extração de característica de lesões de pele em

Área:
CV ( )
CHSA ( )
ECET ( )
EXTRAÇÃO DE CARACTERÍSTICA DE LESÕES DE PELE EM IMAGENS
MÉDICAS
Nayara Holanda de Moura (ICV/UFPI), Romuere Rodrigues Veloso e Silva (Orientador,
Sistemas de Informação – UFPI)
Introdução
O câncer de pele é o mais comum de todos os tipos de câncer e encontra-se entre os
principais tipos de lesões de pele. O melanoma, por exemplo, representa menos de dois por cento
dos casos de câncer de pele, mas possui o pior prognóstico e o mais alto índice de mortalidade [1].
De acordo com o Skin Cancer Foundation [2], em 2015, é estimado que 9.940 pessoas morrerão de
melanoma. Além disso, cerca de 3 milhões de câncer de pele não-melanoma e 132.000 melanomas
são descobertos a cada ano [3].
O diagnóstico precoce dessa doença proporciona ao paciente uma maior chance de cura,
assim, sistemas de visão computacional para detecção de câncer de pele são uma excelente
ferramenta. Esses sistemas possibilitam ao paciente uma facilidade e rapidez em relação ao
diagnóstico da patologia através da interpretação de imagens médicas. As características da lesão
são extraídas a partir dessas imagens, para posterior classificação das mesmas, e o resultado
dependerá de maneira fundamental da qualidade da etapa de extração. Assim, este trabalho tem
como objetivo o desenvolvimento de métodos para extração de atributos em imagens de lesão de
pele.
Metodologia
Para alcançar os objetivos e metas traçadas neste projeto, a regra ABCD foi desenvolvida
para extração de características de lesões de pele em imagens médicas. Além disso, outros
algoritmos da literatura foram implementados: GLCM (Grey-Level Co-occurrence Matrix), LBP (Local
Binary Pattern), GLRLM (Gray Level Run Length Matrix), HOG (Histogram of Oriented Gradients) e
descritores de região.
Uma análise comparativa foi realizada entre os descritores, através de distintos experimentos,
para criação de artigos sobre os algoritmos estudados e desenvolvidos. Tais experimentos envolvem
diversos modelos de cores em que as imagens de lesão de pele foram analisadas. São eles, o
modelo de cores RGB, HSV, CMY, L*u*v e YCbCr.
Resultados e Discussão
Foram utilizadas 200 imagens para teste dos algoritmos, dentre estas, 40 melanomas e 160
não-melanomas da base de imagens PH² [4]. O método estatístico para gerar os resultados é o k-fold
cross-validation (k = 10). Os resultados foram analisados de acordo com o índice Kappa (K) [5], a
área sob a curva ROC (AUC) e a Acurácia (A).
Os experimentos estão divididos em quatro. No primeiro, a regra ABCD é utilizada para a
extração de características de lesões de pele. O atributo Cor foi testado com os modelos de cores
RGB, HSV, CMY, L*u*v e YCbCr. Em cada modelo, foram feitos testes com cada componente, com a
soma e com a distância euclidiana entre elas (de duas em duas) gerando novas componentes [6] [7].
No segundo, o atributo Cor da regra ABCD e a GLCM foram utilizados para a extração de
características de lesões de pele. Eles foram testados no modelo de cores HSV, por apresentar o
melhor resultado do Experimento 1. Os testes foram feitos com cada componente do modelo e a
soma entres elas [8].
No terceiro, os algoritmos ABCD, GLCM e LBP foram empregados para a extração de
características de lesões de pele com a componente gerada pela soma dos canais de saturação e
valor o modelo de cores HSV [9]. E por fim, no quarto, uma comparação entre os algoritmos ABCD,
GLCM, LBP, GLRLM e HOG foi feita com o modelo de cores HSV. Os testes foram feitos com cada
componente do modelo e a soma entres elas. Entretanto, na regra ABCD, os testes já estão no
Experimento 1, desse modo, as duas componentes que apresentaram os melhores resultados
formaram o atributo Cor. Os descritores de região também foram comparados, porém, por ser um
descritor de forma, os modelos de cor não interferem no resultado, já que se utiliza somente a
máscara binária da lesão [10].
A Tabela 1 apresenta os melhores resultados obtidos por cada experimento realizado. A
soma das componentes de saturação e valor atingiram o melhor resultado com o classificador MLP
(MultiLayer Perceptron) [11] no primeiro e no segundo experimento. No terceiro, com a combinação
de descritores e classificadores, um índice Kappa de 0,76 foi alcançado. Já no quarto experimento,
com a análise comparativa feita entre os descritores, pode-se perceber que a regra ABCD se
destacou.
Tabela 1. Melhores resultados de cada experimento.
