Análise de Algoritmos de Segmentação de Melanoma em ... - Jessica Diniz.pdf · _2bmKQ Omelanomaéumtumormalignooriginárionascélulasprodutorasdepigmentosna-turaisdapele,amelanina,ecostumaterformadelesõespigmentadassobreapele

Monografia apresentada ao Curso de Ba-charelado em Ciência da Computação daUniversidade Federal Rural de Pernam-buco como requisito para obtenção do títulode Bacharel em Ciência da Computação.

Universidade Federal Rural de Pernambuco – UFRPE

Departamento de Estatística e Informática

Curso de Bacharelado em Ciência da Computação

Orientador: Filipe Rolim Cordeiro

Recife2017

À minha mãe e a todos aqueles acreditam no uso da Ciência da Computação paratrazer melhorias à sociedade.

Agradeço de forma especial aos meus pais, José Lopes e Juanita Merencia,pela determinação, luta e por não medirem esforços para que meus irmãos e eu pu-dessem levar os estudos adiante, sempre permitindo que seguíssemos nossos sonhos.

Agradeço aos meus irmãos, Jeisa e Josenildo, que por mais difícil que fossemas circunstâncias, sempre tiveram paciência e confiança.

Ao Prof. Filipe Rolim, obrigada pela orientação no amadurecimento dos meusconhecimentos e conceitos que levaram a execução desta monografia, pelo apoioconstante e pela atenção durante todo o período de construção deste trabalho, mesmoquando o fuso horário não ajudava.

Agradeço também a todos os meus professores qυе foram tãо importantes nаminha vida acadêmica.

Agradeço a todos que fizeram parte da minha jornada enquanto fiz intercâmbionos Estados Unidos, em especial ao professor Brent C. Munsell por ter me ensinado oscaminhos da pesquisa científica e a importância dos estudos na área médica. A todosaqueles que um dia foram desconhecidos e hoje, ainda que distantes, posso chamarde amigos, vocês fizeram meus dias em Charleston muito felizes!

Agradeço a todos os funcionários da Universidade Federal Rural de Pernam-buco, mas não poderia deixar de mencionar, Sandra Xavier, que atenciosamente sem-pre atendeu as minhas mensagens e e-mails.

Ao Curso dе Ciência da Computação dа Universidade Federal Rural de Pernam-buco, ao curso de Computer Science do College of Charleston е às pessoas que tiveoportunidade de conhecer e conviver nesses espaços ао longo desses anos. Possogarantir que fizeram parte dos meus anos de maiores aprendizado e crescimento.

Aos meus amigos por compartilharem comigo as alegrias, tristezas e dores. Etambém por entenderem que, às vezes, fins de semana foram feitos para estudar. Cоmvocês, аs pausas entre υm parágrafo е outro dе produção têm melhorado tudo о qυеtenho produzido nа vida. E a todos aqueles qυе dе alguma forma estiveram е estãopróximos dе mim, fazendo esta vida valer cada vеz mais а pena.

Finalmente agradeço a Deus, por proporcionar estes agradecimentos a todosque tornaram minha vida mais afetuosa, além de ter me dado uma família maravilhosae amigos sinceros. Viver é o meu modo de agradecer sempre. Sou extremamente grataa todos vocês!

“A tarefa não é tanto ver aquilo que ninguém viu, mas pensar o que ninguém aindapensou sobre aquilo que todo mundo vê.”

(Arthur Schopenhauer)

O melanoma é um tumor maligno originário nas células produtoras de pigmentos na-turais da pele, a melanina, e costuma ter forma de lesões pigmentadas sobre a pele.Trata-se de um dos mais perigosos tipos de câncer de pele. A identificação em seusestágios iniciais é de grande importância para o sucesso do tratamento. No entanto,frequentemente ela se mostra falha, especialmente quando o profissional que analisaa lesão não é experiente. Por essa razão, é de grande importância o uso de ferramen-tas computacionais para o auxílio na análise das lesões, de forma que os resultadosse tornem mais precisos e confiáveis, viabilizando, assim, a correta identificação dotumor. A identificação da lesão através da segmentação de imagens é uma das eta-pas mais difíceis no processo de auxílio ao diagnóstico realizado por computador. Estetrabalho realiza um estudo e análise de três recentes algoritmos de segmentação, ob-jetivando encontrar qual técnica apresenta melhores resultados na segmentação deimagens dermatoscópicas. Para isso, foi utilizada uma base de dados disponibilizadapela International Society for Digital Imaging of the Skin - ISDI, contendo 571 imagensde lesões de pele de vários tipos, sendo 446 delas lesões benignas e 125 malignas.Para análise foram implementados três algoritmos de segmentação do estado da arte,baseados em limiarização local e agrupamento. Para fins comparativos, também foi uti-lizado o algoritmo de Otsu em toda e base de dados. Além disso, é proposta a aplicaçãode uma abordagem de segmentação não encontrada no estado da arte. As imagensforam analisadas com quatro métricas baseadas no conceito de verdadeiro/falso e posi-tivo/negativo: especificidade, sensibilidade, índice Jaccard e balanced accuracy. Paracada algoritmo analisado, foram verificados os melhores parâmetros para a segmenta-ção das lesões. Resultados mostraram que a técnica proposta baseada no algoritmoFuzzy conseguiu 77% na métrica de sensibilidade, 94% em especificidade, 65% no ín-dice Jaccard e 85% em BAC, sendo este o melhor resultado entre todos os algoritmosaqui estudados. Análises qualitativas mostraram que as segmentações obtidas sãopróximas da esperada, podendo assim auxiliar o especialista a realizar um diagnósticomais preciso.

Palavras-chave: Segmentação de Imagens, Câncer de Pele, Melanoma, Limiarização,Agrupamento.

Melanoma is a type of cancer originated in the pigment-producing melanocytes of theskin. It is also known as malignant melanoma and often resembles moles or pigmentedskin lesions. Melanoma is the most dangerous type of skin cancer. When melanoma isrecognized and treated in its early stages, the chance of cure is increased. However,physicists usually fail on detecting it mainly because of their lack of experience. There-fore, the use of computational tools helping the analysis of skin lesions is very impor-tant. These tools are known as CAD (Computer-Aided Diagnosis). They can increasethe accuracy and precision of the correct diagnosis of the lesion. Image segmentationprocess, used in order to identify skin lesions in images, is one of the most difficultstep performed by computers. This study conducts a research and analysis of threerecent image segmentation algorithms. It aimed to find which technique, among theanalyzed ones, has the best results when applied to dermoscopy images. In order toachieve this, tests were performed using a set of images provided by the InternationalSociety for Digital Imaging of the Skin - ISDI. The data set is composed of 571 imageshaving different types of skin lesions, and of those, 446 images are benign skin lesionand 125 are malignant melanoma. For the purpose of this study, three segmentationalgorithms from the state of the art had their implementation replicated. For compara-tive purpose, Otsu’s algorithm was also performed in the whole data set. In addition tothat, it is suggested another segmentation approach that is not present in the state ofthe art. These algorithms are based in local thresholding and clustering. It was chosenfour metrics for the evaluation of the results: specificity, sensitivity, Jaccard index, andbalanced accuracy. All of them are based on the concept of true/false positive/negative.The algorithms were analyzed in search for the parameters that produced the highestrates in the evaluation metrics. Results showed that the proposed approach based onFuzzy technique and applying a preprocessing step reached 77% in sensibility, 94% inspecificity, 65% in the Jaccard index, and 85% in BAC. This is the best result among allalgorithms analyzed by this study. Qualitative analysis indicates that the results fromthe segmentation are high, close to expected, in doing so, we can infer that it may helpphysicists on the definition of a precise diagnostic of skin lesions.

Keywords: Image Segmentation, Skin Cancer, Melanoma, Thresholding, Clustering.

Figura 1 – Artefatos encontrados em imagens dermatoscópicas que atrapalhama automação da detecção da lesão. . . . . . . . . . . . . . . . . . . 20

Figura 2 – Fluxograma de desenvolvimento do projeto. . . . . . . . . . . . . . . 24Figura 3 – Exemplo de visualização de uma lesão de pele. a) Imagem corporal

da localização da lesão; b) Visualização macroscópica a ”olho nu”dalesão; c) Visualização dermatoscópica da lesão. . . . . . . . . . . . 28

Figura 4 – Representação de imagem digital em pixels. . . . . . . . . . . . . . 29Figura 5 – Representação da relação de pixels com as informações que cada

um contém. a) Imagem digital; b) Zoom em grupo de 9× 9 pixels daimagem (a); c) Valores de cada um dos pixels. . . . . . . . . . . . . 30

Figura 6 – Exemplo de uma mesma imagem digital representada em diferentesresoluções. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

Figura 7 – Representação de imagem em tons de cinza. a) Imagem em tons decinza; b) Imagem representada em pixels; c) Mapa de bits da imagem; 31

Figura 8 – Exemplo de composição de uma imagem do tipo RGB. . . . . . . . 32Figura 9 – Exemplo de aplicação de filtro mediano com máscara 3 × 3. a) Ima-

gem original; b) Imagem filtrada. . . . . . . . . . . . . . . . . . . . . 33Figura 10 – Exemplo de elementos estruturantes em diversas formas: a) coluna;

b) linha; c) cruz; d) quadrado . . . . . . . . . . . . . . . . . . . . . . 33Figura 11 – Exemplo da técnica de dilatação. a) Imagem original; b) Imagem re-

sultante da dilatação. . . . . . . . . . . . . . . . . . . . . . . . . . . 34Figura 12 – Exemplo de aplicação da técnica de dilatação. a) Imagem original;

b) Elemento estruturante em cruz com origem no centro; c) Imagemresultante da dilatação. . . . . . . . . . . . . . . . . . . . . . . . . . 34

Figura 13 – Exemplo da técnica de erosão. a) Imagem original; b) Imagem resul-tante da erosão. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

Figura 14 – Exemplo de aplicação da técnica de erosão. a) Imagem original; b)Elemento estruturante em cruz com origem no centro; c) Imagemresultante da dilatação. . . . . . . . . . . . . . . . . . . . . . . . . . 35

Figura 15 – Exemplo da técnica de abertura. a) Imagem original; b) Imagem re-sultante da abertura. . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

Figura 16 – Exemplo de segmentação baseada em região. a) Imagem original;b) Imagem segmentada. . . . . . . . . . . . . . . . . . . . . . . . . . 37

Figura 17 – Exemplo da aplicação do processo de limiarização. a) Imagem origi-nal; b) Histograma da imagem; c) Imagem após aplicado o processode limiarização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

Figura 18 – Fluxograma da técnica de segmetação por agrupamento. . . . . . . 39Figura 19 – Gráfico da composição da base de dados. . . . . . . . . . . . . . . . 48Figura 20 – Exemplo de aplicação da remoção de ilhas em imagem segmentada 50Figura 21 – Exemplo de aplicação da remoção de ilhas seguida de remoção de

buracos em imagem segmentada . . . . . . . . . . . . . . . . . . . . 51Figura 22 – Exemplo da execução da técnica de pré-processamento descrita do

Código 4.8. a) Imagem original com presença de fios de cabelos; b)Imagem após a aplicação do algoritmo de pré-processamento; c) Re-sultado da segmentação para a imagem sem o pré-processamento;d) Resultado da segmentação utilizando o pré-processamento. . . . 57

Figura 23 – Diagrama de representação das métricas utilizadas. . . . . . . . . . 59Figura 24 – Exemplo de resultados da execução do algoritmo do ABD. a) Marca-

ção em vermelho do algoritmo utilizando como parâmetro o k = 5;b) Marcação em amarelo do algoritmo utilizando como parâmetro ok = 10; c) Marcações do algoritmo com todos os parâmetros; a mar-cação em preto se refere a imagem ouro. . . . . . . . . . . . . . . . 62

Figura 25 – Gráfico de representação do resultado do algoritmo do ABD. . . . . 63Figura 26 – Exemplo de resultados da execução do algoritmo proposto por Ma-

sood, Al-Jumaily e Maali (2013). a) Marcação em amarelo do algo-ritmo utilizando como parâmetro o sw = 0; b) Marcação em vermelhodo algoritmo utilizando como parâmetro o sw = 1; c) Marcações doalgoritmo com todos os parâmetros; a marcação em preto se refereà imagem ouro. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

Figura 27 – Gráfico de representação do resultado do algoritmo proposto por Ma-sood, Al-Jumaily e Maali (2013). . . . . . . . . . . . . . . . . . . . . 66

Figura 28 – Exemplo de resultados da execução do algoritmo do MDB. a) Mar-cação em vermelho do algoritmo utilizando como parâmetro o h = 5;b) Marcação em amarelo do algoritmo utilizando como parâmetro oh = 10; c) Marcações do algoritmo com todos os parâmetros; a mar-cação em preto se refere à imagem ouro. . . . . . . . . . . . . . . . 68

Figura 29 – Gráfico de representação do resultado do algoritmo do MDB. . . . . 69Figura 30 – Gráfico de representação do resultado da abordagem algoritmica

proposta utilizando os parâmetros w = 7. . . . . . . . . . . . . . . . 72Figura 31 – Gráfico de representação do resultado da abordagem algoritmica

proposta utilizando os parâmetros w = 9. . . . . . . . . . . . . . . . 72Figura 32 – Gráfico de representação do resultado do Algoritmo Proposto sem

pré-processamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

Figura 33 – Exemplo de resultados da execução do algoritmo com abordagemFuzzy para o parâmetro w = 9. a) Marcação em amarelo do algo-ritmo utilizando como parâmetro o beta = 0.4; b) Marcação em ver-melho do algoritmo utilizando como parâmetro o beta = 0.5; c) Mar-cação em azul do algoritmo utilizando como parâmetro o beta = 0.6;d) Marcações do algoritmo com todos os parâmetros; marcações empreto se referem à imagem ouro. . . . . . . . . . . . . . . . . . . . . 74

Figura 34 – Exemplo de resultados da execução do algoritmo com abordagemFuzzy com pré-processamento. a) Marcação em amarelo do algo-ritmo utilizando como parâmetro o beta = 0.6 e o w = 9; b) Marcaçãoem vermelho do resultado utilizando como parâmetro o beta = 0.6 eo w = 11; c) Marcação em azul do algoritmo utilizando como parâ-metro o beta = 0.9 e o w = 11; d) Marcações do algoritmo com todosos parâmetros; marcações em preto se referem à imagem ouro. . . 76

Figura 35 – Gráfico de representação dos melhores resultados dos algoritmosanalisados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

Tabela 1 – Métodos de segmentação utilizados por cada uma das referênciascitadas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

Tabela 2 – Métricas de avaliação e quantidade de imagens utilizadas por cadauma das referências citadas. . . . . . . . . . . . . . . . . . . . . . . 46

Tabela 3 – Definição do conceito de verdadeiro/falso e positivo/negativo. . . . . 58Tabela 4 – Resultados do algoritmo do ABD aplicado às imagens de lesões be-

nignas e malignas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63Tabela 5 – Resultados do algoritmo proposto por Masood, Al-Jumaily e Maali

(2013) aplicado às imagens de lesões benignas e malignas. . . . . 66Tabela 6 – Resultados do algoritmo do MDB aplicado às imagens de lesões be-

nignas e malignas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67Tabela 7 – Resultados do Algoritmo Otsu aplicado às imagens de lesões benig-

nas e malignas separadas e resultados da base de dados completa. 70Tabela 8 – Resultados da abordagem proposta aplicados às imagens de lesões

benignas e malignas utilizando o parâmetro w = 7. . . . . . . . . . . 70Tabela 9 – Resultados do algoritmo da abordagem proposta aplicados às ima-

gens de lesões benignas e malignas utilizando o parâmetro w = 9. . 71Tabela 10 – Resultados do Algoritmo Proposto aplicado à base de dados com-

pleta utilizando o parâmetro w = 11. . . . . . . . . . . . . . . . . . . 77

Código 4.1 – Código de segmentação do algoritmo do ABD proposto por Abbaset al. (2013c). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

Código 4.2 – Função para remoção de ilhas. . . . . . . . . . . . . . . . . . . . . 49Código 4.3 – Função para remoção de buracos em imagens segmentadas. . . . 50Código 4.4 – Aplicação do filtro mediano com máscara de 7× 7. . . . . . . . . . 51Código 4.5 – Aplicação do Fuzzy C-Means e da limiarização com diferentes pa-

râmetros. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52Código 4.6 – Transformação do canal de cores de RGB para CIE L*a*b. . . . . . 53Código 4.7 – Aplicação do K-Means. . . . . . . . . . . . . . . . . . . . . . . . . . 53Código 4.8 – Código de remoção de cabelos. . . . . . . . . . . . . . . . . . . . . 56Código B.1–Algoritmo baseado na técnica Fuzzy. . . . . . . . . . . . . . . . . . 92Código A.1–K-Means. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95Código B.1–Expectation Maximization. . . . . . . . . . . . . . . . . . . . . . . . 97Código C.1–Fuzzy C-Means e limiarização. . . . . . . . . . . . . . . . . . . . . . 100Código D.1–Hill Climbing. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101Código D.2–Transformação do canal de cores de RGB para CIE L*a*b. . . . . . 104Código E.1–Algoritmo de Otsu. . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

1 Pseudocódigo do algoritmo de agrupamento K-Means. . . . . . . . . . 422 Pseudocódigo do algoritmo de agrupamento Fuzzy. . . . . . . . . . . . 55

CAD Computer-Aided Diagnosis

RGB Red-Green-Blue

SE Sensibilidade

SP Especificidade

J Jaccard Index

BAC Balanced Accuracy

CIE L*a*b Espaço de cores em que as imagens são formadas por três canaisde cores

ABD Automatic Border Detection

MBD Melanoma Border Detection

VP Taxa de verdadeiro positivo

FP Taxa de falso positivo

VN Taxa de verdadeiro negativo

FN Taxa de falso negativo

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

O melanoma é um tumor maligno originário nas células chamadas melanóci-tos; essas células são as produtoras de pigmentos naturais da pele, a melanina (Can-cer Compass, 2016). Trata-se de um dos mais perigosos tipos de câncer de pele epode se desenvolver também em partes do corpo como olhos, boca, área genital eanal (American Cancer Society, 2016). Em 2012, foram identificados aproximadamente14,1 milhões de casos no mundo (World Cancer Research Fund International, 2016) eestima-se que em 2016, apenas nos Estados Unidos, 76.380 novos casos de melano-mas serão diagnosticados e 10.130 pessoas morrerão por conta da doença (AmericanCancer Society, 2016). No Brasil, os números também são altos, o câncer de pelecorresponde a 25% dos tipos de câncer e estima-se 5.670 novos casos para 2016(Instituto Nacional de Câncer José Alencar Gomes da Silva – INCA, 2016).

Por se originar a partir das células responsáveis pela produção da melanina,o melanoma costuma ter forma de lesões pigmentadas sobre a pele (Skin CancerFoundation, 2016). A lesão de pele consiste em uma região da pele que é frequen-temente possível de distinguir da pele normal pois ela possui diferença de cor ou tex-tura (MISHRA; CELEBI, 2016). Essa característica possibilita a análise e inclusive odiagnóstico das lesões na pele por meio de exame físico. No entanto, apenas a exa-minação clínica apresenta elevados níveis de diagnósticos falso-positivos, em muitoscasos, lesões benignas são classificadas como malignas e acabam levando a cirurgiasdesnecessárias, enquanto outras malignas não são identificadas em seus estágios ini-ciais (ARGENZIANO; SOYER, 2001; CARLI et al., 2003).

