Методика оцінювання точності ідентифікації контурів зображень складних об'єктів, виділених у процесі сегментації алгоритмом SLIC
Анотація
Досліджено особливості застосування алгоритму SLIC (англ. Simple Linear Iterative Clustering) для сегментації складних цифрових зображень, зокрема – зображень ушкоджень тіла людини. Встановлено, що цей алгоритм на цифрових зображеннях дає змогу ефективно оцінювати площу ураження тіла та виявляти межі ран. Проаналізовано відсутність кількісних метрик ефективності використання алгоритму в завданнях високоточного оцінювання ушкоджень тіла людини, що стало підставою для розроблення комплексної методології оцінювання його застосування для зображень з різною роздільною здатністю. Розроблено комбінований набір даних, який містить 3696 зображень із FUSeg (англ. Foot Ulcer Segmentation Challenge) та WoundSeg наборів даних. Проведено оптимізацію гіперпараметрів алгоритму SLIC-оптимізації за методом Байєса задля максимізації метрики Soft Boundary F1. Оптимізовані гіперпараметри містять кількість сегментів та компактність, які впливають на точність поділу об'єктів і коректність визначення меж. З'ясовано, що алгоритм SLIC демонструє стабільну ефективність, досягаючи Dice Score близько 0,84 та Soft Boundary F1 Score близько 0,55. Встановлено, що оптимальна кількість сегментів для алгоритму SLIC пропорційна просторовим розмірам вхідного зображення, а найефективнішим значенням є максимальний розмір зображення *2. Запропоновано модифікацію метрики Boundary F1 – Soft Boundary F1 Score для використання у процесі оптимізації гіперпараметрів алгоритму SLIC. Попередні результати свідчать, що вона потенційно може забезпечувати більш плавний ландшафт оптимізації порівняно зі стандартною Boundary F1 та є перспективною для задач сегментації складних об'єктів. Наведено ідеалізований підхід до сегментації складних об'єктів на прикладі сегментації пошкоджень на шкірі людини на цифрових зображеннях на підставі алгоритму SLIC, де суперпікселі комбінуються з еталонною маскою, встановлюючи верхню межу ефективності застосування алгоритму. Здійснено порівняння з сегментацією за допомогою моделі UNet, попередньо натренованої на наборі даних FUSeg, і встановлено, що ідеалізований підхід до сегментації з використанням алгоритму SLIC досяг значення Dice Score 0,84 на наборі даних WoundSeg, перевершивши UNet (0,12 Dice Score). Зроблено висновок, що підходи на підставі SLIC є ефективними для сегментації зображень складних об'єктів за обмеженої кількості навчальних даних. Наголошено на потребі проведення подальших досліджень, спрямованих на вдосконалення підходів до класифікації суперпікселів відомими методами, що базуватимуться на результатах генерації суперпікселів, наведених у цій роботі.