K
AUC
A
Experimento 1
0,81
0,96
0,94
Experimento 2
0,75
0,94
0,92
Experimento 3
0,76
0,96
0,93
Experimento 4
0,82
0,97
0,94
Através desses experimentos, pode-se observar que o modelo de cor que melhor
diferenciou as lesões foi o HSV com ênfase para o canal de matiz e a soma entre os canais de
saturação e valor. Dentre todos os resultados obtidos, a utilização desses canais com o classificador
MLP obtiveram um índice Kappa maior que 0,8, ou seja, excelente, de acordo com o nível de
precisão do índice Kappa utilizado para a avaliação dos resultados. A eficiência desse canal pode ser
explicada pelo valor do atributo cor da regra ABCD.
Conclusão
Este trabalho mostra a extração de características e classificação de lesões de pele
utilizando a regra ABCD e o funcionamento dos algoritmos GLCM, LBP, GLRLM e HOG, comparados
com o método proposto. Além disso, os modelos de cores, suas componentes e combinações entre
elas foram testadas a fim de se encontrar o melhor resultado.
Os resultados mostrados exemplificam o quão importante é a análise de diferentes modelos
de cores para detecção automática de lesões de pele. Isso se deve ao fato de lesões de pele
malignas terem uma distribuição de cores diferente das lesões benignas.
Como trabalhos futuros, almeja-se utilizar novos descritores para a extração de atributos em
imagens de lesões de pele, tais como a Transformada de Wavelet Packet, o descritor de Fourier e o
Speeded Up Robust Features (SURF), e ainda novos classificadores e modelos de cores. Os
algoritmos serão testados com outras bases de imagens para melhor verificação de sua eficiência.
Além disso, a importância das características extraídas serão analisadas através dos chamados PCA
(Principal Components Analysis – Análise de Componentes Principais). E por fim, será feita a
comparação dos resultados obtidos com outros métodos da literatura.
Referências Bibliográficas
[1] AMERICAN CANCER SOCIETY (2015). Cancer facts & figures 2015,
http://www.cancer.org/acs/groups/content/@editorial/documents/document/acspc-044552.pdf, abril.
[2] SKIN CANCER FOUNDATION (2015). Skin cancer facts, http://www.skincancer.org/skin-cancerinformation/skin-cancer-facts#melanoma, abril.
[3] WORLD HEALTH ORGANIZATION (2015). How common is skin cancer?,
http://www.who.int/uv/faq/skincancer/en/index1.html, abril.
[4] MENDONÇA, T. et al. (2013). PH² - A dermoscopic image database for research and
benchmarking. In: Engineering in Medicine and Biology Society (EMBC). 35th Annual International
Conference of the IEEE. Osaka, Japan, p. 5437-5440.
[5] ROSENFIELD, G. H. e FITZPATRICK-LINS, K. A. (1986). A coefficient of agreement as a
measure of thematic classification accuracy. Photogrammetric Engineering and Remote Sensing,
v. 52, p. 223-227.
[6] MOURA, N. H.; SILVA, R. R. V.; SILVA, E. S. e MOURA, G. C. (2015). Combinação de
Componentes de Cor para Extração de Atributos em Lesões de Pele. Escola Regional de
Informática do Piauí – ERIPI.
[7] MOURA, N. H.; SILVA, R. R. V. e ARAÚJO, F. H. D. (2015). Extração de Atributos e
Classificação de Lesões de Pele Utilizando Combinação de Componentes de Modelos de
Cores. Revista de Sistemas e Computação, v. 5, n. 1.
[8] MOURA, N. H.; MOURA, G. C.; SILVA, R. R. V.; SILVA, E. S. e VERAS, R. M. S. (2015)
Classificação de Lesões de Pele Utilizando Atributos de Cor e Textura. 15º WIM – Workshop de
Informática Médica – CSBC.
[9] MOURA, N. H.; SILVA, R. R. V.; SILVA, E. S.; MOURA, G. C. e VERAS, R. M. S. (2015).
Detecção Automática de Lesões de Pele em Imagens Dermatoscópicas. Simpósio Brasileiro de
Automação Inteligente – SBAI.
[10] MOURA, N. H.; SILVA, R. R. V.; MOURA, G. C.; SILVA, E. S.; SOUSA, A. D. e SILVA, W. L.
(2015). Extração de Atributos e Classificação de Lesões de Pele Utilizando Atributos de Cor,
Forma e Textura. XLI Conferencia Latinoamericana en Informática – CLEI.
[11] HAYKIN, S. (2008). Neural Networks and Learning Machines. 3ª ed. New Jersey: Prentice Hall,
936 p.
Palavras-chave: Processamento Digital de Imagens. Descritores. Classificação.