No que concerne a análise das lesões, aplicações computacionais visando au-xiliar médicos no processamento das informações de maneira mais rápida e com resul-tados mais confiáveis aparecem na literatura desde 1987 (CASCINELLI et al., 1987).Com a adequada aplicação, os computadores são capazes de capturar detalhes naslesões que tornam os diagnósticos mais exatos.

O processo de separação da região da lesão e da região não lesionada deforma automatizada em imagens chama-se segmentação (MISHRA; CELEBI, 2016;SHARMA; AGGARWAL et al., 2010). A segmentação tem o papel de subdividir a ima-gem em regiões com características similares, como a cor, textura, brilho, nível decinza e contraste (SHARMA; AGGARWAL et al., 2010). Por ser capaz de identificarvárias características da lesão e também de destacar a região a ser analisada, essa

Capítulo 1. Introdução 18

é uma importante etapa na classificação dos dados processados, identificando se opaciente possui ou não melanoma (MISHRA; CELEBI, 2016).

Apesar de não podermos assumir que toda pequena lesão de melanoma na peleirá evoluir para o estado mais avançado e grave da doença, as lesões metastáticas, adetecção do melanoma nos seus primeiros estágios tem grande impacto no tratamentoe posterior sucesso do mesmo (HALPERN; LIEB, 2007).

Nesse contexto, procedimentos médicos, como a dermatoscopia, se mostramde grande importância no processo de detecção da doença, especialmente quandocomparado à inspeção clínica da pele sem auxílio de nenhuma ferramenta, o examea “olho nu” (VESTERGAARD et al., 2008). A dermatoscopia trata-se de uma técnicanão invasiva de diagnóstico a partir da observação da pele utilizando um aparelho cha-mado dermatoscópio. O equipamento possibilita a visualização de estruturas e coresda epiderme não visíveis a “olho nu”, permitindo uma análise mais detalhada da lesão(Dermoscopy, 2016; ARGENZIANO; SOYER, 2001). Apesar do uso do dermatoscópioaumentar a precisão de diagnósticos de 0 a 27% (MAYER, 1997), foi demonstrado queo aparelho nas mãos de profissionais inexperientes ocasiona a diminuição dessa pre-cisão (CELEBI et al., 2015). A análise das lesões continua dependendo da subjetivaexperiência do médico (KITTLER et al., 2002), o que gera variações de diagnósticoinclusive entre os próprios dermatologistas se comparados com os resultados de ummédico junior1 com os de um experiente2.

Assim sendo, visando obter resultados mais precisos e minimizar os erros de di-agnósticos causados pela dificuldade e subjetiva interpretação médica no diagnósticodo melanoma, um grande interesse na automação da análise de imagens dermatos-cópicas vem se desenvolvendo nas últimas décadas (MASOOD; AL-JUMAILY, 2013;CELEBI et al., 2015). Várias ferramentas de diagnóstico computadorizado (Computer-Aided Diagnosis - CAD3) vêm sendo apresentadas na literatura, onde são usadas dife-rentes abordagens de detecção de borda, seleção e extração de características, assimcomo algoritmos de classificação das lesões. As ferramentas de automação de diag-nósticos (CAD), no que se trata do melanoma, objetivam encontrar em dada imagem delesão de pele, a localização da lesão e estimar a probabilidade delas serem a doença(MASOOD; AL-JUMAILY, 2013).1 Considerar experiência junior os profissionais com menos de um ano de experiência.2 Considerar experiência experiente os profissionais com mais de um ano de experiência especifica-

mente em dermatoscopia.3 Computer-Aided Diagnosis (CAD) são ferramentas de apoio médico desenvolvidas para diagnóstico,

ou a previsão dele, e interpretação de imagens médicas. No caso do câncer de pele, o objetivo dedesenvolver ferramentas CAD é para localizar lesões em imagens e estimar a probabilidade dela serum melanoma (MASOOD; AL-JUMAILY, 2013).


A identificação do melanoma em seus estágios iniciais frequentemente se mos-tra falha, especialmente quando o profissional que analisa a lesão não é experiente(VESTERGAARD et al., 2008). Mesmo seguindo técnicas médicas propostas pela li-teratura, detalhes da lesão podem passar despercebidos. Por conta disso, são busca-dos na automação da análise e diagnóstico do melanoma resultados que possam vira auxiliar médicos e pacientes. No entanto, ainda não existe um algoritmo único queapresente a solução exata desse problema por diversos fatores que dificultam a aplica-ção dos procedimentos para todos os tipos de casos, como por exemplo o fato de nãohaver uma única forma de obtenção das imagens dermatoscópicas a serem analisa-das, elas podem ser fotografias da lente de aparelhos dermatoscópicos ou capturadaspelo próprio equipamento.

Quanto às técnicas médicas utilizadas na prática clínica, existem quatro tiposprincipais, propostas peloConsensus Net Meeting on Dermoscopy4, para o diagnósticoclínico do melanoma (SÁEZ; ACHA; SERRANO, 2014): a Regra do ABCD, a Análisede Padrões, o Método Menzies e a Regra dos 7 Pontos. A Regra do ABCD foi criadaem 1985, e propõe a análise de quatro parâmetros (assimetria, borda, cor e diâmetro)na lesão. Em 2004, um quinto parâmetro (evolução) foi acrescido ao método, tornando-o, assim, conhecido como Regra do ABCDE (ROBINSON; TURRISI, 2006). A Análisede Padrões foi proposta por Hubert Pehamberger em 1987 e mais tarde atualizada naConsensus Net Meeting on Dermoscopy, define os padrões significantes das lesõesde pele (SÁEZ; ACHA; SERRANO, 2014). O Método Menzies foi proposto em 2001(MENZIES, 2001), indica que a presença de uma ou mais classes de cores numa es-cala de 6 classes é um indício de que a lesão pode ser considerada um potencialmelanoma (MARCAL et al., 2012). A Regra dos 7 Pontos é um método baseado emum sistema de pontuação que pontua um conjunto de sete diferentes característicasna lesão (WADHAWAN et al., 2011). A partir desses métodos, são propostos algorit-mos computacionais que visam alcançar ao máximo o objetivo em comum de cada umdeles: a detecção do melanoma.

A automação do diagnóstico é realizada a partir de imagens de exames dermos-cópicos da lesão de pele; essas imagens podem ser obtidas pelo próprio aparelho, nocaso de aparelhos mais modernos, ou podem ser fotografias do que é observado apartir da lente do dermatoscópio.

Os sistemas automatizados CAD são normalmente compostos por quatro fases:4 Consensus Net Meeting on Dermoscopy (CNMD) foi uma reunião virtual de consenso sobre a aná-

lise de imagens dermatoscópicas realizada no ano de 2000 que contou com a participação de 40experientes médicos que possuíam reconhecimento demonstrado por publicações ou palestras naárea de dermatoscopia de vários países (ARGENZIANO et al., 2003).


obtenção da imagem, segmentação da lesão, extração de características e classifica-ção da lesão (GARNAVI et al., 2011). Após a aquisição das imagens, as fases seguintestambém podem ser chamadas de pré-processamento (fase anterior à segmentação,uma preparação para que a imagem possa ser segmentada), processamento (a seg-mentação) e pós-processamento (análise da imagem segmentada e possível extraçãode características).

As imagens a serem analisadas, na maiorias das vezes, possuem artefatosque atrapalham a automação imediata da sua avaliação, como mostrado na Figura1. Em razão disso, independente do método escolhido para abordagem algorítmica,os atuais algoritmos propostos na literatura sugerem que as imagens passem por umpré-processamento que seja capaz de eliminar ou reduzir os efeitos de tais artefatos.

Figura 1 – Artefatos encontrados em imagens dermatoscópicas que atrapalham a au-tomação da detecção da lesão.

Fonte: (ISIC, 2016)

Segundo Glaister et al. (2013), as imagens devem passar por processos visandoeliminar possíveis efeitos de luz, sendo o foco desse procedimento evitar que partessaudáveis da pele venham a ser obstruídas por sombras que possuem cor similar à corda área lesionada. Celebi et al. (2015) propõem convertê-las para um espaço de co-res diferente, visto que, imagens em escala única de cores proporcionam simplicidadecomputacional e trazem maior conveniência do processamento escalar que as ima-gens em três canais de cores (RGB). Ainda segundo Celebi, o contraste das imagenstambém deve ser considerado como ponto de melhoria, uma vez que imagens com


contraste insuficiente atrapalham o processo de detecção de borda da lesão. Garnaviet al. (2011) analisaram vinte e cinco canais de cores diferentes para imagens derma-toscópicas e propuseram o canal de cores que apresenta melhor resultado na previsãoda detecção de bordas da lesão. Celebi et al. (2015) e Garnavi et al. (2011) defendemainda a remoção de fios de cabelos das imagens, dado que, fios de cabelos podemgerar problemas no processo de segmentação. Wang (2009) recomenda que o pré-processamento remova o efeito vinheta (borda com sombra mais escura), mostradona Figura 1a; apesar desse tipo de efeito se localizar na área periférica da imagem,normalmente não afetando a área da lesão, ele pode causar problemas quando algo-ritmos de segmentação que utilizam histogramas são aplicados. Por fim, Celebi et al.(2015) destaca que apesar das imagens dermatoscópicas já serem mais amplas queimagens fotográficas normais, as lesões podem ocupar apenas uma pequena áreae podem, inclusive, não estar centralizadas, por conta disso é importante localizar alesão na imagem.

A escolha da combinação de abordagens para o pré-processamento tem um pa-pel significativo no resultado final da segmentação da lesão (MISHRA; CELEBI, 2016),no entanto, não existe um conjunto ideal de passos que possam ser aplicados a todosos bancos de dados ou todos os métodos.

Após a etapa de pré-processamento, são aplicados os algoritmos de segmenta-ção, os quais realizarão a identificação da lesão na imagem. Os métodos de segmen-tação mais utilizados na literatura são classificados conforme descrito a seguir:

a) Limiarização: envolve a determinação de um ou mais valores de limiar para aseparação do objeto de interesse na imagem;

b) Agrupamento: envolve a partição do espaço de cor (característica) em regiõeshomogêneas utilizando algoritmos não supervisionados de agrupamento;

c) Baseado em borda: detecção das bordas entre regiões utilizando operadores deborda;

d) Morfológico: detecção dos contornos da área de interesse a partir de “sementes”utilizando a técnica de transformação watershed5;

e) Baseado em Modelo: envolve a modelagem de imagens como campos aleató-rios na qual os parâmetros são determinados utilizando vários procedimentos deotimização;

5 Conhecido em português como técnica das “Linhas Divisoras de Água”(LDA), trata-se de uma técnicamorfológica de segmentação de imagens inspirada na divisão de superfícies em bacias hidrográficas,tendo diversas formas de definição e de algoritmos (KÖRBES; LOTUFO, 2010).


f) Contornos Ativos: detecção do contorno dos objetos utilizando técnicas de evo-lução curva;

g) Lógica Fuzzy: envolve a classificação dos pixels utilizando regras difusas;

h) Aprendizado supervisionado: envolve a aplicação de modelos obtidos a partir declassificadores de treinamento como árvore de decisão, redes neurais artificiaise máquinas de vetores de suporte (support vector machines).

Diante das várias abordagens para segmentação citadas, algumas considera-ções devem ser observadas na escolha do método mais adequado, como a decisãose o processamento se dará para imagens escalares ou vetoriais, se será totalmenteautomático ou semiautomático (com interferência humana no processo) e com relaçãoao número de parâmetros (CELEBI et al., 2015). Os métodos podem ser aplicados indi-vidualmente ou em combinação para obtenção de uma maior precisão final (MISHRA;CELEBI, 2016).

As bordas da região segmentada também fornecem características para utiliza-ção na análise da lesão (MISHRA; CELEBI, 2016), sendo assim, para obtenção dasbordas, um pós-processamento deve ser aplicado no resultado da segmentação (CE-LEBI et al., 2015). Os métodos comuns de pós-processamento incluem: region mer-ging, remoção de ilhas, suavização de bordas e expansão das bordas. As técnicasconsistem em: a) Region merging: a segmentação idealmente divide a região segmen-tada em duas regiões distintas, no entanto, como as regiões de análise não costumamser homogêneas, a segmentação subdivide a imagem em múltiplas sub-regiões. O pro-cesso de region merging visa identificar sub-regiões que são parte da lesão e mesclá-las; b) Remoção de ilhas: remoção de pequenas áreas da imagem isoladas utilizandofiltro binário de abertura de área (binary area opening filter); c) suavização de bordas(border smoothing): as bordas da segmentação podem ser suavizadas aplicando ope-rações de filtragens, isso diminui a irregularidade normalmente produzida ao final dasegmentação; d) expansão das bordas: a segmentação realizada de forma automati-zada tende a localizar as mínimas mudanças na pigmentação da lesão; no entanto,quando as mesmas imagens são cedidas a dermatologistas para que seja realizada amarcação da localização, a marcação de borda automatizada costuma estar contidana área da marcação médica. Sendo assim, o método de expansão de bordas visa ex-pandir a borda da área segmentada para ficar o mais próximo possível das marcaçõesde borda feitas por dermatologistas.

Após realizado todo o processamento da imagem, os resultados devem ser ava-liados. Essa avaliação pode ser feita de duas formas: subjetiva e objetiva. As avalia-ções subjetivas são baseadas em uma pontuação dada por um especialista (MISHRA;CELEBI, 2016). Não há uma métrica de qualidade objetiva de avaliação, as avaliações


objetivas envolvem a quantificação de erros da detecção de borda das imagens seg-mentadas comparada com imagens com marcações manuais das bordas realizadaspor dermatologistas (CELEBI et al., 2015). Estudos realizados por Joel et al. (2002)demostraram que um único dermatologista, ainda que se trate de um dermatologistaexperiente em dermatoscopia, não pode ser utilizado como referência absoluta na avali-ação da precisão da detecção das bordas da segmentação. Os estudos apontam aindaque marcações de bordas manuais não são precisas.

Apresentada toda a complexidade envolvida no processo de segmentação deimagens dermatoscópicas e os vários caminhos que podem guiar a criação de novosalgoritmos, os problemas que o presente projeto visa resolver são os seguintes:

a) Dentre as técnicas de segmentação já propostas na literatura, qual apresentamelhores resultados quando aplicada às bases de dados dermatoscópicas?

b) Quais as limitações das técnicas existentes?

c) É possível aplicar alterações nos algoritmos conhecidos pela literatura para queproduzam melhores resultados?

O trabalho proposto tem por objetivo a análise e modificação dos principais mé-todos da literatura para a segmentação de melanoma em imagens dermatoscópicasem busca dos que apresentam os melhores resultados e também identificando pos-síveis limitações existentes. A partir da análise realizada, serão estudadas possíveistécnicas de segmentação que ainda não foram aplicadas em bases de dados de ima-gens dermatoscópicas.

a) Implementar técnicas de segmentação de Melanoma do estado da arte;

b) Analisar a segmentação obtida comparando-a com sua imagem ouro correspon-dente e aplicando métricas de avaliação presentes na literatura;

c) Apresentar uma abordagem de segmentação não presente na literatura para tra-tamento de imagens dermatoscópicas.


A pesquisa foi dividida em cinco importantes etapas de desenvolvimento deacordo com o fluxograma apresentado na Figura 2.

Figura 2 – Fluxograma de desenvolvimento do projeto.

Fonte: A autora.

Etapas:

1) Realizar um levantamento bibliográfico sobre o que vem sendo desenvolvido naárea de automação de detecção do melanoma a partir de imagens dermatoscó-picas através de leitura de publicações recentes principalmente em periódicos erevistas mundiais.


2) Definir o ambiente experimental do projeto e a base de dados; definição do am-biente a ser utilizado baseado nos estudos; fase de definição e aquisição dasimagens e das imagens de referência contendo a marcação da localização dalesão, chamadas de imagens ouro, a serem trabalhadas de acordo com a basedefinida.

3) Codificação dos algoritmos de segmentação escolhidos na linguagem e no am-biente de desenvolvimento MATLAB.

4) Segmentação das imagens da base; realização de tratamentos de pré-processamentonas imagens do banco de dados trabalhado e aplicação dos algoritmos de seg-mentação das imagens dermatoscópicas mais propostos pela literatura a fim deverificar os resultados produzidos por cada um deles; podem ser realizadas alte-rações nos métodos propostos a fim de obter resultados mais significativos.

5) Analisar os resultados obtidos no estudo utilizando métricas de avaliações pre-sentes na literatura.

O presente trabalho estrutura-se de forma que a análise realizada por esse es-tudo seja totalmente compreendida. Dessa forma, informações importantes que com-põem a pesquisa são todas descritas previamente à explicação da sua utilização.

Este trabalho está organizado em 6 capítulos. Neste primeiro capítulo é descritaa visão geral, o problema de pesquisa abordado, os objetivos e a metodologia adotada.

No capítulo 2 são abordados conceitos importantes para o entendimento dotrabalho, compreendendo conceitos médicos, conceitos de imagem digital e de inteli-gência artificial; todos indispensáveis para a pesquisa.

O capítulo 3 apresenta trabalhos relacionados do estado da arte.

No capítulo 4 é descrito o fluxo do projeto e detalhes das implementações reali-zadas para a análise dos algoritmos selecionados. Nele são detalhados os métodos ealgoritmos utilizados e as decisões de projeto adotadas para cada técnica. O Capítuloposssui ainda a proposta de utilização de uma técnica algorítmica aplicada a imagensdermatoscópicas e seus detalhes. As métricas de análise escolhidas para verificaçãoda qualidade dos algoritmos também são descritas neste capítulo.

O capítulo 5 mostra os resultados da execução dos algoritmos implementadose aplicados na base de dados escolhida. Nesse capítulo são analisados os resultadosda segmentação das imagens. Também é feita uma discussão sobre as melhorias quepodem ser aplicadas em cada um dos algoritmos.


Por fim, o capítulo 6 contém as conclusões finais e as perspectivas para traba-lhos futuros.

27

Este capítulo contém uma breve descrição sobre tópicos importantes que serãoabordados nos capítulos seguintes. Aqui é apresentado todo o conhecimento prévionecessário para um completo entendimento da contribuição do trabalho desenvolvido.

O capítulo está dividido sequencialmente em: 1. Definição de um conceito daárea médica de grande relevância para o entendimento do trabalho; 2. Fundamentosde imagens digitais que foram utilizados durante a implementação dos algoritmos ana-lisados.