Завантаження
Посилання
Algy. (n.d.). GitHub – Algy/fast-slic: 20 x Real-time superpixel SLIC Implementation with CPU. GitHub. URL: https://github.com/Algy/fast-slic? tab=readme-ov-file
Aydin, O. U., Taha, A. A., Hilbert, A., Khalil, A. A., Galinovic, I., Fiebach, J. B., Frey, D., & Madai, V. I. (2021). On the usage of average Hausdorff distance for segmentation performance assessment: hidden error when used for ranking. European Radiology Experimental, 5(1). https://doi.org/10.1186/s41747-020-00200-2
Bergstra, J., Bardenet, R., Bengio, Y., & Kégl, B. (2011). Algorithms for Hyper-Parameter Optimization. URL: https://www.semanticscholar.org/paper/Algorithms-for-Hyper-Parameter-Optimization-Bergstra-Bardenet/03911c85305d42aa2eeb02be82ef6 fb7da644dd0
Blanco, G., Traina, A. J., Traina, C., Jr, Azevedo-Marques, P. M., Jorge, A. E., De Oliveira, D., & Bedo, M. V. (2019). A superpixel-driven deep learning approach for the analysis of dermatological wounds. Computer Methods and Programs in Biomedicine, 183, article ID 105079. https://doi.org/10.1016/j.cmpb.2019.105079
Carrión, H., Jafari, M., Yang, H., Isseroff, R. R., Rolandi, M., Gomez, M., & Norouzi, N. (2022). HEALNET – Self-supervised Acute Wound Heal-Stage Classification. In Lecture notes in computer science (pp. 446–455). https://doi.org/10.1007/978-3-031-21014-3_46
Celaya, A., Riviere, B., & Fuentes, D. (2023, February 8). A Generalized Surface Loss for Reducing the Hausdorff Distance in Medical Imaging Segmentation. https://doi.org/10.48550/arXiv.2302.03868
Chairat, S., Chaichulee, S., Dissaneewate, T., Wangkulangkul, P., & Kongpanichakul, L. (2023). AI-Assisted Assessment of Wound Tissue with Automatic Color and Measurement Calibration on Images Taken with a Smartphone. Healthcare, 11(2), 273 p. https://doi.org/10.3390/healthcare11020273
Chang, C. W., Christian, M., Chang, D. H., Lai, F., Liu, T. J., Chen, Y. S., & Chen, W. J. (2022). Deep learning approach based on superpixel segmentation assisted labeling for automatic pressure ulcer diagnosis. PLoS ONE, 17(2), article ID e0264139. https://doi.org/10.1371/journal.pone.0264139
Chang, C.-S., Ding, J.-J., & Lin, H.-S. (2019). Learning based SLIC superpixel generation and image segmentation (Vols. 1–2). https://doi.org/10.1109/ISPACS48206.2019.8986326
Comparing images using the Hausdorff distance. (1993, September 1). IEEE Journals & Magazine | IEEE Xplore. URL: https://ieeexplore.ieee.org/document/232073
Fang, Z., Zhang, W., & Ma, H. (2019, April 25). Breast Cancer Classification with Ultrasound Images Based on SLIC. arXiv.org. https://doi.org/10.48550/arXiv.1904.11322
Farmaha, I., Banaś, M., Savchyn, V., Lukashchuk, B., & Farmaha, T. (2019). Wound image segmentation using clustering based algorithms. New Trends in Production Engineering, 2(1), 570–578. https://doi.org/10.2478/ntpe-2019-0062
Fei, C., Wen, J., Han, L., Huang, B., & Yan, C. (2022). Optimizable Image Segmentation Method with Superpixels and Feature Migration for Aerospace Structures. Aerospace, 9(8), article ID 465. https://doi.org/10.3390/aerospace9080465
Furizal, F., Mawarni, S. S., Akbar, S. A., Yudhana, A., & Kusno, M. (2023). Analysis of the Influence of Number of Segments on Similarity Level in Wound Image Segmentation Using K-Means Clustering Algorithm. Control Systems and Optimization Letters, 1(3), 132–138. https://doi.org/10.59247/csol.v1i3.33
Getto, R., Kuijper, A., & Von Landesberger, T. (2015). Extended surface distance for local evaluation of 3D medical image segmentations. The Visual Computer, 31(6–8), 989–999. https://doi.org/10.1007/s00371-015-1113-z
Han, Y., & Liu, Y. (2024). Intelligent Classification and Segmentation of Sandstone Thin Section Image Using a Semi-Supervised Framework and GL-SLIC. Minerals, 14(8), article ID 799. https://doi.org/10.3390/min14080799
