● 摘要
恶性黑素瘤(MM: Malignant Melanoma)，多发生于皮肤，是一种恶性程度高、易转移、危险性大的皮肤首位致死性疾病，大多数患者在10年内死亡。目前，对恶性黑色素瘤最有效的治疗方法仍然是早期诊断加积极有效切除原发灶，这对预防和降低死亡率具有决定性意义。在国外，皮肤镜技术已应用多年，其对于恶性黑素瘤早期辅助诊断上的重要价值已经得到证实。目前，除本课题组及合作单位解放军空军总医院的部分研究成果外，国内尚无其它关于皮肤镜黑素细胞瘤图像辅助诊断系统的报道。本文针对黄色人种的皮肤镜黑素细胞瘤图像展开研究工作，旨在实现黄色人种的皮肤镜黑素细胞瘤图像的有效分析和分类识别，为辅助诊断提供可靠的技术支持。本文的主要贡献可分述如下：(1) 对于绝大多数皮肤镜黑素细胞瘤图像而言，对图像分割和分类影响最大的则是人体毛发噪声的干扰。在现阶段，有关去除皮肤图像上毛发干扰的技术还不能满足实际应用需求。本文针对皮肤黑素细胞瘤图像之特点，将毛发作为被去除的对象，以欲檎先纵的策略，采用数学形态学的Top-hat变换增强毛发在图像中的对比度，根据毛发的延伸性特征，定义了一种延伸性函数，该函数能够准确描述条带状连通区域的延伸状态，可作为毛发检测的工具，有效检测出毛发噪声并予以去除。进而采用基于偏微分方程的图像修复(Image Inpainting)技术来恢复被遮挡信息。在实现毛发噪声的自动去除与被遮挡信息的非监督修复方面取得了满意的结果。(2) 皮肤黑素细胞瘤图像的自动分割是分析皮肤黑素细胞瘤的形态和属性的关键，也是一项具有挑战性的工作。本文采用区域生长法对图像进行粗分割，把每一个小的区域看作一个训练样本，定义包括颜色和空间特征在内的节点属性，进而以自生成神经网络(SGNN: Self-Generating Neural Network)为基本工具来实现黑素细胞瘤图像的聚类。为克服SGNN算法在孤立点出现的情况下容易造成错分割，且对样本训练顺序敏感，稳定性差等缺点，对自生成神经树(SGNT: Self-Generating Neural Tree)原有的连接规则进行了改进，并将其推广扩展为自生成神经森林(SGNF: Self-Generating Neural Forest)，从而将基于SGNN的聚类问题转化为一个优化问题，运用改进的遗传算法(GAs)进行求解，有效实现了皮肤黑素细胞瘤图像的自适应聚类分割。取得了稳健且满意的效果。(3) 目标的特征提取和选择是模式识别研究的重要内容。目前，对于黑素细胞瘤目标的特征描述主要分为颜色、纹理和形状三个方面。本文根据待分类数据集的特点，在提取黑素细胞瘤目标常用的颜色和纹理特征基础上，成功引入了边界凹陷率和过渡区辐射不均匀度等两个特征，可有效描述黑素细胞瘤目标的形状特点，且不受目标是否被完全采集的限制，减弱了分类器对数据采集条件的依赖性。进而在相关性分析的基础上运用遗传算法实现了特征优化，为后续的识别和分类工作提供了更有效的特征信息。(4) 组合神经网络分类器按一定的法则集成多个相互独立的神经网络分类器，可使整体分类性能得到大幅度提高，因而成为一种有效的工程化高性能分类器设计方法。本文针对皮肤黑素细胞瘤目标的分类识别问题，以BP神经网络和模糊神经网络作为基本学习分类器，采用Adaboost方法训练产生个体子网，并对个体子网分类器的加权回归和优化，进而实现多种不同结构神经网络分类器的综合集成，在提高分类准确率和分类结果的稳定性方面均取得了满意的效果，以97.1%的平均分类准确率达到国际先进水平。论文系统而全面地针对黄色人种的皮肤镜黑素细胞瘤图像展开研究工作，内容涉及预处理、分割和分类识别等各个技术环节。以大量的实验数据和检验结果验证了文中所提方法的正确性和有效性，从而为黄色人种的皮肤镜黑素细胞瘤的计算机辅助诊断系统的研究和开发奠定了算法和软件基础。