A dermatoscopia é uma técnica não invasiva de diagnóstico a partir da observa-ção da pele. Para isso, é utilizado um aparelho, parecido com um pequeno microscópio,que dá o nome à técnica, chamado dermatoscópio (BRAUN; FRENCH; SAURAT, 2004;Dermoscopy, 2016). A precisão do diagnóstico do melanoma pode ser aumentada emcerca de 12% utilizando a dermatoscopia, passando de 85% para 97% (Sociedade Bra-sileira de Cirurgia Dermatológica - SBCD, 2016). A técnica consiste em aplicar sobre alesão a ser examinada óleo ou fluido (óleo mineral, óleo de imersão, álcool, água) deforma a eliminar o reflexo da luz e tornar a camada mais externa da pele transparente,viabilizando a visualização das cores e estruturas morfológicas não visíveis a “olhonu”, em seguida a pele é observada através do dermatoscópio (SOYER et al., 2012;Dermoscopy, 2016).

A Figura 3 mostra uma comparação entre a situação de visualização de umalesão de pele; a imagem (a) e a imagem (b) demonstram o que é possível observarquando uma lesão é vista sem o auxílio de nenhum equipamento, seria a chamada vi-sualização a “olho nu”. Nesse tipo de observação não é possível obter muitos detalhessobre as características da lesão. A imagem (c) mostra a mesma lesão das duas ima-gens anteriores, no entanto, nela é utilizada a técnica de dermatoscopia, dessa forma,detalhes da lesão que vêm a auxiliar no seu diagnóstico podem ser percebidos.

Capítulo 2. Fundamentação Teórica 28

Figura 3 – Exemplo de visualização de uma lesão de pele. a) Imagem corporal da lo-calização da lesão; b) Visualização macroscópica a ”olho nu”da lesão; c)Visualização dermatoscópica da lesão.

(a)———————————(b)———————————(c)Fonte: (Pelle Digitale, 2016)

Originalmente o termo pixel surgiu da contração da expressão da língua inglesa“picture element”, sendo “pix” uma abreviação para “picture”; em tradução livre, seriaum “elemento de imagem”. Trata-se do menor elemento de representação de umaimagem digital e, sendo assim, uma imagem digital é composta por uma quantidadefinita desses elementos, cada um possuindo uma localização no eixo bi-dimensionalx,y, como mostrado na Figura 4 (GONZALEZ; WOODS et al., 2002). Esses elementospossuem informações que representam a cor ou a intensidade da cor correspondentea sua coordenada na imagem; o tipo de informação em cada pixel varia de acordocom o tipo da imagem. Em imagens em tons de cinza, por exemplo, o pixel armazenaa intensidade da cor, como mostrado na Figura 5, já nas coloridas do tipo RGB1 o queé armazenado são as informações referentes à própria cor nos três canais de cores.Displays digitais projetam suas telas utilizando milhões de pixels organizados em linhase colunas tão próximas entre si que chegam a parecer a olho nu que são conectadas.Dessa forma, o pixel é uma localização na imagem (MCCONNELL, 2005).

A imagem é composta por um conjunto de pixels organizados em forma de ma-triz, onde cada ponto representa a informação referente à cor daquele ponto. Essamatriz é denominada “bit-map ”ou “mapa de bits”. Ela também é responsável por deter-minar outra característica, a resolução da imagem, que é o número de elementos dalinha horizontal da matriz (quantidade de colunas) pelo número de elementos da linhavertical (quantidade de linhas), ver exemplo na Figura 6 (MUSCI, 2016).1 Sistema de cores primárias vermelho, verde e azul - Red-Green-Blue - onde cada canal de cor é

representado por um valor de 0 a 255.


Figura 4 – Representação de imagem digital em pixels.

Fonte: (FRANÇA, 2016).

A representação de imagem digital é organizada por uma matriz contendo asinformações de cada pixel representado. Nas imagens em tons de cinza, cada pixeldetermina a intensidade da cor em apenas um byte, conforme representado na Figura7. São utilizados valores entre 0 (zero) e 255, sendo o 0 para indicar a cor preta e ovalor 255 para indicar a cor branca.

Em imagens baseadas no sistema de cores primárias: vermelho, verde e azul(Red-Green-Blue), cada pixel que compõe a imagem possui um valor para representarcada um dos canais de cores. Isso significa que cada um dos pixels contém três bytescom valores entre 0 (zero) e 255, um referente a cada cor primária. A cor original éformada pela composição das três cores primárias, como mostrado na Figura 8.

No espaço de cores CIE L*a*b as imagens são formadas por três componentes.O primeiro deles é a luminosidade (Lightness), que assume valores entre zero e cem.Os outros dois componentes são dois canais de cores: *a e *b. O canal de cores *a serefere às cores vermelha e verde e determina o valor de pertinência da cor conside-rando os dois tons. O valor varia de −100 para tons mais fortes de verde e 100 para overmelho. O *b se refere aos valores de amarelo e azul da imagem. Segue a mesmalógica de pertinência do *a, sendo valores −100 relativo ao azul e 100 ao amarelo (X-RIte Inc, 2007). Esses valores são normalmente representados utilizando o sistema


Figura 5 – Representação da relação de pixels com as informações que cada um con-tém. a) Imagem digital; b) Zoom em grupo de 9× 9 pixels da imagem (a); c)Valores de cada um dos pixels.

Fonte: (Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia -CEPSRM - UFRGS, 2016).

cartesiano de coordenadas. Dessa forma, *a e *b são coordenadas que refletem indi-retamente matiz e tom da cor (MCGUIRE, 1992).

Seu objetivo principal é obter um espaço perceptualmente igual. A distânciaEuclidiana entre duas cores nesse espaço de cores está fortemente ligada com a per-cepção visual humana (TKALCIC; TASIC et al., 2003).

Trata-se de um espaço de cores bastante teórico que é usado muitas vezescomo padrão absoluto para comparação entre outros espaços de cores.

Filtros são ferramentas utilizadas para aplicação de tratamentos nas imagensa fim de suavizar, modelar detalhes, acentuar bordas e/ou remover ruídos. Um exem-plo de objetivos de sua aplicação é reduzir interferências que possam atrapalhar o


Figura 6 – Exemplo de uma mesma imagem digital representada em diferentes reso-luções.

Fonte: Adaptado de (Wikimedia Commons, 2006).

Figura 7 – Representação de imagem em tons de cinza. a) Imagem em tons de cinza;b) Imagem representada em pixels; c) Mapa de bits da imagem;

(a)—————————–(b)—————————–(c)Fonte: Adaptado de (RITTNER, 2016).

reconhecimento de objetos na imagem, os chamados ruídos. Os filtros realizam trans-formações na imagem viabilizando a automação e uma posterior análise.

A maneira como os filtros são utilizados é aplicando um operador em uma janelade vizinhança, onde o pixel central da vizinhança tem o seu valor atualizado de acordocom os pixels vizinhos e com o tipo de operador escolhido. Essa janela ou máscara devizinhança percorre todos os pixels que compõem a imagem, de forma que cada umdeles seja filtrado e atualizado de acordo com os valores da sua região de vizinhança.O operador utilizado determina o tipo de filtro, podendo ser, por exemplo, filtro de média,de mediana, entre outros.


Figura 8 – Exemplo de composição de uma imagem do tipo RGB.

Fonte: Adaptado de (QUEIROZ, 2015).

Trata-se de um filtro de operação não linear. Esse tipo de operação envolve ageração de valores para cada pixel, considerando os pixels vizinhos em uma pequenavizinhança. De outro modo, observa-se para cada pixel apenas valores vizinhos pró-ximos, descartando, assim, valores de outras regiões da imagem (SZELISKI, 2010).É aplicado com finalidade de remover ruídos representados por pontos isolados naimagem.

A técnica de aplicação do filtro de mediana consiste em aplicar o operador demediana para os pixels da vizinhança e atualizar o pixel central com o valor de mediana.A quantidade de pixels vizinhos a ser considerados varia de acordo com a máscara2

escolhida. Seu objetivo é de suavização da imagem, quanto maior a dimensão damáscara utilizada maior será o efeito da suavização, conforme apresentado na Figura9.

Normalmente pixels que são considerados ruídos possuem valores muito dife-rentes dos valores considerados como não ruídos da imagem, nesses casos a técnicado filtro é capaz de remover/amenizar os ruídos da imagem (SZELISKI, 2010). No en-tanto, um ponto negativo da técnica é que além do algoritmo para a sua execução terum custo considerado moderado, como apenas um pixel é substituido por vez e seu va-lor é obtido apenas pela mediana dos seus valores imediatamente vizinhos, ele não semostra tão eficiente para remover ruídos do tipo Gaussiano (HUBER, 2011; HAMPEL2 Máscara do filtro são matrizes que se referem à quantidade de pixels que rodeiam cada um dos

pixels que compõem a imagem; o pixel sob o qual uma máscara é aplicada é colocado no centro damáscara.


Figura 9 – Exemplo de aplicação de filtro mediano com máscara 3 × 3. a) Imagemoriginal; b) Imagem filtrada.

(a)———————————(b)Fonte: Adaptado de (GUILHON, 2013).

et al., 2011; STEWART, 1999).

Essa técnica tem por objetivo extrair das estruturas geométricas das imagenscomponentes úteis para a representação e descrição da forma de determinada regiãoda imagem (MELLO, 2008). Para tanto, uma base teórica consistente, a morfologiamatemática, é utilizada visando buscar soluções para problemas de processamento deimagem. Em morfologia matemática, os conjuntos representam as formas dos objetosem uma imagem (GONZALEZ; WOODS et al., 2002). Os operadores são divididos emquatro classes básicas chamadas de operadores elementares: dilatação, erosão, aber-tura e fechamento (ZAMPIROLLI, 2003). Para entender cada uma dessas classes, éimportante compreender o conceito de elemento estruturante; trata-se de um conjuntodefinido e conhecido que é aplicado em transformações e posteriormente comparadocom o conjunto desconhecido da imagem podendo possuir diversos formatos comolinha, coluna, cruz, quadrado, como mostrado na Figura 10.

Figura 10 – Exemplo de elementos estruturantes em diversas formas: a) coluna; b)linha; c) cruz; d) quadrado

Fonte: (MENEZES, 2010).

• Dilatação: Técnica que atenua os detalhes escuros das imagens e acentua osdetalhes claros, como é possível observar na Figura 11. A imagem produzida


ao final do processo possui as mesmas dimensões da original. A dilatação érealizada seguindo os seguintes passos:

Figura 11 – Exemplo da técnica de dilatação. a) Imagem original; b) Imagem resultanteda dilatação.


1) Posicionamento do elemento estruturante no início da imagem que sofreráa dilatação;

2) A intensidade dos pixels da imagem original e dos pixels correspondentesda matriz do elemento estruturante são somadas e comparadas;

3) A intensidade da maior soma da comparação do passo anterior será o valordo pixel correspondente na imagem de saída. Em imagens em tons de cinza,caso o valor da soma ultrapasse 255, a intensidade do pixel será assumidacomo 255.

4) A matriz estruturante é posicionada no pixel seguinte e o processo retorna aopasso 2. Esse passo 4 segue até que toda a imagem original seja percorridapela matriz estruturante.

Figura 12 – Exemplo de aplicação da técnica de dilatação. a) Imagem original; b) Ele-mento estruturante em cruz com origem no centro; c) Imagem resultanteda dilatação.


• Erosão: Essa técnica reduz os tamanhos das áreas mais escuras da imagem e oresultado final aparenta ser mais claro que o original, como observado na Figura


13. Os passos para realização da erosão seguem a mesma idéia dos passos dadilatação, diferenciando apenas nos seguintes passos:

Figura 13 – Exemplo da técnica de erosão. a) Imagem original; b) Imagem resultanteda erosão.


2) A intensidade dos pixels da imagem original e dos pixels correspondentesda matriz do elemento estruturante são subtraídos e comparadas;

3) A intensidade da menor subtração da comparação do passo anterior será ovalor do pixel correspondente na imagem de saída. Em imagens em tons decinza, caso o valor da subtração seja menor de que 0 (zero), a intensidadedo pixel será assumida como 0 (zero).

Figura 14 – Exemplo de aplicação da técnica de erosão. a) Imagem original; b) Ele-mento estruturante em cruz com origem no centro; c) Imagem resultanteda dilatação.


• Abertura: Consiste da aplicação da técnica de erosão na imagem original utili-zando um dado elemento estruturante, o resultado é então submetido à técnicade dilatação utilizando o mesmo elemento estruturante. Ao final do processo seráproduzida uma imagem sem protuberâncias e com formas mais suaves comomostrado na Figura 15.

• Fechamento: Consiste da aplicação da técnica de dilatação seguida da sub-tração da técnica de erosão na imagem, aplicadas nesta ordem. Enquanto a


Figura 15 – Exemplo da técnica de abertura. a) Imagem original; b) Imagem resultanteda abertura.


abertura produz uma imagem mais suave eliminando as protuberâncias, o fe-chamento é capaz de preencher pequenos buracos e lacunas no contorno daimagem (ALVARENGA et al., 2003).

Segmentação é o processo de dividir determinada imagem em regiões quecompartilham entre si caracteríscas semelhantes. O objetivo principal é a subdivisãodos pixels da imagem de forma a agrupar os que compõem os objetos ali presentes(SHARMA; AGGARWAL et al., 2010; GONZALEZ; WOODS et al., 2002; PRATT, 2007).

Dessa forma, por definição, se o domínio de uma imagem é dado por Ω, entãoa segmentação vai buscar determinar o conjunto Sk ⊂ Ω pela qual sua união corres-ponde a todo o domínio Ω. Sendo assim, o conjunto composto pela segmentação devesatisfazer

Ω =K!

k=1

Sk (2.1)

onde Sk ∩ Sj = φ para k = j e cada Sk é conectado. Idealmente, a segmentação visaencontrar o conjunto de regiões de interesse da imagem.

A quantidade de classes em que uma imagem é segmentada normalmente édeterminada pelo conhecimento prévio sobre a anatomia do que está sendo analisado(PHAM; XU; PRINCE, 2000); por exemplo, a segmentação de imagens dermatoscó-picas de lesões de pele é dividida em apenas uma área de interesse: a região dalocalização da lesão, sendo as demais áreas consideradas plano de fundo.

A área médica é uma das mais promissoras para aplicações que utilizam técni-cas de segmentação de imagens (SZELISKI, 2010). Segundo Sharma, Aggarwal et al.(2010), os objetivos buscados nesse campo são basicamente:

• Estudar estruturas anatômicas;


• Identificar áreas de interesse; ex.: tumor, lessão, dentre outros.

• Medir volumes ou tamanhos de tumores e/ou lesões;

• Auxiliar em planos de tratamentos e diagnósticos.

Existem várias abordagens aplicadas à segmentação de imagens médicas. Noentanto, apesar de vários algoritmos de segmentação terem sidos propostos pela lite-ratura, a aplicação da técnica na medicina ainda continua a ser um complexo desafio(SHARMA; AGGARWAL et al., 2010)

Segmentação de imagens pode ser ainda dividida em categorias de acordo como tipo de abordagem utilizada. Algumas delas são:

Tem por objetivo particionar a imagem em regiões (GONZALEZ; WOODS et al.,2002). Nesse contexto, região é considerado como o grupo de pixels conectados quecompartilham entre si propriedades semelhantes, essas semelhanças podem ser ba-seadas na intensidade dos dados do pixel e/ou nas bordas da imagem (PHAM; XU;PRINCE, 2000). A técnica busca dividir a imagem sem que anteriormente precise en-contrar as bordas ou limites de cada objeto na imagem.

Figura 16 – Exemplo de segmentação baseada em região. a) Imagem original; b) Ima-gem segmentada.

Fonte: (XUE; LIU; SHI, 2011).

Trata-se de um princípio pelo qual determinada imagem é separada em duas re-giões ou duas classes, sendo uma a área de interesse e as demais áreas que não sãoclassificadas como interessantes, o plano de fundo. O processo também é conhecidocomo binarização e, ao final, tem-se uma imagem binária em preto e branco com duas


classes distintas, sendo, em geral, a região branca a região de interesse. A técnicabusca encontrar no histograma da imagem o vale entre dois picos que será conside-rado o limiar para separar as duas classes. Posteriormente são agrupados todos ospixels maiores que o valor do limiar em uma classe e os menores em outra (PHAM;XU; PRINCE, 2000).

A Figura 17 mostra como funciona o processo de limiarização. A partir do histo-grama é possível definir um valor que será utilizado como limiar para divisão das duasregiões do processo. No caso da imagem da impressão digital a seguir, foi aplicado oAlgoritmo de Otsu para determinar o melhor valor de limiar; definido o valor, a imagemfoi então dividida em classes com valores maiores e menores que o limiar. O resultadofinal é exibido na limiarização.

Figura 17 – Exemplo da aplicação do processo de limiarização. a) Imagem original; b)Histograma da imagem; c) Imagem após aplicado o processo de limiariza-ção

Fonte da imagem da impressão digital: (RAJU; NEELIMA, 2012); Demais imagensforam produzidas pela autora utilizando o ambiente de desenvolvimento MATLAB.

Técnica de reconhecimento de padrões que busca particionar imagens utili-zando dados com classificações conhecidas. A abordagem alterna entre segmentara imagem e iterativamente caracterizar as propriedades de cada classe. É conhecidacomo uma técnica não supervisionada, pois a medida que vai iterativamente identifi-


cando as propriedades de cada classe, o método vai aprendendo a classificação, nãoprecisando, assim, de dados com classes conhecidas para treinar o algoritmo.

Os algoritmos de segmentação baseados mais comuns funcionam seguindo aseguinte lógica: inicialmente são estabelecidos os centros de cada agrupamento, oscentroides. Então, cada um dos demais valores da imagem são relacionados ao cen-troide mais próximo (PRATT, 2007). Cada vez que um centroide tem um novo elementoalocado a ele, o seu próprio valor é atualizado. A proximidade pode ser calculada porvalores obtidos pelo resultado da distância Euclidiana ou outras fórmulas. A Figura 18retrata o processo algoritmico do agrupamento descrito acima.

Figura 18 – Fluxograma da técnica de segmetação por agrupamento.

Definição do númerode centroides

Definição doscentroides

Cálculo dasdistâncias

Alocação do itemao seu centroide

Atualiza o valordos centroides

Ocorrerammudan-

ças?

Termina

Sim

Não

Fonte: Adaptado de (AGRAWAL; GUPTA, 2013).

Pode ser dividido em alguns tipos de acordo com o particionado que será reali-zado. Alguns desses tipos são os seguintes:

• K-Means: Trata-se de um dos algoritmos de agrupamento mais simples. A téc-nica consiste em dividir determinado conjunto em k subgrupos disjuntos que com-


partilham características semelhantes entre si. Ao início do procedimento são de-finidos k elementos centroides, um para cada subconjunto. O valor de k, ou seja,a quantidade de centroides, deve ser conhecida ao início do procedimento. Cadasubconjunto é formado a partir da quantidade de características em comum en-tre os elementos e os centroides. A distância entre os elementos e os centroidesé calculada utilizando a fórmula da distância Euclidiana. Cada elemento é alo-cado para o centro que apresentar a menor distância entre ele e o agrupamentoque teve o elemento inserido tem o seu valor de centro recalculado. Os valoresdos centros são obtidos pelo cálculo da média dos valores de seus elementos(MAINTZ, 2005). O processo segue até que não haja mais alocações de agrupa-mentos entre os elementos da imagem ou até que um limite definido seja atingido(número máximo de iterações, por exemplo) (AGRAWAL; GUPTA, 2013).

