Segmentierung von Ekzem-Hautläsionen mit Deep Neural Network (U-Net)

Atopisches Ekzem ist eine Hauterkrankung, die trockene, juckende und entzündete Haut verursacht. Die Behandlung von Ekzemen erfordert die Erkennung des infizierten Bereichs und die Einstufung der Ekzem-Symptome. Dermatologen beurteilen Ekzeme visuell und verwenden spezielle Formulare, um ihre Ergebnisse zu dokumentieren. Dieser Prozess ist mühsam und nimmt viel Zeit in Anspruch. Darüber hinaus führt er zu Inter- und Intra-Beobachter-Variabilität in den Ergebnissen. Daher wird in dieser Arbeit eine vollautomatische Methode zur Segmentierung von Ekzem-Hautläsionen entwickelt. Ein fünfstufiges U-Net wird trainiert, um die Segmentierung auf dem Ekzem-Datensatz durchzuführen, der aus 84 Bildern mit unterschiedlichen Schweregraden besteht. Vier verschiedene Farbräume, d. h. der RGB-Farbraum, HSV-Farbraum, YCbCr-Farbraum und CIELAB-Farbraum, werden für die Segmentierungsanalyse verwendet. Darüber hinaus werden die Auswirkungen der Farbraumnormalisierungstechnik und der adaptiven Lichtkompensation (ALC) zur Beleuchtungskompensation ebenfalls untersucht. Zur Leistungsbewertung werden fünf Metriken verwendet, nämlich Genauigkeit, Sensitivität, Spezifität, positiver prädiktiver Wert (PPV) und negativer prädiktiver Wert (NPV). Die höchste durchschnittliche Segmentierungsgenauigkeit von 87,44 % wird erreicht, indem 16 Kanäle in der ersten Stufe der Faltungsschicht mit einer Bildgröße von 512 × 512 nach 500 Trainingszyklen verwendet werden, ALC als Vorverarbeitung, G-Farbkanal aus dem RGB-Raum und mathematische, Morphologie-basierte Nachverarbeitungsmethoden.