像素的每个color bin，我们定义一个连续颜色表示，CCV© ：

P(C, c) 表示一个概率映射，将color bin c 映射为最近的name C，theta© 是像素的权重，定义为：

n©是图像中对应颜色的频率，u©是rgb空间中c的颜色值。

4.3 形状表示 Shape Representation

皮肤病变的形状是判断皮肤病种类和程度的重要线索。例如，痣的病灶可以是一个圆圈，而牛皮癣的病灶则是散在的。在本文中，我们根据病灶的形状提出了两种表示:(1)病灶形状的对称性和(2)病灶的紧致程度，两者都是由检测到的病灶区域计算出来的。

4.3.1 外周对称性 Peripheral Symmetry of Lesion (PS-L)

我们首先在图像x中利用MDB+算法检测病变处区域，分成两个部分，即
两个部分的面积近似相等，并且有基于一致特征的外周。特别地，先找出病灶内最长的直线段，再按其垂直平分线对病灶进行分割。最终，最后，我们根据两部分的互补性来表示病变的周围对称性：

其中A(.) 表示抽取的特征，F(.，.) 表示两个特征的拼接。

4.3.2 自适应稠密性Adaptive Compactness of Lesion (AC-L)

对于皮肤病区域，其圆近似度可用于诊断，并可通过紧致度准则来表示，紧致度准则定义为

在𝐴表示损伤的面积和周长𝑃表示。然而，皮肤疾病的病灶可以被肿胀或皮下出血包围，这也可以在临床图像中检测到。值得注意的是，这些细胞总是比病灶中心的细胞颜色更浅。因此，在测量病灶的密面积时，我们根据像素重要程度自适应地计算具有动态权值的病灶面积。我们定义面积
𝐴𝐿病变的如下:

z表示患处L(x)的像素，是一个概率，映射从颜色种类到空间到颜色名称特征，这反映了像素z是病变中心的可能性。

5 实验

5.1 设置

• 数据：SD-198数据集，是该领域最大的公开数据，包括198中皮肤病，6584张图像，由相机或手机采集。这些图像在颜色、外观、光照和规模上各不相同，涵盖了不同年龄、性别、疾病部位、皮肤颜色和疾病的不同阶段的患者。我们使用SD-198提供的标准训练/测试分割3292张训练图像和3292张测试图像。

• evaluated representtion：我们将提出的表示与来自三个视觉组成部分的几个标准底层特征进行比较， 纹理（SIFT, HOG, LBP, BRIEF, SURF, Wavelet 和 ORB）， 颜色 (CH), Color Name (CN) and ColorSIFT) , 边缘(GIST, Gabor, Prewitt, Sobel and Canny),同时我们开始画了不同表示如图5
  
  然后我们混合最好的基哥特征（通过实验获得）来进行全面组合。同时我们用提出的表示于目前最优的cnn方法进行比较，包括caffeNet vggNet 和 googlenet。在实验中，我们也从微调后的模型中提取特征，以提供一个公平的比较。在这项工作中，我们产生的识别结果的对比表示使用分类器包括
  𝑘最近的邻居(knn),支持向量机(SVM)和随机森林(RF)(分类器的参数可以在补充材料)。采用准确率 acc做评估，同时也考虑敏感性SE
  

5.2 表示的有效性

这些结果仍然表明，皮肤病变的病理变化可以通过视觉成分捕捉到，与图2一致

所有包含皮肤科医生标准的表示都对结果有一定提升。

我们将10种常见皮肤病的8种表现形式的诊断结果可视化，见图4

5.3 与cnn和医生的比较