O Algoritmo 1 mostra o pseudocódigo da lógica de agrupamento K-Means, ondeP é o conjunto de pixels que formam a imagem a ser binarizada, k é a quan-tidade de agrupamentos, A é o conjunto de agrupamentos associados a cadapixel, calculateSimilarity(x, y) é a função que determina a quantidade de carac-terísticas em comum entre x e y e C[k] é o vetor com os k agrupamentos. Inici-almente é feita a inicialização dos centroides com elementos aleatórios do con-junto P ; Após isto, cada um dos demais elementos são alocados a um agrupa-mento, considerando o resultado de seu grau de pertinência calculado pelo mé-todo calculeSimilarity(x, y); esse método é executado em cada elemento umavez com cada um k dos centroides presentes em C e, então, a maior similaridadeé associada àquele item; este foi um passo inicial, no entanto, com as alocaçõesde cada um dos elementos a um agrupamento os valores dos agrupamentos po-dem mudar e, como consequência, algum elemento pode ter mais similaridadecom outro agrupamento de que com o que foi inicialmente alocado. Por contadisso, é feito um recálculo dos valores dos agrupamentos. O processo anteriorde verificar a similaridade de cada um dos itens com os agrupamentos é repetidoe, havendo alterações nas alocações, o valor do agrupamento é recalculado, vero bloco de código compreendido pelas Linhas 20 a 31 do Algoritmo 1. No casodo Algoritmo 1, o critério de convergência que determina o final da operação énão haver mais alterações nas alocações dos elementos.

• Fuzzy C-Means: A ideia da criação de uma técnica capaz de considerar a condi-ção de que um determinado elemento pode pertencer a mais de um conjunto deagrupamento foi inicialmente introduzida por Zadeh (1965). Alguns anos depoisDunn (1973) criou um método que foi posteriormente aperfeiçoado por Bezdek(1981). Possui características muito semelhantes ao K-Means, se diferenciando,no entanto, no fato de que para cada elemento é analisada a porcentagem de ca-racterísticas compartilhadas com cada agrupamento. Em outras palavras, a por-


centagem de pertinência de cada elemento com todos os subgrupos. Enquantono K-Means cada dado é alocado em apenas um centroide, no método Fuzzyum mesmo elemento pode ser alocado em dois ou mais agrupamentos pois esseelemento passa a possuir um determinado grau de pertinência com cada um dossubgrupos. O chamado grau de pertencimento é um valor µA : X → [0, 1], onde,para cada x ∈ X, µA é seu grau de pertencimento associado ao agrupamento,sendo 1 o grau máximo de similaridade. O funcionamento e a estrutura do Fuzzysão bem parecidos com o algoritmo K-Means, sendo que o cálculo dos centroi-des é realizado aplicando a função de pertinência e, assim como no K-Means, aoperação é repetida até o críterio de convergência ser alcançado.


Algoritmo 1 Pseudocódigo do algoritmo de agrupamento K-Means.1: procedure KMeans(P , k)2: P ′ ← P

Inicialização aleatória dos centroides3: for i = 1→ k do4: C[i]← random P ′

5: P ′ ← P ′ − C[i]6: end for

Alocação inicial dos elementos a um centroide7: for i = 1→ length(P ) do8: A[i]← max(j = 1→ k)calculateSimilarity(P [i], C[j])9: end for

Realocação dos elementos aos agrupamentos10: change← true11: if change then12: change← false13: for i = 1→ length(P ) do14: a← max(j = 1→ k)calculateSimilarity(P [i], C[j])15: if a = A[i] then16: A[i]← a17: change← true18: end if19: end for

Recálculo do valor dos agrupamentos se houve mudanças20: if change then21: for i = 1→ k do22: mean, count← 023: for j = 1→ length(P ) do24: if A[j] == i then25: mean← mean+ P [j]26: count← count+ 127: end if28: end for29: C[i]← mean

count30: end for31: end if32: end if33: return A34: end procedure

Fonte: Adaptado de (NAZEER; SEBASTIAN, 2009).

43

Trabalhos relacionados à segmentação e posterior classificação de fotografiasdermatoscópicas têm por objetivo a identificação da região da imagem em que a lesãose encontra e, a partir de dados obtidos na segmentação da mesma, classificá-la comomaligna ou benigna de forma automatizada.

Peruch et al. (2014) propõem a segmentação das lesões melanômicas atra-vés de um algoritmo de criação própria denominado Mimicking Expert Dermatologists’Segmentations – MEDS (Imitando Segmentação de Dermatologistas Experientes emtradução livre). O algoritmo utiliza um pré-processamento com aplicação de um filtrode média para remoção de artefatos nas imagens; aplica ainda correção de iluminaçãoe remoção de cabelos. O método de segmentação escolhido é baseado em limiariza-ção. A métrica de avaliação dos resultados foi o XOR, que mede a divergência entre aimagem segmentada e a imagem de ouro1 baseado nas taxas de falso-positivo, falso-negativo e verdadeiro positivo. O MEDS foi aplicado em uma base de dados com 60

imagens e seus resultados garantem que seu algoritmo é simples, rápido e mais pre-ciso, podendo ser inclusive utilizado em aparelhos telefônicos do tipo smartphone. Osresultados tiveram uma média de 12, 35% de divergência e quando aplicado um melho-ramento nos canais verde e azul das imagens, ao que foi chamado de MEDS boost,foi produzida uma divergência de 11, 27%.

Celebi et al. (2013) propõem um método de automação que utiliza um conjuntode métodos baseados em limiarização. Não são especificados quais os métodos depré-processamento foram aplicados no estudo. O algoritmo foi aplicado a uma basede dados com 90 imagens de lesões de pele, sendo 67 delas de lesões benignas e 23de melanomas. No pós-processamento é aplicado um método de expansão de bordapara diminuir a discrepância entre a marcação de borda realizada por um profissionalde saúde na imagem ouro e a borda da segmentação. O método de avaliação utilizadofoi o XOR e os resultados produzidos tiveram uma média de 8, 31% de divergência. Oproblema do que é proposto é que ele pode não apresentar boa performance quandoaplicado a imagens com quantidades significantes de cabelos ou bolhas, uma vez queessas variáveis podem alterar o histograma da imagem e, consequentemente, dese-quilibrar os valores das medidas do limiar.

Abbas et al. (2013c) propõem um método de detecção automática de bordadenominado Automatic Border Detection (ABD). O método sugere a aplicação de umpré-processamento com filtro normalizado de suavização (Normalized Smoothing Filter1 Imagem ouro é o termo dado para as imagens segmentadas manualmente por um especialista da

área; essas imagens são utilizadas para avaliar a eficiência do sistema implementado.

Capítulo 3. Trabalhos Relacionados 44

- NSF) para diminuir ruídos e suavizar a imagem. Após o pré-processamento, é apli-cada uma segmentação inicial da lesão utilizando uma mistura de modelos (mixturemodels - MMs) seguida da aplicação de técnicas de limiarização baseada em entropia.O pós-processamento é realizado para refinar o resultado da segmentação utilizandoum algoritmo baseado em reconstrução morfológica2. O algoritmo ABD foi aplicado auma base com 100 imagens, sendo 70 delas referentes a lesões benignas e 30 de le-sões malignas. O método de avaliação escolhido foi taxa de detecção verdadeira (truedetection rate - TDR), taxa de falso-positivos (false-positive rate - FPR) e probabilidadede erro (error probability - EP) e os resultados obtidos foram TPR: 92, 10%, FPR: 6, 41%e EP: 5%.

Masood, Al-Jumaily e Maali (2013) propõem abordar o problema da segmenta-ção de lesões de pele utilizando um algoritmo que combina as vantagens do agrupa-mento, da limiarização e do contorno ativo. É apresentado um algoritmo baseado nacombinação do Fuzzy C-Means com a limiarização de histograma. Antes da aplicaçãodo algoritmo, as imagens passam por um pré-processamento onde é aplicado um filtromediano com máscara 7 × 7 objetivando reduzir o efeito de possíveis artefatos pre-sentes nas imagens. O estudo foi analisado utilizando uma base de dados com 270imagens. A métrica de análise dos resultados adotada foi a distância de Hammoude(DH)3, a taxa de verdadeiro positivo (VP), falso-positivo (FP), falso-negativo (FN), dicecoefficient4 (DC) e taxa de erro de borda (Border Error - EB). Os resultados obtidosforam DH: 11, 21%, VP: 92, 86%, VP: 4, 29%, FN: 7, 14%, DC: 0, 94% e EB: 4, 27%.

Abbas et al. (2013b) propõem combinar técnicas de segmentação por regiãoe de borda para tratar o problema de detecção automática de bordas de melanomas.A proposta é composta por quatro passos: 1. converter as imagens para o espaço decores CIE L*a*b; 2. melhorar o contraste das imagens; 3. aplicar um algoritmo baseadoem Hill Climbing para detecção da área de interesse; 4. aplicar limiarização para de-terminar as bordas da lesão. O diferencial dessa abordagem são os passos 1 e 2, quesão realizados para que os passos seguintes não sejam comprometidos com o fato deas imagens muitas vezes possuírem baixo contraste. A técnica foi testada utilizando100 imagens dermatoscópicas. As métricas de avaliação aplicadas foram taxa de ver-dadeiro positivo (VP), falso-positivo (FP) e probabilidade de erro (PE). Os resultadosobtidos foram VP: 94, 25%, FP: 3, 56% e PE: 4%.

Um método capaz de diminuir o efeito da não uniformização da iluminação nas2 Reconstrução morfológica, ou morphological reconstruction em inglês, é um método para extração

de informações significativas sobre formas em imagens (GONZALEZ; WOODS; EDDINS, 2010).3 Distância de Hammoude é uma medida de distância que compara pixel por pixel para medir os

erros entre a imagem ouro marcada por um especialista e a segmentação realizada pelo algoritmo(ABBADI; MIRY, 2014).

4 Dice Coefficient mede a similaridade entre dois conjuntos; resultado 1 indica conjuntos perfeitamentesimilares (MASOOD; AL-JUMAILY; MAALI, 2013).


imagens, remoção de cabelos grossos e de brilhos na lesão é apresentado por Ra-mezani, Karimian e Moallem (2014). A técnica utiliza segmentação baseada em limia-rização e todo o processo é dividido em três partes: pré-processamento, extração decaracterísticas e classificação. A fase de pré-processamento engloba, em um primeiropasso, a remoção de artefatos da imagem que venham a comprometer processos pos-teriores. As imagens são então convertidas do espaço de cores RGB para o HSV5

visando diminuir o efeito da iluminação e sombras não uniformes. Um segundo passodo pré-processamento é a segmentação. Para esse processo, é proposta uma técnicabaseada em limiarização utilizando apenas um canal de cor, também são analisadosquatro valores de limiar antes da escolha de qual valor será aplicado. Por fim é apli-cado um processo similar à remoção de ilhas e um operador morfológico de aberturapara corrigir detalhes na borda da lesão que podem vir a ocorrer caso a imagem pos-sua muitos fios de cabelo. Para remoção do efeito de brilho na lesão, é aplicado oalgoritmo K-Means no canal de cor amarelo uma vez e novamente no resultado daprimeira execução. É aplicada uma combinação do operador lógico OU entre a lesãoe a máscara de brilho e a binarização final é obtida após a aplicação de operadoresmorfológicos de fechamento e preenchimento. A segunda parte é responsável por ex-trair da imagem características que venham a auxiliar a classificação das lesões comobenignas ou malignas. A terceira fase utiliza as características obtidas na fase anteriore aplica um método linear de extração de características não supervisionado chamadoPCA6. A técnica foi testada com uma base de dados contendo 282 imagens, sendo149 lesões benignas e 133 malignas. As métricas de avaliação foram precisão (PR),sensibilidade (SE) e especificidade (ES), com resultados PR = 82.2%, SE = 77% e ES= 86.93%.

Celebi et al. (2015) apresentam uma survey com levantamento de estudos so-bre detecção de borda de imagens dermatoscópicas. Nesse trabalho é descrito apenaso método que é publicado em cada estudo, não havendo, no entanto, nenhum experi-mento ou replicação para comparação entre os métodos descritos. Sendo assim, nãohá uma avaliação quantitativa e qualitativa sobre os métodos apresentados no estadoda arte. A última análise comparativa entre diferentes técnicas do estado da arte foifeita em 2009, no trabalho de Silveira et al. (2009), onde é feita a implementação ecomparação de diferentes técnicas que eram usadas na época. Contudo, o trabalhode Silveira é antigo e até o momento não foi feito nenhum survey comparando as téc-nicas mais recentes. Devido a quantidade de novas abordagens e diferentes bases5 HSV trata-se de um canal de cores composto por matiz (Hue), saturação (Saturation) e valor (Value),

também conhecido como HSB, matiz (Hue), saturação (Saturation) e brilho (Brightness) (CARDANI,2001).

6 Principal Component Analysis ou, em tradução livre, ”análise de componentes principais”é uma téc-nica que utiliza métodos matemáticos para reduzir a quantidade de variáveis a ser analisada (JOL-LIFFE, 2002).


de dados que têm sido utilizadas, esse tipo de análise se faz importante para a esco-lha do melhor método para o problema. Desta forma, foi identificada uma carência deum estudo sobre quais são os algoritmos que apresentam os melhores resultados parasegmentação e classificação de lesões, além da identificação de limitações e possíveismelhorias para cada.

Em suma, a Tabela 1 mostra as técnicas de segmentação utilizadas por cadaum dos trabalhos relacionados analisados. A Tabela 2 também contém o levantamentodos dados utilizados nos trabalhos relacionados, sendo apresentadas as métricas deavaliação aplicadas e a quantidade de imagens que foi utilizada para cada estudo.

Tabela 1 – Métodos de segmentação utilizados por cada uma das referências citadas.

Referência Segmentação

1 - (PERUCH et al., 2014) Limiarização2 - (CELEBI et al., 2013) Limiarização3 - (ABBAS et al., 2013c) Agrupamento + Limiarização4 - (MASOOD; AL-JUMAILY; MAALI, 2013) Agrupamento +

Limiarização + Contorno Ativo5 - (ABBAS et al., 2013b) Por Região + Borda6 - (RAMEZANI; KARIMIAN; MOALLEM, 2014) Limiarização

Fonte: A Autora.

Tabela 2 – Métricas de avaliação e quantidade de imagens utilizadas por cada umadas referências citadas.

Referência Métrica de Avaliação Imagens

1 XOR 602 XOR 903 TDR, FPR, EP 1004 DH, VP, FP, FN, DC, EB 2705 VP, FP, PE 1006 PR, SE, ES 282

Fonte: A Autora.

47

Este capítulo descreve brevemente as ferramentas utilizadas no desenvolvi-mento do trabalho para a análise dos algoritmos de segmentação.

Os tópicos tratam do ambiente experimental utilizado, descrição dos algoritmosimplementados e as métricas de análise empregadas na avaliação da qualidade dosalgoritmos.

Para os experimentos aqui descritos, foi utilizado um notebook com processador1.3 GHz Intel Core i5 e 8GB 1600 MHz DDR3 de memória. Todos os algoritmos foramimplementados e executados na mesma máquina.

A linguagem de desenvolvimento adotada foi MATLAB. Trata-se de uma lin-guagem de programação de alto nível utilizada pelo software de mesmo nome. A lin-guagem permite desenvolver problemas matemáticos de forma rápida e eficaz, sendoamplamente utilizada por sua facilidade de abstrações para lidar com matrizes e mani-pulações algébricas.

Para todas as implementações e experimentos foi utilizado o ambiente de de-senvolvimento MATLAB, um produto MathWorks®. O ambiente permite a criação, exe-cução e manutenção de códigos baseados na linguagem. Para esse trabalho, foi utili-zado o MATLAB 7.11.0.584 (R2010b).

O presente trabalho utiliza, para testes dos algoritmos replicados, imagens dis-ponibilizadas gratuitamente pela base de dados do International Society for Digital Ima-ging of the Skin - ISDI atráves do International Skin Imaging Collaboration - ISIC Project(ISIC, 2016).

A base de dados é composta por 571 imagens, sendo 446 referentes a lesõesbenignas e 125 de lesões melanômicas, todas elas com suas respectivas imagensouro e dados relativos a sua classificação. Os gráficos da Figura 19 demostram a

Capítulo 4. Metodologia 48

composição da base de dados, sendo, como mostrado na Figura, 22% das imagensutilizadas lesões classificadas como melanoma e 78% tratam-se de lesões de pelebenignas. Informações adicionais sobre a base de dados podem ser encontradas noApêndice A.

Figura 19 – Gráfico da composição da base de dados.

Fonte: A Autora.

Três algoritmos propostos pela literatura, o algoritmo do ABD, o algoritmo de Ma-sood e o algortimo do MDB, foram escolhidos para análise da técnica de segmentaçãoque apresenta os melhores resultados quando aplicados a imagens dermatoscópicas.Além desses, outros dois algoritmos foram implementados. Um deles é uma aborda-gem baseada em limiarização Fuzzy. Esse algoritmo trata-se de uma abordagem atéentão não encontrada na literatura para aplicação em imagens dermatoscópicas. Seusresultados serão analisados pensando na viabilização de sua utilização no contexto deimagens melanômicas. O outro algoritmo é uma abordagem clássica do algoritmo deOtsu. Ambos foram executados em toda a base de dados.

O artigo apresentado por Abbas et al. (2013c) propôs a utilização de mixturemodeling e limiarização baseada em entropia local para tratar o problema de detecçãode borda de imagens dermatoscópicas. O artigo propõe uma técnica chamada pelomesmo deAutomatic Border Detection - ABD. O procedimento é dividido em três partes:pré-processamento, segmentação e pós-processamento.

Na primeira fase as imagens são submetidas a um filtro de suavização norma-lizada (normalized smoothing filter – NSF) visando reduzir possíveis ruídos presentesno plano de fundo. Na fase posterior, a de segmentação, as imagens foram aplicadasao algoritmo de agrupamento K-Means com a finalidade de obter o vetor de classes;


o código utilizado para tanto é apresentado no Anexo A. Os parâmetros de entradasão a imagem a ser segmentada em tons de cinza e o valor K de classes. O resultadoesperado é o vetor de classes e a máscara de classificação da imagem de entrada;os valores de K utilizados no experimento foram 5 e 10. O vetor de classes é passadocomo parâmetro de inicialização no algoritmo de Expectation Maximization, disponívelno Anexo B. A máscara de classificação da imagem produzida nesse algoritmo é utili-zada como entrada no algoritmo de segmentação baseado em limiarização conhecidocomo Otsu, ver aplicação no Código 4.1; esta limiarização é aplicada visando dividir aimagem em dois principais agrupamentos, a região de interesse e o plano de fundo daimagem.

Código 4.1 – Código de segmentação do algoritmo do ABD proposto por Abbas et al.(2013c).

1

2

3

4

5

6

7

8

9

10 −11

Fonte: A Autora.