Ioffe, S., & Szegedy, C. (2015, February 11). Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. https://doi.org/10.48550/arXiv.1502.03167
Liu, Hongjin, Wang, Niannian, Fang, Hongyuan, Yu, Xiang, & Du, Weiyi. (2025, February). Identification of the number of leaks in water supply pipes based on wavelet scattering network and Bi-LSTM model with Bayesian optimization. Measurement, Vol. 243, article ID 116348. https://doi.org/10.1016/j.measurement.2024.116348
Mahboubi, Negareh, Xie, Junyao, & Huang, Biao. (2025, March). Point-by-point transfer learning for Bayesian optimization: An accelerated search strategy. Computers & Chemical Engineering, Vol. 194, article ID 108952. https://doi.org/10.1016/j.compchemeng.2024.108952
Martins, J., Marcato Junior, J., Menezes, G., Pistori, H., Diego, S., & Gonçalves, W. (2019). Image segmentation and classification with SLIC superpixel and convolutional neural network in forest context. https://doi.org/10.1109/IGARSS.2019.8898969
Mitura, J., Chrapko, B. E., & Bachanek-Mitura, O. (2024). MedVoxelHD: Improved CUDA-accelerated morphological Hausdorff distances in medical image analysis. SoftwareX, 26, article ID 101744. https://doi.org/10.1016/j.softx.2024.101744
Müller, D., Soto-Rey, I., & Kramer, F. (2022). Towards a guideline for evaluation metrics in medical image segmentation. BMC Research Notes, 15(1). https://doi.org/10.1186/s13104-022-06096-y
Niri, R., Douzi, H., Lucas, Y., & Treuillet, S. (2021). A Superpixel-Wise Fully Convolutional Neural Network Approach for Diabetic Foot Ulcer Tissue Classification. In Lecture notes in computer science (pp. 308–320). https://doi.org/10.1007/978-3-030-68763-2_23
Oota, S. R., Rowtula, V., Mohammed, S., Liu, M., & Gupta, M. (2023). WSNet: Towards An Effective Method for Wound Image Segmentation. 2023 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). https://doi.org/10.1109/wacv56688.2023.00325
Öttl, M., Mönius, J., Marzahl, C., Rübner, M., Geppert, C., I., Hartmann, A., Beckmann, M. W., Fasching, P., Maier, A., Erber, R., & Breininger, K. (2022, January 19). Superpixel Pre-Segmentation of HER2 Slides for Efficient Annotation. https://doi.org/10.48550/arXiv.2201.07572
Ramachandram, D., Ramirez-GarciaLuna, J. L., Fraser, R. D. J., Martіnez-Jiménez, M. A., Arriaga-Caballero, J. E., & Allport, J. (2022). Fully Automated Wound Tissue Segmentation Using Deep Learning on Mobile Devices: Cohort Study. JMIR Mhealth and Uhealth, 10(4), article ID e36977. https://doi.org/10.2196/36977
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In Lecture notes in computer science (pp. 234–241). https://doi.org/10.1007/978-3-319-24574-4_28
rosalindfranklininstitute. (n.d.). GitHub – rosalindfranklininstitute/cuda-slic: A CUDA implementation of the SLIC Superpixel algorithm. GitHub. URL: https://github.com/rosalindfranklininstitute/cuda-slic
SLIC Superpixels Compared to State-of-the-Art Superpixel Methods. (2012, November 1). IEEE Journals & Magazine | IEEE Xplore. URL: https://ieeexplore.ieee.org/document/6205760
Van Der Walt, S., Schönberger, J. L., Nunez-Iglesias, J., Boulogne, F., Warner, J. D., Yager, N., Gouillart, E., & Yu, T. (2014). scikit-image: image processing in Python. PeerJ, 2, article ID e453. https://doi.org/10.7717/peerj.453
Wang, C., Mahbod, A., Ellinger, I., Galdran, A., Gopalakrishnan, S., Niezgoda, J., & Yu, Z. (2024). FUSeg: The Foot Ulcer Segmentation Challenge. Information, 15(3), 140 p. https://doi.org/10.3390/info15030140
Yeghiazaryan, V., & Voiculescu, I. (2018). Family of boundary overlap metrics for the evaluation of medical image segmentation. Journal of Medical Imaging, 5(01), article ID 1. https://doi.org/10.1117/1.jmi.5.1.015006
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