Por fim, na fase de pós-processamento foi aplicada a remoção de ilhas e bura-cos, que são regiões muito pequenas na segmentação que são consideradas ruídospara o resultado final. O algoritmo de remoção de ilhas foi implementado utilizandoalgumas funções já existentes no MATLAB, ver Código 4.2.

Código 4.2 – Função para remoção de ilhas.1

2

3

4

5

6

7 −


8

Fonte: A Autora.

O Código 4.2 recebe como parâmetro dados de uma imagem segmentada, es-ses dados são, então, convertidos para binários e invertidos (os valores um são trans-formados em zero e os zeros em uns); esse passo foi aplicado pois foi observadosua necessidade de acordo com a matriz de dados gerada ao final da segmentação,processo anterior à remoção de ilhas. Após isso, é utilizada uma função nativa doMATLAB, a bwconncomp(x), para encontrar os componentes da matriz que são conec-tados; essa função gera como um dos resultados uma lista com a quantidade de pi-xels em cada componente, linha 4 do Código 4.2. Com essa lista é possível encontrar aquantidade de pixels na maior área conectada, ou seja, na maior região segmentada naimagem. É considerado que qualquer área marcada como área de interesse que tenhao tamanho menor que a maior região de interesse é uma ilha e, portanto, deve ser re-movida. Essa ação é feita aplicando outra função nativa do MATLAB, a bwconncomp(x)

e os parâmetros passados são os dados da imagem segmentada e a quantidade depixels da maior região conectada da imagem subtraindo um pixel. Dessa forma, asregiões com quantidade menor ao valor da quantidade de pixels da maior região deinteresse encontrada são removidas. A Figura 20 mostra um exemplo da execução doprocesso de remoção de ilhas.

Figura 20 – Exemplo de aplicação da remoção de ilhas em imagem segmentada

Fonte: Imagem original retirada da base de dados (ISIC, 2016) e demais imagensproduzidas pela autora.

A remoção de buracos também foi implementada utilizando a função nativa doMATLAB imfill(BW,′ holes′), ver Código 4.3.

Código 4.3 – Função para remoção de buracos em imagens segmentadas.1

2

3

Fonte: A Autora.


O Código 4.3 executa uma operação de preenchimento dos pixels que não sãoconsiderados como área de interesse, mas que estão localizados dentro da regiãode interesse, como mostrado na Figura 21. A imagem 21d é resultado da aplicaçãoda remoção de buracos na imagem 21c. Como é possível perceber, são removidasda imagem final as regiões de lesão que foram, pela segmentação da imagem 21b,consideradas plano de fundo contidas na região de interesse.

Figura 21 – Exemplo de aplicação da remoção de ilhas seguida de remoção de bura-cos em imagem segmentada


Após o pós-processamento com a remoção de ilhas e buracos, a imagem seg-mentada produzida é o resultado da segmentação do algoritmo ABD proposto por Ab-bas et al. (2013c).

O artigo de Masood, Al-Jumaily e Maali (2013) propõe a utilização do algoritmode agrupamento Fuzzy C-Means aplicado para 3 classes, juntamente com a análise dohistograma da imagem, para execução do algoritmo de limiarização. A técnica é dividaem três partes: pré-processamento, performance do Fuzzy C-Means e segmentação.

O pré-processamento consiste na aplicação de um filtro mediana com máscara7×7 objetivando a suavização das imagens antes do processo de segmentação. Paratanto, é aplicada uma função nativa do MATLAB chamada medfilt2() passando comoparâmetros a imagem a ser segmentada e o tamanho da máscara a ser aplicada, quenesse caso é 7 × 7, ver Código 4.4. Essa função executa o filtro na imagem recebidae produz um resultado considerando a máscara escolhida para utilização (MathWorksDocumentation, 2016).

Código 4.4 – Aplicação do filtro mediano com máscara de 7× 7.1

2

3


Fonte: A Autora.

Os passos seguintes, a aplicação do algoritmo Fuzzy C-Means e a limiarização,são feitos utilizando o código presente no Anexo C. Nele ocorre a divisão da imagemIM recebida como parâmetro em três regiões e, baseado no valor de sw, faz a escolhasobre quais regiões vai trabalhar. O parâmetro sw é responsável por determinar o nívelde limiariazação a ser aplicado; ele pode assumir dois valores, 0 (zero) ou 1. Quandoutilizado o primeiro, significa que o algoritmo vai considerar as duas menores regiõese nelas vai encontrar a área de interesse da lesão; quando o valor é 1, as regiõesconsideradas serão as duas maiores. Com a finalidade de análise, e como o artigonão especificava tal detalhe, o código referenciado no Anexo C foi aplicado passandodois diferentes parâmetros, ambos os valores válidos para sw, como mostra o Código4.5.

As imagens, antes de serem executadas pelo Código C.1 presente no ApêndiceC, foram convertidas para tons de cinza através do método mat2gray(x), nativo doMATLAB, e, então, o resultado foi submetido à função fcmthresh().

Código 4.5 – Aplicação do Fuzzy C-Means e da limiarização com diferentes parâme-tros.

1

2

3

4

5

Fonte: A Autora.

O artigo apresentado por Abbas et al. (2013b) propõe a utilização da aborda-gem de segmentação por região e segmentação baseada em borda. É proposta umatécnica chamada pelos mesmos de Melanoma Border Detection – MBD. Além da seg-mentação, a técnica realiza um prévio melhoramento nas imagens, pois acredita queo fato de as imagens possuírem muitas vezes baixo contraste dificulta a precisão dadetecção das bordas da lesão. Esse é, portanto, o diferencial da técnica. O procedi-mento é dividido em quatro partes: transformação das imagens RGB para o canal decores CIE L*a*b; melhoramento do contraste; aplicação do algoritmo Hill Climbing paradetecção da área de interesse; e, por fim, a aplicação de um algoritmo de limiriazaçãopara otimizar a detecção das bordas.

Seguindo os passos conforme descritos no artigo, foi utilizado o código dispo-


nibilizado no Anexo D. O algoritmo realiza inicialmente a conversão do canal de coresde RBG para CIE L*a*b, como destacado no Código 4.6, aplicando em cada uma dascamadas de cores do espaço RGB o método reshape(x, y) nativo do MATLAB, que re-modela x para o tamanho passado no parâmetro y, os tamanhos originais da imagema ser segmentada, e passando os três canais de cores como parâmetro da funçãoRGB2Lab(x, y, z).

Código 4.6 – Transformação do canal de cores de RGB para CIE L*a*b.1

2

3

4

5

6

Fonte: Adaptado de (YIQUN HU, 2008)

A função RGB2Lab() executada na linha 6 se refere ao Código D.2, também pre-sente no Anexo D. Após isso, é aplicada a técnica do algortimo Hill Climbing, buscandono histograma da imagem no espaço de cores CIE L*a*b valores para inicialização doalgoritmo K-Means que é executado na sequência, ver Código D.1 presente no AnexoD.

Os valores gerados vSeed são aplicados para inicialização do algoritmo de agru-pamento K-Means, como mostrado no Código 4.7.

Código 4.7 – Aplicação do K-Means.1

2

3

Fonte: Adaptado de (YIQUN HU, 2008)

A função kmeans() utilizada no Código 4.7 é função nativa do MATLAB. Aofinal da execução desse código, temos na variável IDX os dados da segmentação daimagem.

Este algorimo foi implementado com o objetivo de utilizar seus dados para com-paração com os demais algoritmos propostos pela literatura e implementados aquinesse estudo. Baseado na abordagem Fuzzy para detecção de bordas de imagens


digitais apresentada por Boaventura e Gonzaga (2007), ele também é apresentadocomo uma nova proposta de abordagem para o problema de segmentação de ima-gens dermatoscópicas.

Técnicas Fuzzy têm mostrado resultados promissores quando aplicadas paradetecção de bordas (BOAVENTURA; GONZAGA, 2007), sendo assim, a possibilidadede aplicação de tais métodos para imagens dermatoscópicas também pode trazer re-sultados relevantes.

Este algoritmo utiliza a segmentação baseada em agrupamento com aplicaçãoda lógica Fuzzy. Nesse tipo de técnica, para cada elemento x ∈ X, é calculado seugrau de pertinência µA associado com os agrupamentos existentes. Existem váriasfunções que podem ser utilizadas para se determinar o valor de µA, como, por exemplo,triangular, sigmoidal e gaussiana. A função de pertinência aqui utilizada, a gaussiana,é dada pela Equação 4.1:

µA(x) = e−(x−c)2

β , (4.1)

onde c e β são o centro do agrupamento e o tamanho do conjunto, respectivamente.

Quando a técnica é aplicada para imagens, cada um dos pixels da imagem éconsiderado um elemento, dessa forma, a pertinência µA é calculada para cada umdos pixels baseado em sua vizinhança. O algoritmo aqui utilizado calcula o grau depertencimento aplicando a função gausiana. Considerando uma imagem AN×M comN linhas eM colunas, a técnica é executada utilizando uma janela espacial de tamanhoW ×W , sendo W > 1, onde o grau de pertinência é o centro da região. O cálculo dograu de pertinência aqui utilizado é mostrada na Equação 4.2 e seu resultado é umvalor entre 0 e 1, onde 1 é o grau máximo de pertinência. A soma dos valores dosresultados de µp(i,j) para cada um dos agrupamentos é igual a 1.

µp(i,j) =

"Wk=1

"Wl=1 e

− (A(i,j)−c)2

β

W 2 − 1(4.2)

O Algoritmo 2 mostra o pseudocódigo da técnica, onde p representa cada ele-mento do conjunto P , N(p) corresponde à vizinhança de p e θ é o resultado final dasegmentação. O valor de pertinência de cada elemento é representado pela funçãoµN(p)(p) <= T , onde T é um valor de limiarização utilizado para binarização baseadono valor de pertinência.

Como mostrado no Algoritmo 2, a matriz de resultado θ é inicializada com seusvalores zerados. Após isso, o conjuto P , que contém os pixels da imagem, é percorridoe, para cada pixel, é calculado o grau de pertinência baseado em sua vizinhança N(p).Se o resultado da pertinência for menor ou igual ao limiar T previamente estabelecido,então, na segmentação final aquele pixel p tem seu valor igual a 1, ou seja, ele éconsiderado região de interesse.


Algoritmo 2 Pseudocódigo do algoritmo de agrupamento Fuzzy.1: procedure Segmentation(P )2: for all p ∈ P do3: θp ← 04: end for5: for all p ∈ P do6: for all q ∈ N(p) do7: calculate µN(p)(p)8: if µN(p)(p) <= T then9: θp ← 1

10: end if11: end for12: end for13: return θ14: end procedure

O código da técnica implementada está apresentada no Código B.1 no Apên-dice B e tem como dados de entrada a imagem a ser segmentada, o valor da função depertinência, aqui chamado de beta, e o tamanho W da janela de vizinhança ou máscara.O valor beta é utilizado para definição empírica da classe pela qual a região pertencedevendo ser maior de que zero. O limiar (T ) foi fixado como sendo 0.45. Após o cálculodo valor de pertinência, pixels com valores abaixo do limiar são considerados comoárea de interesse e, portanto, recebem valor 1.

Inicialmente, a função foi executada para três diferentes parâmetros de beta ecom dois diferentes parâmetros para w, ambos descritos no capítulos dos resultados.Após a execução do algoritmo com os parâmetros iniciais, durante uma análise maisprofunda dos resultados das segmentações, foi possível perceber que imagens quepossuíam artefatos, como cabelos, por exemplo, acabavam atrapalhando bastante oresultado final da segmentação. Este fato chamou atenção e levou a pesquisas sobre oque poderia ser aplicado em um pré-processamento para reduzir o efeito dos artefatose melhorar os resultados como um todo.

Alguns estudos presentes na literatura propõem soluções para remoção de ca-belos em imagens dermatoscópicas (ABBAS et al., 2013a; BORYS et al., 2015; ZHOUet al., 2008). Como os cabelos foram os artefatos que mais interferiram na segmenta-ção utilizando esta abordagem proposta, então, a aplicação de um pré-processamentocapaz de remover ou amenizar os efeitos por eles causados poderia se apresentarcomo uma boa opção a ser utilizada. Dessa forma, foi aplicada nas imagens uma ope-ração morfológica de fechamento em cada uma das camadas de cores RGB separa-damente utilizando um elemento estrutural quadrado de tamanho 11.

O Código 4.8 apresenta a técnica de pré-processamento escolhida. Ela foi apli-cada em toda a base de dados com o melhor dentre os parâmetros já utilizados an-


teriormente e com uma nova variação no tamanho da janela de vizinhança: w = 11.A função foi aplicada nas imagens antes do processo de segmentação, sendo o re-sultado do método hairRemoval() o parâmetro de imagem passada no Código B.1.Além de remover fios de cabelos, o método também é capaz de remover ou suavizarbolhas de gel presente em algumas imagens. Como mostrado no Código 4.8, as ima-gens passaram por uma operação morfológica de fechamento. Para isso, foi aplicadoo método imclose() nativo do MATLAB em cada uma das camadas de cores do RGBseparadamente e com o elemento estuturante quadrado criado utilizando função nativachamada strel().

Código 4.8 – Código de remoção de cabelos.1

2

3

4

5

6

7

8

9

10

Fonte: A Autora

A Figura 22 mostra um exemplo da imagem e de sua segmentação após aaplicação da técnica de pré-processamento. As imagens 22a e 22b são as imagenssem passar pelo processo de segmentação, sendo 22a a imagem original da basede dados e 22b a imagem após o pré-processamento. As imagens 22c e 22d sãoas imagens segmentadas utilizando a abordagem Fuzzy, sendo 22c o resultado dasegmentação utilizando a imagem 22a sem segmentação e a 22d o resultado com autilização do pré-processamento. Como é possível observar na imagem 22d, os efeitosdos fios de cabelos não afetaram a segmentação como anteriormente.

Proposto por Otsu (1975), trata-se de um método para seleção de limiares parabinarização de imagens de forma automatizada. É uma técnica de seleção não supervi-sionada, ou seja, sem a intervenção do usuário, que tem por objetivo encontrar limiaresadequados para separar áreas de interesse da imagem na fase de segmentação. Uti-liza a diferença Euclidiana para determinar os melhores valores de limiar. Trata-se deuma abordagem clássica para fins de comparação.


Figura 22 – Exemplo da execução da técnica de pré-processamento descrita do Có-digo 4.8. a) Imagem original com presença de fios de cabelos; b) Imagemapós a aplicação do algoritmo de pré-processamento; c) Resultado da seg-mentação para a imagem sem o pré-processamento; d) Resultado da seg-mentação utilizando o pré-processamento.


O código utilizado encontra-se no Anexo E.

Imagens ouro são produzidas por especialistas em dermatoscopia que marcama área da imagem que corresponde à lesão. Dessa forma, é cabível inferir que, umavez que a produção das imagens ouro depende da experiência do especialista emdermatoscopia, não há, de fato, uma métrica de qualidade objetiva. No entanto, essaidéia de análise objetiva é a que gera uma melhor noção da qualidade do algoritmo desegmentação. Dessa forma, as métricas utilizadas nesse estudo são baseadas nesseconceito de análise objetiva.

As métricas quantitativas utilizadas são baseadas no conceito de verdadeiro/-falso e positivo/negativo, como mostrado na Tabela 3, onde cada pixel da imagem écomparado com seu correspondente na imagem ouro e, então, é analisada a porcen-tagem de erros e acertos da imagem segmentada. A Tabela 3 mostra como é a compo-


sição do conceito de verdadeiro/falso e positivo/negativo. Na Figura 23 é demonstradoa representação das métricas utilizadas.

Tabela 3 – Definição do conceito de verdadeiro/falso e positivo/negativo.

.

PixelLesão Plano de Fundo

Lesão Verdadeiro Positivo (VP) Falso Negativo (FN)Plano de Fundo Falso Positivo (FP) Verdadeiro Negativo (VN)

Fonte: A Autora.

• Taxa de verdadeiro positivo (VP): indica a taxa de pixels classificados comolesão tanto na imagem segmentada automaticamente (IS) quanto na imagemouro (IO) segmentada pelo especialista. Quanto maior o valor dessa taxa, melhoré a performance do algoritmo. Seu cálculo é dado pela Equação 4.3 (MASOOD;AL-JUMAILY; MAALI, 2013).

VP(IS, IO) =IS

#IO

IO(4.3)

• Taxa de falso-positivo (FP): indica a taxa de pixels classificados como lesãona imagem segmentada mas que não estão classificados como lesão na ima-gem ouro. Seu cálculo é dado pela Equação 4.4 (MASOOD; AL-JUMAILY; MAALI,2013).

FP(IS, IO) =IS

#IO

IO(4.4)

• Taxa de verdadeiro negativo (VN): indica a taxa de pixels não classificadoscomo lesão em ambas as imagens. Seu cálculo é dado pela Equação 4.5.

VN(IS, IO) =IS

#IO

IO(4.5)

• Taxa de falso-negativo (FN): indica a taxa de pixels classificados como lesãona imagem ouro mas que não foram classificados como lesão pela imagem seg-mentada automaticamente. Seu cálculo é dado pela Equação 4.6 (MASOOD; AL-JUMAILY; MAALI, 2013).

FN(IS, IO) = 1− IS#

IOIO

(4.6)

Existem várias métricas estatísticas para medir a precisão da segmentação ba-seadas no conceito de verdadeiro/falso e positivo/negativo, esse estudo utiliza as mé-tricas sensibilidade, especificidade, índice Jaccard e balanced accuracy.


Figura 23 – Diagrama de representação das métricas utilizadas.

Fonte: Adapatado de (MASOOD; AL-JUMAILY; MAALI, 2013).

A sensibilidade reflete o quanto o algoritmo é eficaz em identificar corretamentea lesão na segmentação utilizando como base a sua imagem ouro, em outras palavras,a proporção de pixels verdadeiros positivos. É obtida através da Equação 4.7:

SE =VP

VP + FN(4.7)

A especificidade reflete o quanto o algoritmo é eficaz em identificar corretamentea região que não corresponde à lesão na segmentação utilizando como base a suaimagem ouro, isso significa que a métrica analisa a quantidade de pixels classificadoscomo verdadeiro negativo. É obtida através da Equação 4.8:

SP =VN

FP + VN(4.8)

Indica a similaridade de segmentação entre a imagem segmentada automatica-mente e a imagem ouro. É obtida através da equação 4.9. Resultados mais próximosde 1 significam que a segmentação é similar a sua imagem ouro; os resultados quetendem a zero são os que possuem diferenças significativas entre a segmentação au-tomatizada e a imagem ouro correspondente (LEMAÎTRE; YONG, 2010) (XIE; BOVIK,2013).

J =VP

VP + FN + FP(4.9)


O balanced accuracy (ou acurácia balanceada, em tradução livre) é a média dasensibilidade e da especificidade; dessa forma, valores que tendem a 1 significam quea segmentação está muito similar a sua imagem ouro, o inverso acontece com valorespróximos de zero. O BAC é obtido através da Equação 4.10.

BAC =SE + SP

2(4.10)

61

Este capítulo apresenta os resultados obtidos para cada uma das técnicas im-plementadas. Em cada uma delas, foram analisadas variações, como a aplicação demais de um parâmetro. Tudo isso é descrito a seguir.

Nesta seção são apresentados os resultados obtidos na segmentação das ima-gens. O resultado de cada algoritmo replicado é explicado em sua devida subseção.Por fim, são apresentados os resultados gerais de tudo o que foi analisado.

O algoritmo do ABD foi aplicado com variações no número k de classes doalgoritmo k-means. A Figura 24 mostra os resultados da execução com o parâmetrok = 5 e k = 10. As imagens na coluna da esquerda com marcação na cor vermelha sereferem à execução com o k = 5 e a imagem da coluna central ao k = 10. Marcaçõesem preto se referem à marcação ouro realizada, como já explicado anteriormente, porum especialista. A terceira coluna de imagens mostra a sobreposição das marcaçõescom ambos os parâmetros e a marcação ouro esperada.

Para fins comparativos e de análise, as métricas também foram separadas emduas subclasses de acordo com a base de dados, benignas e malignas, como mos-trado na Tabela 4. Não houve, no entanto, diferenças significativas quanto aos resul-tados das imagens benignas e malignas. É interessante observar que, no geral, osresultados das imagens benignas são levemente melhores de que o das imagens ma-lignas quando o parâmetro utilizado é o k = 5. Entretanto, o oposto acontece para oparâmetro k = 10, exceto, em ambos os casos, nos valores de especificidade.

A Figura 25 mostra o resultado final da aplicação do algoritmo considerando abase de dados completa, imagens malignas e imagens benignas. É possível observarque o algoritmo se apresentou eficaz na detecção da região na imagem que não cor-responde à região de interesse, em outras palavras, foi eficaz na detecção do planode fundo. No entanto, os resultados decaíram na detecção correta da lesão. Foi ob-servada uma quantidade significativa de casos em que a lesão não foi identificada naimagem, o que é retratado nos valores da especificidade e da sensibilidade. O baixovalor obtido no índice Jaccard também é resultado disto, uma vez que ele é um indica-

Capítulo 5. Resultados 62

Figura 24 – Exemplo de resultados da execução do algoritmo do ABD. a) Marcação emvermelho do algoritmo utilizando como parâmetro o k = 5; b) Marcação emamarelo do algoritmo utilizando como parâmetro o k = 10; c) Marcaçõesdo algoritmo com todos os parâmetros; a marcação em preto se refere aimagem ouro.

(a)———————————(b)———————————(c)Fonte: Imagem original retirada da base de dados (ISIC, 2016) e demais imagens

produzidas pela autora.


tivo da similaridade entre a imagem ouro e a imagem segmentada automaticamente.O resultado do BAC ser maior de que o Jaccard é consequência do valor da especifi-cidade ter sido elevado, porém vale observar que a sensibilidade não obteve valorestão altos.

Ainda conforme visualizado na Figura 25, o algoritmo apresentou os melhoresresultados em todas as métricas quando aplicado utilizando o parâmetro k = 10. Valeressaltar que o algoritmo utiliza a técnica K-Means e nesse método é esperado quevalores maiores para k apresentem melhores resultados. No entanto, quanto maior foro valor utilizado, mais lento será todo o processamento.

Tabela 4 – Resultados do algoritmo do ABD aplicado às imagens de lesões benignase malignas.

Benignas MalignasMétrica/Parâmetro k = 5 k = 10 k = 5 k = 10

Especificidade 0.790 0.846 0.803 0.864Sensibilidade 0.504 0.549 0.420 0.532Jaccard 0.383 0.475 0.348 0.452BAC 0.647 0.697 0.612 0.698

Fonte: A Autora.

Figura 25 – Gráfico de representação do resultado do algoritmo do ABD.

Especificidade Sensibilidade Jaccard BAC

0.4

0.5

0.6

0.7

0.8

0.9

0.796

0.462

0.366

0.629

0.855

0.540

0.464

0.698

k = 5 k = 10

Fonte: A Autora.


O algoritmo proposto por Masood, Al-Jumaily e Maali (2013) tem como parâ-metro sw, um valor que pode ser 0 (zero) ou 1. Ambas opções foram utilizadas pararealizar a segmentação.

Imagens das marcações das segmentações dos resultados são expostas naFigura 26. A coluna da (a), com marcações em amarelo, é referente ao parâmetrosw = 0 e a coluna (b), com marcações em vermelho, refere-se a sw = 1. Ambas asmarcações são sobrepostas e mostradas na coluna (c). As marcações em preto emtodas as imagens são referentes às marcações da imagem ouro da base de dados.

A Tabela 5 mostra os resultados considerando a divisão da base de dados emimagens benignas e malignas. É possível observar uma pequena melhora dos resul-tados nas imagens benignas em comparação com as malignas para ambos os parâ-metros estudados. Isso pode ser consequência do fato da base de dados de imagensbenignas ser quase quatro vezes maior que a quantidade de imagens malignas, sendoo sw = 1 melhor para ambos os subconjuntos.

A Figura 27 exibe a demostração gráfica dos resultados. Na especificidade oo algoritmo apresentou melhores resultados quando utilizado o parâmetro h = 0, noentanto, para o mesmo valor, os resultados da sensibilidade decaíram para menosda metade. Isso significa que com o h = 0, em muitas imagens não foi possível de-tectar corretamente a região da lesão, apresentando, assim, uma alta taxa de pixelsdetectados como falso-positivos. Isso pode ocorrer devido ao fato de o parâmetro uti-lizado considerar as duas menores regiões da imagem para localizar a lesão, sendoassim, algumas partes da lesão são automaticamente consideradas plano de fundo,a Figura 26 mostra a comparação das segmentações. Considerando as duas métri-cas citadas, é interessante observar ainda o valor da métrica BAC. Como o h = 1

obteve elevado resultado para a sensibilidade e a especificidade não decaíu significa-tivamente, o BAC apresenta melhor resultado para esse parâmetro. Quanto ao índiceJaccard, o h = 1 apresentou maior similaridade entre a imagem ouro e a imagemsegmentada. Em suma, o parâmetro sw = 0 apresentou maiores resultados apenasna especificidade, deste modo, pode-se concluir que para o algoritmo proposto porMasood, Al-Jumaily e Maali (2013), o sw = 1 apresentou melhor performance.


Figura 26 – Exemplo de resultados da execução do algoritmo proposto por Masood, Al-Jumaily e Maali (2013). a) Marcação em amarelo do algoritmo utilizandocomo parâmetro o sw = 0; b) Marcação em vermelho do algoritmo utili-zando como parâmetro o sw = 1; c) Marcações do algoritmo com todos osparâmetros; a marcação em preto se refere à imagem ouro.

(a)———————————(b)———————————(c)Fonte: Imagem original retirada da base de dados (ISIC, 2016) e demais imagens



Tabela 5 – Resultados do algoritmo proposto por Masood, Al-Jumaily e Maali (2013)aplicado às imagens de lesões benignas e malignas.

Benignas MalignasMétrica/Parâmetro sw = 0 sw = 1 sw = 0 sw = 1


Fonte: A Autora.

Figura 27 – Gráfico de representação do resultado do algoritmo proposto por Masood,Al-Jumaily e Maali (2013).


0.4

0.5

0.6

0.7

0.8

0.9

1 0.970

0.4710.432

0.7210.754

0.859

0.551

0.806

h = 0 h = 1

Fonte: A Autora.

O algoritmo permite variações no número de divisões do histograma da imagemem cada dimensão, h. Foram estudados dois valores, h = 5 e h = 10.

Exemplos da segmentação podem ser vistos na Figura 28. A coluna (a), commarcações em vermelho, corresponde ao resultado do Algoritmo do MDB aplicado como parâmetro h = 5. A coluna (b) destaca em amarelo a marcação dos resultados parah = 10. A coluna (c) apresenta os resultados de ambos os parâmetros sobrepostos.Todas as marcações na cor preta correspondem às imagens ouro.


A Tabela 6 apresenta os resultados separados de acordo com a subdivisão dabase de dados. Os resultados das base benigna possuem uma pequena melhora nosresultados, ainda que mínima. Vale resaltar que a base de dados é composta por umamaior quantidade de dados benignos. Para ambas as bases, o h = 10 apresentoumelhores resultados.

Pela representação gráfica denotada na Figura 29 é possível observar que oresultado da especificidade foi consideravelmente elevado para ambos os parâmetros,mas especialmente para o h = 5. Isso significa que mais de 90% das regiões dasimagens que foram, segundo a imagem ouro, classificadas como plano de fundo, fo-ram também assim identificadas na segmentação. Contudo, os bons resultados nãose refletiram na detecção na região de interesse, a área da lesão, como mostra os re-sultados da sensibilidade. Observando ainda a similaridade entre ambas as imagenscomparadas no índice Jaccard, é possível notar que os resultados do h = 10 forammais aproximados do resultado esperado de que o primeiro parâmetro. O BAC de-monstra ainda o reflexo do baixo valor da sensibilidade para o h = 5. Considerandotodas as métricas estudadas, é possível inferir que o parâmetro h = 10 apresentou osmelhores resultados para o algoritmo do MDB.

Tabela 6 – Resultados do algoritmo do MDB aplicado às imagens de lesões benignase malignas.

Benignas MalignasMétrica/Parâmetro h = 5 h = 10 h = 5 h = 10


Fonte: A Autora.


Figura 28 – Exemplo de resultados da execução do algoritmo do MDB. a) Marcação emvermelho do algoritmo utilizando como parâmetro o h = 5; b) Marcação emamarelo do algoritmo utilizando como parâmetro o h = 10; c) Marcaçõesdo algoritmo com todos os parâmetros; a marcação em preto se refere àimagem ouro.

(a)——————————–(b)——————————–(c)Fonte: Imagem original retirada da base de dados (ISIC, 2016) e demais imagens



Figura 29 – Gráfico de representação do resultado do algoritmo do MDB.


0.2

0.4

0.6

0.8

1 0.957

0.180 0.155

0.566

0.916

0.4760.421

0.696

h = 5 h = 10

Fonte: A Autora.

Os resultados da execução do Algoritmo de Otsu são apresentados na Tabela7. Para esse algoritmo não houve variações em parâmetros, apenas a imagem a sersegmentada foi passada como parâmetro. A base de dados foi analisada de formaseparada, imagens benignas e malignas, e completa.

Os resultados das imagens benignas mostraram-se um pouco melhor de que oresultado para as imagens malignas, com diferenças pouco significativas, ver Tabela7. Na mesma tabela é possível observar na última coluna os resultados considerandoa base de dados completa. O algoritmo apresentou 93% de sucesso na detecção deregião da imagem correspondente ao plano de fundo, no entanto, na métrica reponsá-vel por avaliar a porcentagem de acerto na detecção da lesão, a taxa caiu para 69%. Amédia dos dois valores apresentada em BAC mostra que apesar da sensibilidade terapresentado um valor menor, a média ainda ficou acima dos 80%. Contudo, o valor dasimilaridade entre as imagens ouro e a segmentada, o índice Jaccard, não conseguiuatingir os 60%.

Inicialmente esta abordagem foi analisada com variações no valor de beta, dafunção de pertinência. Foram assumidos os valores beta = 0.4, beta = 0.5 e beta = 0.6.


Tabela 7 – Resultados do Algoritmo Otsu aplicado às imagens de lesões benignas emalignas separadas e resultados da base de dados completa.

Benignas Malignas Completa

Especificidade 0.937 0.923 0.930Sensibilidade 0.719 0.664 0.691Jaccard 0.605 0.573 0.589BAC 0.828 0.793 0.811

Fonte: A Autora.

Todos os valores de beta foram também aplicados na variação do valor do tamanho dajanela de vizinhança ou máscara, w.

As Tabelas 8 e 9 mostram os resultados das execuções do algoritmo com cadaum dos valores de beta com o parâmetro w = 7 e w = 9, considerando a divisão dabase de dados. Para o primeiro parâmetro, os dados das imagens benignas obtiveramuma pequena melhora nos resultados se consideradas as imagens malignas. Dentreas imagens benignas o parâmetro beta com melhor performance foi o beta = 0.6, verTabela 8. Para o w = 9, as imagens benignas também apresentaram resultados leve-mente melhores, sendo também o beta = 0.6 o melhor dentre os valores de beta paraesse subconjunto da base de dados, ver Tabela 9. Dentre os dois melhores valorespara a base de dados benigna, a janela de tamanho w = 9 aplicado com o beta = 0.6

foi o que apresentou a melhor performance.

Tabela 8 – Resultados da abordagem proposta aplicados às imagens de lesões benig-nas e malignas utilizando o parâmetro w = 7.

Métrica / Benignas MalignasParâmetro beta = 0.4 beta = 0.5 beta = 0.6 beta = 0.4 beta = 0.5 beta = 0.6

Especificidade 0.965 0.908 0.809 0.960 0.908 0.830Sensibilidade 0.414 0.609 0.742 0.350 0.528 0.666Jaccard 0.364 0.484 0.525 0.308 0.433 0.494BAC 0.690 0.758 0.776 0.655 0.718 0.748

Fonte: A Autora.

As Figuras 30 e 31 mostram a representação gráfica dos resultados de w = 7

para cada um dos parâmetros beta utilizando a base de dados completa, imagens ma-lignas e benignas. Dentre todas as métricas, bem como nos demais algoritmos anali-sados neste trabalho, os valores obtidos na especificidade foram maiores de que osvalores das demais métricas. É interessante observar que, apesar do beta = 0.4 ter ob-tido uma porcetagem bem alta de acertos na região que corresponde ao plano de fundo


Tabela 9 – Resultados do algoritmo da abordagem proposta aplicados às imagens delesões benignas e malignas utilizando o parâmetro w = 9.

Métrica / Benignas MalignasParâmetro beta = 0.4 beta = 0.5 beta = 0.6 beta = 0.4 beta = 0.5 beta = 0.6

Especificidade 0.958 0.885 0.783 0.947 0.885 0.785Sensibilidade 0.520 0.697 0.800 0.435 0.612 0.733Jaccard 0.450 0.537 0.551 0.377 0.490 0.518BAC 0.739 0.791 0.791 0.691 0.749 0.759

Fonte: A Autora.

das imagens analisadas, a taxa de acerto da região da lesão foi baixa, não chegandoaos 40%. De acordo com o que os valores de beta foram aumentando, os resultadostambém foram melhorando, até que chegamos no beta = 0.6 como o melhor parâme-tro beta para a máscara w = 7. Os resultados de w = 9 apresentaram comportamentobastante semelhante ao w = 7, inclusive o melhor resultado para beta foi também o 0.6.Um detalhe é que, para esse parâmetro, as métricas de especificidade e sensibilidadenão apresentaram grandes disparidades entre si.

Dentre os dois valores de janela apresentados, w = 9 e w = 7, considerando omelhor resultado da execução de cada um deles, o w = 9 obteve melhor performance,como observado na Figura 32. Portanto, inicialmente para essa abordagem proposta,foi considerado como melhor resultado o parâmetro w = 9 juntamente com o beta = 0.6.Resultados da segmentação do w = 9 podem ser vistos na Figura 33, onde na coluna(a) as marcações em amarelo correspondem ao resultado do beta = 0.4, a coluna (b)com marcações em vermelho são do beta = 0.5 e a coluna (c) reflete os resultados dobeta = 0.6. Na coluna (d) é possível ver o resultado de todos os parâmetros sobrepos-tos. Em todas as colunas, as marcações em preto são da imagem ouro.


Figura 30 – Gráfico de representação do resultado da abordagem algoritmica propostautilizando os parâmetros w = 7.

Parâmetro w = 7


0.4

0.6

0.8

1 0.963

0.3820.336

0.672

0.908

0.568

0.459

0.738

0.819

0.704

0.509

0.762

beta = 0.4 beta = 0.5 beta = 0.6

Fonte: A Autora.

Figura 31 – Gráfico de representação do resultado da abordagem algoritmica propostautilizando os parâmetros w = 9.

Parâmetro w = 9


0.4

0.5

0.6

0.7

0.8

0.9

1 0.953

0.478

0.414

0.715

0.885

0.655

0.514

0.7700.784 0.767

0.535

0.775

beta = 0.4 beta = 0.5 beta = 0.6

Fonte: A Autora.


Figura 32 – Gráfico de representação do resultado do Algoritmo Proposto sem pré-processamento.


0.5

0.6

0.7

0.8

0.819

0.704

0.509

0.7620.784

0.767

0.535

0.775

w = 7 w = 9

Fonte: A Autora.


Figura 33 – Exemplo de resultados da execução do algoritmo com abordagem Fuzzypara o parâmetro w = 9. a) Marcação em amarelo do algoritmo utilizandocomo parâmetro o beta = 0.4; b) Marcação em vermelho do algoritmo uti-lizando como parâmetro o beta = 0.5; c) Marcação em azul do algoritmoutilizando como parâmetro o beta = 0.6; d) Marcações do algoritmo comtodos os parâmetros; marcações em preto se referem à imagem ouro.

(a)————————-(b)————————-(c)————————-(d)Fonte: Imagem original retirada da base de dados (ISIC, 2016) e demais imagens



De forma geral, a melhor taxa obtida para a segmentação utilizando a aborda-gem Fuzzy ainda se mostrou baixa, o índice que mede a similaridade entre a segmen-tação e a imagem ouro, o Índice Jaccard, o resultado foi menor de que 54%. Diantedisso, foi pensado no que poderia elevar esses resultados, de forma que a técnica setornasse melhor classificada.

Os resultados da segmentação mostraram que qualquer pequeno artefato pre-sente na imagem atrapalhou significantemente o resultado final da segmentação. Valelembrar que a base de dados utilizada nos testes desse estudo não possui imagenscom grande presença de artefatos, no entanto, ainda assim os resultados decaíramsignificantemente mesmo se os fios de cabelos fossem poucos. A possibilidade demelhorar a segmentação final poderia ser aplicada nesse ponto fraco do algoritmo.

Com base nos resultados anteriores, o algoritmo foi executado novamente coma aplicação de um método de pré-processamento para remoção e/ou suavização dospequenos artefatos presentes nas imagens, como, por exemplo, os pelos. Tambémfoi percebido que quanto maior o tamanho da janela de vizinhança, melhores eramos resultados. Dessa forma, as imagens foram submetidas a um novo parâmetro, ow = 11. Testes foram feitos com valores de beta = 0.6 e beta = 0.9 com a inserção dopré-processamento. Os valores beta = 0.4 e beta = 0.5 não foram testados pois nãoapresentaram os melhores resultados na execução anterior.

A Figura 34 mostra uma comparação dos resultados das segmentações. Mar-cações em preto em todas as imagens correspondem à segmentação da imagem ouro.A coluna (a) marca em amarelo os resultados do melhor parâmetro aplicado sem o pré-processamento, o w = 9 e beta = 0.6. Como essas imagens possuem fios de cabelosou outros artefatos, os resultados ficam bem alterados do esperado. Na coluna (b) éutilizado o pré-processamento e os parâmetros w = 11 e beta = 0.6. A coluna (c) mos-tra os resultados do w = 11 e beta = 0.9 também com pré-processamento. É possívelnotar que a aplicação do método para redução do efeito dos artefatos nas imagens fazcom que os resultados foquem mais na lesão. A coluna (d) mostra todos os resultadossobrepostos.

A Tabela 10 mostra os resultados da execução considerando a base de da-dos completa. Nas novas condições utilizadas, o beta = 0.6 demonstrou performancemais baixa do que a execução anterior sem o pré-processamento. Isso pode ser con-sequência da janela de vizinhança não ser muito compatível com o valor de beta = 0.6.Entretanto, os resultados de beta = 0.9 foram bem maiores, inclusive maiores de queos resultados da segmentação sem a aplicação do pré-processamento.


Figura 34 – Exemplo de resultados da execução do algoritmo com abordagem Fuzzycom pré-processamento. a) Marcação em amarelo do algoritmo utilizandocomo parâmetro o beta = 0.6 e o w = 9; b) Marcação em vermelho doresultado utilizando como parâmetro o beta = 0.6 e o w = 11; c) Marcaçãoem azul do algoritmo utilizando como parâmetro o beta = 0.9 e o w = 11;d) Marcações do algoritmo com todos os parâmetros; marcações em pretose referem à imagem ouro.

(a)————————-(b)————————-(c)————————-(d)Fonte: Imagem original retirada da base de dados (ISIC, 2016) e demais imagens



Tabela 10 – Resultados do Algoritmo Proposto aplicado à base de dados completa uti-lizando o parâmetro w = 11.

Métrica/Parâmetro beta = 0.6 beta = 0.9

Especificidade 0.986 0.941Sensibilidade 0.536 0.767Jaccard 0.499 0.653BAC 0.761 0.854

Fonte: A Autora.

Levando todo o estudo da aplicação da técnica Fuzzy em consideração e, ba-seado nos resultados, pode-se inferir que para o algoritmo analisado sua performancecom maiores porcentagens de acertos foi utilizando o parâmetro beta = 0.9 juntamentecom w = 11 e com o pré-processamento.

Os algoritmos escolhidos foram analisados individualmente para escolha do pa-râmetro que apresenta os melhores resultados nas métricas utilizadas. Após esse pro-cesso, os melhores resultados de cada uma das métricas foram comparados paraavaliação do algoritmo que obteve melhor performance. A representação gráfica dosvalores é apresentada na Figura 35.

O algoritmo proposto por Masood, Al-Jumaily e Maali (2013) apresentou, dentreos três algoritmos do estado da arte analisados, a melhor performance, obtendo emtodas as métricas exceto na especificidade em média 10% de diferença com os demaisalgoritmos. Nele, a presença de artefatos nas imagens, como por exemplo pelos, nãochegou a interferir significativamente no resultado final.

Dentre os algoritmos analisados, como mostrado na Figura 35, foi possívelpropor uma abordagem que apresentou os melhores resultados. A técnica utilizandoFuzzy atingiu pouco mais de 65% no índice que mede a similaridade entre as seg-mentações. Isso é um resultado maior de que o de Otsu em mais de 6%. No BAC, aabordagem também alcançou os maiores resultados, chegando a 85% de sucesso. Emtodas as métricas aqui consideradas, o algoritmo obteve as maiores porcentagens deacerto. Isso mostra que a técnica Fuzzy pode ser aplicada em imagens dermastoscópi-cas e, com o devido tratamento e análise da aplicação, os resultados são promissores,podendo vir a trazer melhorias e avanços significativos na automação do diagnósticodo melanoma.


Figura 35 – Gráfico de representação dos melhores resultados dos algoritmos analisa-dos.


0.4

0.6

0.8

1

0.855

0.540

0.464

0.698

0.754 0.

859

0.551

0.806

0.916

0.476

0.421

0.696

0.930

0.691

0.589

0.811

0.941

0.767

0.653

0.854

Algoritmo do ABD Algoritmo de Masood Algoritmo do MBDAlgoritmo de Otsu Abordagem Proposta

Fonte: A Autora.

Foi observado que o Algortimo de Otsu apresentou, de um modo geral, melhorperformance de que o Algoritmo do ABD proposto por Abbas et al. (2013c). Sabe-se que o algoritmo do ABD utiliza sua segmentação baseada em Otsu. No entanto,sua performance obteve resultados inferiores. Em um estudo mais profundo, percebe-se que as técnicas de remoção de ilhas e a remoção de buracos aplicadas no pós-processamento auxiliam no melhoramento dos resultados em algumas das imagens,no entanto, em situações em que a imagem possui artefatos formando uma espéciede borda ou mesmo o efeito vinheta, o resultado final torna-se totalmente comprome-tido, reduzindo significantemente os valores da sensibilidade. A aplicação de técnicasde remoção de pelo e de outros artefatos durante o pré-processamento pode impulsi-onar resultados mais significativos para esse algoritmo, posto que, imagens em boascondições de segmentação alcançaram bons resultados.

Analisando mais profundamente o algoritmo proposto por Masood, Al-Jumailye Maali (2013), é possível notar que a execução do algoritmo utilizando o parâmetrosw = 0, que identifica dentre as duas menores regiões geradas no Fuzzy C-Meansa área de interesse, para imagens onde as lesões possuem diferentes tonalidadesde cores, o algoritmo consegue identificar apenas uma parte da lesão, sendo essaregião uma área de tonalidade mais uniforme. O sw = 1 obteve mais sucesso por


conseguir identificar a região da lesão por completo, mesmo havendo diferenças detonalidades. Este fato também pode ser observado na Figura 26. Um ponto que podeser otimizado nele é trabalhar melhor a detecção da região de interesse em imagensem que o contraste entre a lesão e a área da pele não lesionada não é tão grande.Em algumas das imagens da base de dados, especialmente as imagens benignas,o algoritmo falhou em identificar a região de interesse. Outra melhoria pode ser naaplicação em imagens que possuem o efeito vinheta. A base de dados utilizada nesseestudo possui poucas imagens com efeito vinheta muito acentuado, mas, nas poucasque apresentavam levemente o efeito, o resultado não teve uma baixa porcentagemde similaridade com a imagem ouro, especialmente quando as lesões possuíam poucocontraste com a área não lesionada.

O algoritmo do MDB, por utilizar segmentação baseada na detecção de borda,teve seus resultados bastante comprometidos pelo fato de muitas imagens da basede dados utilizada possuírem uma diferença no valor dos pixels que ficam mais naborda da imagem. Esse fato não é visivelmente claro ao se observar a imagem, masno passo-a-passo da etapa de segmentação, foi possível notar. Por conta disso, muitosdos resultados da segmentação falharam, identificando toda a região da imagem comolesão ou o inverso. Essa característa das imagens utilizadas não chegou a comprome-ter outros algoritmos, mas no algoritmo do MDB as consequências ficaram visíveis nosresultados das métricas, especialmente na sensibilidade e no índice Jacard.

80

Este trabalho apresenta um estudo comparativo entre técnicas de segmentaçãode imagens aplicadas a imagens dermatoscópicas visando a detecção do melanoma.Os algoritmos escolhidos para a análise fazem parte de um levantamento apresen-tado no estado da arte e, cada um deles, utiliza uma técnica de segmentação diferente,sendo elas: limiarização, agrupamento, segmentação por região e por borda. Além dosalgoritmos presentes na literatura, foi observada a possibilidade de aplicação de umatécnica de segmentação existente, mas que não foram encontrados estudos sobre suaaplicação em bases dermastoscópicas. Essa técnica, baseada na abordagem Fuzzy,teve sua implementação replicada e também analisada. Por fim, toda a base de dadostambém foi executada no já conhecido algoritmo de Otsu. Esse algoritmo auxiliou ser-vindo como uma base para comparação dos resultados dos demais algoritmos. Todasas técnicas foram replicadas de acordo com suas descrições publicadas na literaturae foram executadas em uma base de dados contendo 571 imagens dermastoscópicas.As métricas consideradas para a análise foram especificidade, sensibilidade, índiceJaccard e BAC.

Os algoritmos foram implementados seguindo passos descritos em cada umdos estudos. As replicações foram realizadas sendo o mais fiel possível a suas descri-ções e variações nos parâmetros de entrada foram aplicadas objetivando a obtençãodos melhores resultados.

Dentre os algoritmos do estado da arte analisados, o que obteve melhor per-formance foi o algoritmo proposto por Masood, Al-Jumaily e Maali (2013), chegandoa uma taxa de detecção correta da região de interesse de 86%. No entanto, quandocomparado ao algoritmo de Otsu e considerando todas as métricas, a técnica propostapor Masood, Al-Jumaily e Maali (2013) não apresentou melhor performance. Variaçõesna técnica algorítmica proposta, aplicadas posteriormente a sua análise, possibilitaramuma melhora significativa nas métricas utilizadas. Após a primeira execução, foi possí-vel observar pontos que poderiam ser trabalhados e eles foram aplicados em conjuntocom a técnica de segmentação. Considerando todos os cinco algoritmos aqui apre-sentados, todas as métricas utilizadas no estudo e a execução de todos, utilizandoa mesma base de dados, o algoritmo proposto juntamente com a aplicação de umpré-processamento nas imagens foi o que obteve os melhores resultados.

Dentre as técnicas analisadas a que apresentou melhores resultados foi a que

Capítulo 6. Conclusão 81

utiliza sua segmentação baseada no algoritmo Fuzzy e com a aplicação de um pré-processamento nas imagens. Também foram observados pontos de melhoria nos al-goritmos estudados, esses pontos podem vir a trazer diferenças significativas em seusresultados. Adicionamente, foi observado que passos de pré e pós-processamento po-dem ser adicionados visando a obtenção de resultados mais precisos. Contudo, essesmétodos adicionais devem ser bem analisados para que eles não venham a provocarefeitos que possam comprometer os resultados quando utilizados em bases de dadosdiferentes das que foram inicialmente testadas. Uma das principais limitações obser-vadas, de uma forma geral, nos processos de segmentação utilizados foi referente acomo o procedimento fica comprometido quando as imagens possuem artefatos, taiscomo pelo, ou não seguem um padrão específico, como, por exemplo, o fato de algu-mas imagens possuírem os pixels das bordas com valores muito distintos dos pixelsda imagem completa, criando uma espécie de borda nas imagens.

Ao fim de todo o processo de estudo, replicação de algoritmos, execução e aná-lise, é possível perceber que a aplicação de técnicas de segmentação para a detecçãode lesões de pele em imagens dermatoscópicas tem potencial para ser bem sucedida.Esse tipo de imagem de pele possui várias particularidades que, por esse motivo, aca-bam necessitando de atenção específica para garantir que todas elas serão devida-mente consideradas e tratadas. Vale também ressaltar a importância de avanços naautomação do processo de detecção de melanoma atualmente. Os resultados do su-cesso desse procedimento vêm a auxiliar toda a comunidade no geral e, em especial,os principais envolvidos no processo de diagnóstico: médicos e pacientes.

Por fim, resultados preliminares desse trabalho foram apresentados na XVI Jor-nada de Ensino, Pesquisa e Extensão (JEPEX 2016) realizada na Universidade Fede-ral Rural de Pernambuco. Resultados finais foram submetidos ao 30th IEEE Internati-onal Symposium on Computer-Based Medical Systems - IEEE CBMS 2017, simpósioa ser realizado em Thessaloniki - Grécia. Ainda são aguardados resultados da submis-são.

Este estudo focou em analisar os resultados da segmentação de imagens dotipo dermatoscópicas, todos os resultados foram comparados com as suas imagensouro correspondentes, que tiveram suas marcações realizadas por especialistas naárea. O processo de segmentação possui grande importância no resultado final daclassificação da lesão como maligna ou benigna, mas também é interessante analisartécnicas de classificação que podem ser utilizadas com sucesso em imagens derma-toscópicas que passaram pelo processo de segmentação. A etapa de classificação

Capítulo 6. Conclusão 82

é responsável por indicar a probabilidade da lesão mostrada na imagem ser malignaou benigna. Existem várias técnicas de classificação descritas na literatura, tambémé pertinente analisar qual método de classificação melhor se adequa às técnicas desegmentação mais promissoras.

Uma outra abordagem para automação da detecção de melanoma utilizandoimagens dermatoscópicas é a aplicação de descritores de imagens. Trata-se de umaabordagem diferente da segmentação, mas com possibilidades de obtenção de bonsresultados. Comparar quais dentre os dois tipos de técnicas, segmentação e poste-rior classificação ou a extração de caracteríscas e classificação utilizando descritores,apresenta melhor performance também é algo que viria a acrescentar bastante na evo-lução dos estudos da detecção automatizada do melanoma.

83

ABBADI, N. K. E.; MIRY, A. H. Automatic segmentation of skin lesions using histogramthresholding. Journal of Computer Science, Science Publications, v. 10, n. 4, p. 632,2014. Citado na página 44.

ABBAS, Q. et al. A feature-preserving hair removal algorithm for dermoscopy images.Skin Research and Technology, Wiley Online Library, v. 19, n. 1, p. e27–e36, 2013.Citado na página 55.

ABBAS, Q. et al. A perceptually oriented method for contrast enhancement andsegmentation of dermoscopy images. Skin Research and Technology, Wiley OnlineLibrary, v. 19, n. 1, p. e490–e497, 2013. Citado 3 vezes nas páginas 44, 46 e 52.

ABBAS, Q. et al. Unified approach for lesion border detection based on mixturemodeling and local entropy thresholding. Skin Research and Technology, Wiley OnlineLibrary, v. 19, n. 3, p. 314–319, 2013. Citado 7 vezes nas páginas 11, 43, 46, 48, 49,51 e 78.

AGRAWAL, A.; GUPTA, H. Global k-means (gkm) clustering algorithm: A survey.International Journal of Computer Applications, Foundation of Computer Science,v. 79, n. 2, 2013. Citado 2 vezes nas páginas 39 e 40.

ALVARENGA, V. A. et al. Aplicação de operadores morfológicos na segmentação edeterminação do contorno de tumores de mama em imagens por ultra-som. Rev. bras.eng. biomed, v. 19, n. 2, p. 91–102, 2003. Citado na página 36.

American Cancer Society. Melanoma Skin Cancer. 2016. Último acesso 07 de abrilde 2016. Disponível em: <”http://www.cancer.org/cancer/skincancer-melanoma/detailedguide/melanoma-skin-cancer-what-is-melanoma”>. Citado na página 17.

ARGENZIANO, G.; SOYER, H. P. Dermoscopy of pigmented skin lesions–a valuabletool for early. The lancet oncology, Elsevier, v. 2, n. 7, p. 443–449, 2001. Citado 2vezes nas páginas 17 e 18.

ARGENZIANO, G. et al. Dermoscopy of pigmented skin lesions: results of a consensusmeeting via the internet. Journal of the American Academy of Dermatology, Elsevier,v. 48, n. 5, p. 679–693, 2003. Citado na página 19.

BEZDEK, J. C. Pattern recognition with fuzzy objective function algorithms. KluwerAcademic Publishers, 1981. Citado na página 40.

BOAVENTURA, I. A. G.; GONZAGA, A. Uma abordagem fuzzy para detecção debordas em imagens digitais. In: Congresso Nacional de Matemática Aplicada eComputacional (CNMAC), XXX. [S.l.: s.n.], 2007. Citado na página 54.

BORYS, D. et al. A simple hair removal algorithm from dermoscopic images. In:SPRINGER. International Conference on Bioinformatics and Biomedical Engineering.[S.l.], 2015. p. 262–273. Citado na página 55.

Referências 84

BRAUN, R.; FRENCH, L.; SAURAT, J. Dermoscopy of pigmented lesions: a valuabletool in the diagnosis of melanoma. Swiss medical weekly, Citeseer, v. 134, n. 7/8, p.83–90, 2004. Citado na página 27.

Cancer Compass. Melanoma Information. 2016. Último acesso 26 de Abril de 2016.Disponível em: <”https://www.cancercompass.com/melanoma-information.htm”>.Citado na página 17.

CARDANI, D. Adventures in hsv space. Laboratorio de Robótica, Instituto TecnológicoAutónomo de México, Citeseer, 2001. Citado na página 45.

CARLI, P. et al. The problem of false-positive diagnosis in melanoma screening: theimpact of dermoscopy. Melanoma research, LWW, v. 13, n. 2, p. 179–182, 2003.Citado na página 17.

CASCINELLI, N. et al. A possible new tool for clinical diagnosis of melanoma: thecomputer. Journal of the American Academy of Dermatology, Elsevier, v. 16, n. 2, p.361–367, 1987. Citado na página 17.

CELEBI, M. E. et al. Lesion border detection in dermoscopy images using ensemblesof thresholding methods. Skin Research and Technology, Wiley Online Library, v. 19,n. 1, p. e252–e258, 2013. Citado 2 vezes nas páginas 43 e 46.

CELEBI, M. E. et al. A state-of-the-art survey on lesion border detection in dermoscopyimages. [S.l.]: Boca Raton, CRC Press, 2015. 97–129 p. Citado 6 vezes nas páginas18, 20, 21, 22, 23 e 45.

Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia - CEPSRM- UFRGS. Estrutura das Imagens de SR. 2016. Último acesso 19 de Novembro de2016. Disponível em: <”http://www.ufrgs.br/engcart/PDASR/estrim.html”>. Citado napágina 30.

Damien Garcia. Image segmentation using Otsu thresholding. 2010. Último acesso 19de Novembro de 2016. Disponível em: <”https://www.mathworks.com/matlabcentral/fileexchange/26532-image-segmentation-using-otsu-thresholding/”>. Citado napágina 110.

Dermoscopy. Dermoscopy Tutorial. 2016. Último acesso 07 de Abril de 2016.Disponível em: <”http://www.dermoscopy.org/atlas/base.htm”>. Citado 2 vezes naspáginas 18 e 27.

DUNN, J. C. A fuzzy relative of the isodata process and its use in detecting compactwell-separated clusters. Taylor & Francis, 1973. Citado na página 40.

FRANÇA, R. N. File:Representação de uma imagem digital - Matriz de pixel. 2016.Último acesso 22 de Setembro de 2016. Disponível em: <”https://commons.wikimedia.org/wiki/File:Representa%C3%A7%C3%A3o_de_uma_imagem_digital_-_Matriz_de_pixel.jpg”>. Citado na página 29.

GARNAVI, R. et al. Border detection in dermoscopy images using hybrid thresholdingon optimized color channels. Computerized Medical Imaging and Graphics, Elsevier,v. 35, n. 2, p. 105–115, 2011. Citado 2 vezes nas páginas 20 e 21.

Referências 85

GLAISTER, J. et al. Msim: Multistage illumination modeling of dermatologicalphotographs for illumination-corrected skin lesion analysis. IEEE Transactions onBiomedical Engineering, IEEE, v. 60, n. 7, p. 1873–1883, 2013. Citado na página 20.

GONZALEZ, R. C.; WOODS, R. E.; EDDINS, S. L. Morphological Reconstruction.2010. MATLAB Digest - Academic edition; Digital Image Processing Using MATLAB.Último acesso 06 de Maio de 2016. Disponível em: <”http://www.mathworks.com/tagteam/64199_91822v00_eddins_final.pdf”>. Citado na página 44.

GONZALEZ, R. C.; WOODS, R. E. et al. Digital image processing. [S.l.]: Prentice hallUpper Saddle River, NJ:, 2002. Citado 4 vezes nas páginas 28, 33, 36 e 37.

GUILHON, R. J. Processamento de imagem. Notas de aula da disciplinaProcessamento de Imagens - INF2608 - PUC-Rio. 2013. Disponível em: <”https://webserver2.tecgraf.puc-rio.br/~mgattass/fcg/trb13/RaquelGuilhon/trabalho1.html”>.Citado na página 33.

HALPERN, A. C.; LIEB, J. A. Early melanoma diagnosis: a success story that leavesroom for improvement. Current opinion in oncology, LWW, v. 19, n. 2, p. 109–115,2007. Citado na página 18.

HAMPEL, F. R. et al. Robust statistics: the approach based on influence functions.[S.l.]: John Wiley & Sons, 2011. v. 114. Citado 2 vezes nas páginas 32 e 33.

HUBER, P. J. Robust statistics. [S.l.]: Springer, 2011. Citado 2 vezes nas páginas 32e 33.

Instituto Nacional de Câncer José Alencar Gomes da Silva – INCA. Pele Melanoma.2016. Último acesso 07 de Abril de 2016. Disponível em: <”http://www2.inca.gov.br/wps/wcm/connect/tiposdecancer/site/home/pele_melanoma/definicao”>. Citado napágina 17.

ISIC. ISIC Archieve: The International Skin Imaging Collaboration: Melanoma Project.2016. Último acesso 24 de Abril de 2016. Disponível em: <”https://isic-archive.com/#”>.Citado 11 vezes nas páginas 20, 47, 50, 51, 57, 62, 65, 68, 74, 76 e 91.

JOEL, G. et al. Validation of segmentation techniques for digital dermoscopy. SkinResearch and Technology, Wiley Online Library, v. 8, n. 4, p. 240–249, 2002. Citadona página 23.

JOLLIFFE, I. Principal Component Analysis. [S.l.]: Wiley Online Library, 2002. Citadona página 45.

KITTLER, H. et al. Diagnostic accuracy of dermoscopy. The lancet oncology, Elsevier,v. 3, n. 3, p. 159–165, 2002. Citado na página 18.

KÖRBES, A.; LOTUFO, R. Analise de algoritmos da transformada watershed. In: 17thInternational Conference on Systems, Signals and Image Processing. [S.l.: s.n.], 2010.Citado na página 21.

LEMAÎTRE, G.; YONG, E. W. Evaluation measures for segmentation. 2010. Citadona página 59.

Referências 86

MAINTZ, T. Digital and medical image processing. Universiteit Utrecht, 2005. Citadona página 40.

MANJON-HERRERA, J. V. Kmeans Image Segmentation. 2005. Último acesso10 de outubro de 2016. Disponível em: <”http://in.mathworks.com/matlabcentral/fileexchange/8379-kmeans-image-segmentation/content/kmeans.m”>. Citado napágina 96.

MANJON-HERRERA, J. V. EM image segmentation. 2006. Último acesso 19 deNovembro de 2016. Disponível em: <”https://www.mathworks.com/matlabcentral/fileexchange/10956-em-image-segmentation”>. Citado na página 99.

MARCAL, A. R. et al. Evaluation of the menzies method potential for automaticdermoscopic image analysis. In: CompIMAGE. [S.l.: s.n.], 2012. p. 103–108. Citadona página 19.

MASOOD, A.; AL-JUMAILY, A. A. Computer aided diagnostic support system for skincancer: a review of techniques and algorithms. International journal of biomedicalimaging, Hindawi Publishing Corporation, v. 2013, 2013. Citado na página 18.

MASOOD, A.; AL-JUMAILY, A. A.; MAALI, Y. Level set initialization based onmodified fuzzy c means thresholding for automated segmentation of skin lesions. In:SPRINGER. International Conference on Neural Information Processing. [S.l.], 2013.p. 341–351. Citado 13 vezes nas páginas 8, 10, 44, 46, 51, 58, 59, 64, 65, 66, 77, 78e 80.

MathWorks Documentation. 2-D median filtering. 2016. Último acesso 02 de dezembrode 2016. Disponível em: <”https://www.mathworks.com/help/images/ref/medfilt2.html”>. Citado na página 51.

MAYER, J. Systematic review of the diagnostic accuracy of dermatoscopy in detectingmalignant melanoma. The Medical Journal of Australia, v. 167, n. 4, p. 206–210, 1997.Citado na página 18.

MCCONNELL, J. Computer Graphics: Theory Into Practice. 1ª edição. ed. [S.l.]: Jones& Bartlett Learning, 2005. ISBN 978-0763722500. Citado na página 28.

MCGUIRE, R. G. Reporting of objective color measurements. HortScience, AmericanSociety for Horticultural Science, v. 27, n. 12, p. 1254–1255, 1992. Citado na página30.

MELLO, C. A. B. de. Morfologia matemática. Notas de aula na Graduação emEngenharia da Computação - UPE, Poli, DSC. 2008. Citado na página 33.

MENEZES, G. Morfologia Matemática para imagens em tons de cinza. 2010. Últimoacesso 29 de Setembro de 2016. Disponível em: <”https://sofaltatestar.wordpress.com/2010/01/06/morfologia-matematica-para-imagens-em-tons-de-cinza/”>. Citado4 vezes nas páginas 33, 34, 35 e 36.

MENZIES, S. W. A method for the diagnosis of primary cutaneous melanoma usingsurface microscopy. Dermatologic clinics, Elsevier, v. 19, n. 2, p. 299–305, 2001.Citado na página 19.

Referências 87

MISHRA, N. K.; CELEBI, M. E. An overview of melanoma detection in dermoscopyimages using image processing and machine learning. arXiv preprint arXiv:1601.07843,2016. Citado 4 vezes nas páginas 17, 18, 21 e 22.

MUSCI, M. Representação Digital de Imagens. 2016. Último acesso 22 de Setembrode 2016. Disponível em: <”http://www.musci.com.br/multimidia/ImagensDesenhos3D.pdf”>. Citado na página 28.

NAZEER, K. A.; SEBASTIAN, M. Improving the accuracy and efficiency of the k-meansclustering algorithm. In: Proceedings of the World Congress on Engineering. [S.l.: s.n.],2009. v. 1, p. 1–3. Citado na página 42.

OTSU, N. A threshold selection method from gray-level histograms. Automatica, v. 11,n. 285-296, p. 23–27, 1975. Citado na página 56.

Pelle Digitale. Dermatoscopia - Por que é importante examinar meus sinais(’pintas’)? 2016. Último acesso 10 de Setembro de 2016. Disponível em:<”http://pelledigitale.com.br/dermatoscopia.html”>. Citado na página 28.

PERUCH, F. et al. Simpler, faster, more accurate melanocytic lesion segmentationthrough meds. IEEE Transactions on Biomedical Engineering, IEEE, v. 61, n. 2, p.557–565, 2014. Citado 2 vezes nas páginas 43 e 46.

PHAM, D. L.; XU, C.; PRINCE, J. L. Current methods in medical image segmentation1. Annual review of biomedical engineering, Annual Reviews 4139 El Camino Way,PO Box 10139, Palo Alto, CA 94303-0139, USA, v. 2, n. 1, p. 315–337, 2000. Citado3 vezes nas páginas 36, 37 e 38.

PRATT, W. K. Digital Image Processing: PIKS Scientific Inside. 4ª edição. ed. [S.l.]:Wiley-Interscience; (February 9, 2007), 2007. Citado 2 vezes nas páginas 36 e 39.

QUEIROZ, J. E. R. de. Representação de imagens. Notas de aula da disciplinaProcessamento Digital de Imagens - UFCG. 2015. Citado na página 32.

RAJU, P. D. R.; NEELIMA, G. Image segmentation by using histogram thresholding.International Journal of Computer Science Engineering and Technology, Citeseer, v. 2,p. 776–779, 2012. Citado na página 38.

RAMEZANI, M.; KARIMIAN, A.; MOALLEM, P. Automatic detection of malignantmelanoma using macroscopic images. Journal of medical signals and sensors,Medknow Publications, v. 4, n. 4, p. 281, 2014. Citado 2 vezes nas páginas 45 e 46.

RITTNER, L. Processamento de Imagens Médicas. 2016. Último acesso 29 deSetembro de 2016. Disponível em: <”http://adessowiki.fee.unicamp.br/media/Attachments/courseIA369O1S2011/Cap1/IA369O-Cap1.pdf”>. Citado na página 31.

ROBINSON, J. K.; TURRISI, R. Skills training to learn discrimination of abcde criteriaby those at risk of developing melanoma. Archives of dermatology, American MedicalAssociation, v. 142, n. 4, p. 447–452, 2006. Citado na página 19.

SÁEZ, A.; ACHA, B.; SERRANO, C. Pattern analysis in dermoscopic images. In:Computer Vision Techniques for the Diagnosis of Skin Cancer. [S.l.]: Springer, 2014.p. 23–48. Citado na página 19.

Referências 88

SHARMA, N.; AGGARWAL, L. M. et al. Automated medical image segmentationtechniques. Journal of medical physics, Medknow Publications, v. 35, n. 1, p. 3, 2010.Citado 3 vezes nas páginas 17, 36 e 37.

SILVEIRA, M. et al. Comparison of segmentation methods for melanoma diagnosis indermoscopy images. IEEE Journal of Selected Topics in Signal Processing, IEEE, v. 3,n. 1, p. 35–45, 2009. Citado na página 45.

Skin Cancer Foundation. What is Melanoma? 2016. Último acesso 07 de Abril de 2016.Disponível em: <”http://www.skincancer.org/skin-cancer-information/melanoma#panel1-5”>. Citado na página 17.

Sociedade Brasileira de Cirurgia Dermatológica - SBCD. Dermatoscopia. 2016.Último acesso 10 de Setembro de 2016. Disponível em: <”https://www.sbcd.org.br/procedimentos/390”>. Citado na página 27.

SOYER, P. H. et al. Guia Ilustrado de Dermatoscopia. 2ª edição. ed. [S.l.]: ElsevierBrasil, 2012. ISBN 9788535265491. Citado na página 27.

STEWART, C. V. Robust parameter estimation in computer vision. SIAM review, SIAM,v. 41, n. 3, p. 513–537, 1999. Citado 2 vezes nas páginas 32 e 33.

SZELISKI, R. Computer vision: algorithms and applications. [S.l.]: Springer Science &Business Media, 2010. Citado 2 vezes nas páginas 32 e 36.

TKALCIC, M.; TASIC, J. F. et al. Colour spaces: perceptual, historical and applicationalbackground. In: Eurocon. [S.l.: s.n.], 2003. Citado na página 30.

VESTERGAARD, M. et al. Dermoscopy compared with naked eye examination forthe diagnosis of primary melanoma: a meta-analysis of studies performed in a clinicalsetting. British Journal of Dermatology, Wiley Online Library, v. 159, n. 3, p. 669–676,2008. Citado 2 vezes nas páginas 18 e 19.

WADHAWAN, T. et al. Implementation of the 7-point checklist for melanoma detectionon smart handheld devices. In: IEEE. 2011 Annual International Conference of theIEEE Engineering in Medicine and Biology Society. [S.l.], 2011. p. 3180–3183. Citadona página 19.

WANG, H. Analysis of lesion border segmentation using watershed algorithm. MissouriUniversity of Science and Technology, 2009. Citado na página 21.

Wikimedia Commons. File:Resolution illustration. 2006. Último acesso 19 deNovembro de 2016. Disponível em: <”https://commons.wikimedia.org/wiki/File:Resolution_illustration.png”>. Citado na página 31.

World Cancer Research Fund International. Worldwide Data. 2016. Último acesso07 de Abril de 2016. Disponível em: <”http://www.wcrf.org/int/cancer-facts-figures/worldwide-data”>. Citado na página 17.

X-RIte Inc. A Guide to Understanding Color Communication. X-Rite, 2007. Últimoacesso 30 de dezembro de 2016. Disponível em: <”http://www.xrite.com/-/media/XRite/Files/Whitepaper_PDFs/L10-001_A_Guide_to_Understanding_Color_Communication/L10-001_Understand_Color_EN.pdf”>. Citado na página 29.

Referências 89

XIE, F.; BOVIK, A. C. Automatic segmentation of dermoscopy images usingself-generating neural networks seeded by genetic algorithm. Pattern Recognition,Elsevier, v. 46, n. 3, p. 1012–1019, 2013. Citado na página 59.

XIONG, G. Fuzzy c-means thresholding. 2016. Último acesso 19 de Novembro de2016. Disponível em: <”https://www.mathworks.com/matlabcentral/fileexchange/8351-fuzzy-c-means-thresholding”>. Citado na página 100.

XUE, Y.; LIU, Z.; SHI, R. Saliency detection using multiple region-based features.Optical Engineering, International Society for Optics and Photonics, v. 50, n. 5, p.057008–057008, 2011. Citado na página 37.

YIQUN HU. Hill-Climbing Color Image Segmentation. 2008. Último acesso 19 deNovembro de 2016. Disponível em: <”https://www.mathworks.com/matlabcentral/fileexchange/22274-hill-climbing-color-image-segmentation/”>. Citado 3 vezes naspáginas 53, 104 e 105.

ZADEH, L. A. Fuzzy sets. Information and control, Elsevier, v. 8, n. 3, p. 338–353,1965. Citado na página 40.

ZAMPIROLLI, F. de A. Transformada de Distância por Morfologia Matemática. Tese(Doutorado) — Universidade Estadual de Campinas, 2003. Citado na página 33.

ZHOU, H. et al. Feature-preserving artifact removal from dermoscopy images. In:INTERNATIONAL SOCIETY FOR OPTICS AND PHOTONICS. Medical Imaging. [S.l.],2008. p. 69141B–69141B. Citado na página 55.

91

A base de dados do ISIC (ISIC, 2016) utilizada nesse trabalho possui 900 ima-gens dermatoscópicas, sendo 727 benignas e 173 malignas, todas elas com suas res-pectivas imagens ouro e dados relacionados a sua classificação. Como o foco desseestudo foi a análise dos algoritmos de segmentação, algumas das imagens da baseforam descartadas, pois elas precisavam passar por uma etapa de pré-processamentopara remover os ruídos existentes. Isso não significa dizer que as imagens utilizadasnão possuem nenhum tipo de ruído, elas também possuem, no entanto, as interfe-rências presentes na imagem não chegam a encobrir a lesão a ponto de alteraremsignificativamente o resultado dos algoritmos.

92

Código B.1 – Algoritmo baseado na técnica Fuzzy.1

2

3

4

5

6

7

8

9

10

11

12

13 − −14 − −15

16

17

18 − − −19 − − −20

21

22 − −

−

23

24

25

26 − −

27 ≤

28

29

30

31

32

Apêndice B. Algoritmo Baseado na Técnica Fuzzy 93

33

34

35

36

37

38

Fonte: A Autora

95

Código do algoritmo de K-Means utilizado na implementação do algoritmo doABD.

Código A.1 – K-Means.1

2

3

4

5

6

7

8

9

10

11

12

13

14

15 − −16

17

18

19

20

21

22

23

24 −25

26

27

28

29

30

31

32

33

34

35

36

37

ANEXO A. Algoritmo K-Means 96

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52 −53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73 −74

75

76

77

78

79 −

Fonte: (MANJON-HERRERA, 2005).

97

Código do algoritmo de Expectation Maximization utilizado na implementaçãodo algoritmo do ABD.

Código B.1 – Expectation Maximization.1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18 − −19

20

21

22

23

24

25

26 −27

28

29

30

31

32

33

34

35

ANEXO B. Algoritmo de Expectation Maximization 98

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56 −57

58

59 −60

61

62

63

64

65

66 −67

68

69

70

71 −−72

73

74

75

76

77 −78

79

80

81

82

ANEXO B. Algoritmo de Expectation Maximization 99

83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98 −99

100 −101

102

103

104

105

106

107

108

109

110

111

112

113

114 −115 −116 −117

118

119

120

121

122 −123

Fonte: (MANJON-HERRERA, 2006).

100

Algoritmo Fuzzy C-Means utilizado na implementação do algoritmo de Masood.

Código C.1 – Fuzzy C-Means e limiarização.1

2 − −3

4 − −

5

6

7 −8

9

10

11

12

13

14

15

16

17

18

19 = =

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

Fonte: (XIONG, 2016)

101

Código do algoritmo de segmentação utilizando Hill Climbing e K-Means emCIE Lab utilizado na implementação do algoritmo do MDB.

Código D.1 – Hill Climbing.1

2 −3 − −4

5 − − − −6

7 − −8

9

10

11

12

13

14 −15 −

16

17

18 −19

20

21

22

23

24

25

26

27

28

29 −

30 −

31

32

33

34

ANEXO D. Algoritmo Hill Climbing 102

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57 −

58

59 −60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75 −

76


77 −

78

79 −

80

81

82

83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100

101

102

103

104 −105

106

107

108

109

110

111

112

113

114

115

116

117 −118 −119 −120 = = =


121 ≤ ≤

≤

122

123

124

125

126

127

128

129

130

131

132

Fonte: (YIQUN HU, 2008)

A função executada na linha 46 se refere ao Código D.2.

Código D.2 – Transformação do canal de cores de RGB para CIE L*a*b.1

2

3

4 −5

6 − −7 −8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28


29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45 ¬46

47

48

49 ¬50 − ¬51

52 ¬53

54

55 −56 −57

58

59

60

61

62

63

64

Fonte: (YIQUN HU, 2008)

106

Código E.1 – Algoritmo de Otsu.1

2

3

4

5 −

6

7 −8

9

10

11

12

13

14 −15

16

17 −−−−−18

19

20

21

22 −

23

24

25

26

27 −−−−−−−28

29

30

31

32

33

ANEXO E. Algoritmo de Otsu 107

34

35

36

37

38

39

40

41

42 −−−−−−−−−43

−44 −45

46

47

48 −− −−49

50

51

52

53

54

55

56

57

58 −59

60

61

62

63

64

65

66

67 =

68

69

70

71

72

73

74

75

76

77


78

79

80

81

82

83

84

85

86

87

88 −89

90

91

92

93

94

95

96

97

98

99

100

101

102

103

104

105

106

107

108

109

110

111 − −112

113

114

115

116

117

118 − − − − − −119

120

121

122

123

124


125

126 −127

128

129

130

131

132

133

134

135

136

137 − −138 ≤

139

140

141 − −142 − −143 ≥

144

145

146

147

148

149

150 ≤

151 ≤

152

153

154 −155

156

157

158

159 −160

161

162

163 ≤

164 −165 ≤

166

167

168

169 −170

171


172

173 ¬174

175 ≥

176

177

178

179 −180

181 −182

183

184

185

186

187

188

189

190

191 −192

193 −194

195

196

197

198

199

200 −−−201

202

203 −−−− −−−−204

205

206

207

208

209 ≥ ≤

210

211 ≥ ≤

212

213

Fonte: (Damien Garcia, 2010).

Documents

Análise de Algoritmos de Segmentação de Melanoma em ... - Jessica Diniz.pdf · _2bmKQ Omelanomaéumtumormalignooriginárionascélulasprodutorasdepigmentosna-turaisdapele,amelanina,ecostumaterformadelesõespigmentadassobreapele