Metodologia Computacional para Aplicação da Regra ABCD na Avaliação de ... · rastreamento “A” pode ser subdividida em três partes principais: os templates de armazenamento,

Metodologia Computacional para Aplicação da Regra

ABCD na Avaliação de Lesões Pigmentadas

Antonio Carlos Sobieranski, Leandro Coser, Eros Comunelo, Aldo von Von

Wangenheim

Laboratório de Processamento de Imagens (LAPIX) The Cyclops Group

Departamento de Informática e Estatística (INE), Universidade Federal de Santa Catarina (UFSC), Brasil.

asobieranski,[email protected], [email protected],

[email protected]

Abstract. The growing incidence of malignant melanoma cases occurred in

last years has mobilized the medical community about the importance of

clinical care and early treatment. Recently the identification of skin lesions is

performed based on a semi-quantitative rule called ABCD rule. However, the

evaluation may be complex and subject to errors. With the intention of

automate the quantification of melanomical potential, this work presents a

computational methodology for ABCD rule criterion analysis. For this

purpose sophisticated digital image processing techniques are used, allied to a

support decision system that allows clinical information storage and retrieval.

Resumo. A crescente incidência de casos de melanoma maligno ocorridos nos

últimos anos tem mobilizado a comunidade médica sobre a importância do

acompanhamento clínico e tratamento precoce. Atualmente a identificação de

lesões de pele é realizada baseada em uma regra semi-quantitativa

denominada ABCD. Entretanto, a avaliação pode ser complexa e sujeita a

erros. Visando a automação da quantificação do potencial melanômico, este

trabalho apresenta uma metodologia computacional para a análise dos

critérios da regra ABCD. Para isto, são utilizadas sofisticadas técnicas de

Processamento Digital de Imagens, associadas a um sistema de apoio à

decisão que permite o armazenamento e recuperação de informações clínicas.

1. Introdução

O melanoma maligno é uma das formas de câncer de pele mais agressivas e perigosas [1][2]. Somente em território nacional, cerca de 25% dos casos de tumores malignos registrados são referentes a câncer de pele. Nos EUA, esse índice corresponde a 50% dos casos [3], e tem triplicado nos últimos 30 anos [4]. Por tratar-se de uma forma de câncer agressiva e com alto potencial de produzir metástase1 [5], pode levar o indivíduo a óbito na ausência de diagnóstico e em caso de tratamento tardio.

1 A presença de câncer em outros tecidos ou órgãos à distância do tumor primário. A metástase é uma característica de todos os cânceres. Dá-se através do

sistema circulatório (sanguíneo e linfático). Na cavidade do abdômen e tórax acontece através da implantação das células tumorais.

VII Workshop de Informática Médica - WIM 2007

67

Devido à gravidade do melanoma maligno, a comunidade médico/científica tem se mobilizado no sentido de orientar sobre a importância do tratamento realizado precocemente [6]. Isto acontece porque nas fases iniciais do estágio evolutivo da doença, o melanoma maligno está restrito a camada superficial da pele, favorecendo o diagnóstico e conseqüentemente aumentando a probabilidade de cura [7][8].

Em processos de diagnóstico médico, a classificação das lesões pigmentadas é realizada com a utilização de aparelhos dermatoscópios2. Estes aparelhos são providos de luz alógena que possibilitam a visualização de sub-superfícies da pele, através da navegação do aparelho sobre a área lesionada. O resultado desta navegação é a aquisição de imagens de alta resolução, ricas em detalhes, normalmente utilizadas pelos especialistas com fator de ampliação de dez vezes.

Estudos realizados pela escola médica da universidade de Viena na Áustria, demonstraram um aumento representativo na correta classificação das lesões pigmentadas com o uso de dermatoscópios, principalmente por dermatologistas não experientes [9]. Entretanto, essa aproximação apresentada é dependente da metodologia de classificação utilizada. Geralmente, as lesões pigmentadas são submetidas a uma análise das suas características visuais, definidas por uma metodologia semi-quantitativa denominada de regra ABCD.

A regra ABCD foi proposta em 1994 por Wilhelm Stolz [10]. Atualmente é o padrão utilizado em análises dermatoscópicas na classificação das lesões pigmentadas. As características da lesão consideradas pela metodologia fundamentam-se em identificadores como: assimetria (A); irregularidade das bordas (B); variabilidade de cores (C) e estruturas diferenciais (D)3. Após a verificação destes atributos é obtido o potencial melanômico da lesão pigmentada em questão, denominado Dermatoscopy Point Value (DPV). O DPV tem por finalidade auxiliar o dermatologista durante o processo de diagnóstico de lesões pigmentadas. De acordo com o quantificador DPV demonstrado na tabela 1, podem-se classificar os nevos de acordo com as faixas decisórias apresentadas na tabela 2.

Identificadores Pontuação Pesos (A) Assimetria Resultado da divisão da lesão em duas axis ortogonais, onde a

pontuação é quantificada em (0 a 2 pontos): 0 – simetria em 2 axis 1 – assimetria em 1 axis 2 – assimetria em 2 axis

1,3

(B) Irregularidade de Borda

Resultado da divisão da lesão em 8 segmentos de borda, sendo cada corte abrupto de borda equivalente a 1 ponto (0 a 8 pontos).

1,0

(C) Variabilidade de Cor

Avaliação da presença de cores: branco, vermelho, marrom claro, marrom escuro, preto, azul e cinza mesclados (0 a 6 pontos)

0,5

(D) Estruturas Diferenciais

Avaliação de presença de redes pigmentadas, áreas homogêneas ou sub-estruturas, riscos, pontos e glóbulos (0 a5 pontos)

0,5

Tabela 1: Identificadores da regra ABCD e sua respectiva pontuação e pesos

2 Também denominado de Epiluminescence Microscopy

3 Características como redes pigmentadas, áreas homogêneas ou sub-estruturas, riscos, pontos e glóbulos. Consideradas por alguns especialistas.


68

Apesar de comprovada a eficácia da regra ABCD4, a avaliação humana é empírica e sujeitas a erros, muitas vezes variando de acordo com a experiência do especialista em dermatologia. Além disso, algumas lesões são difíceis de avaliar, tornando complexo o processo de diferenciação dos padrões da regra, mesmo para dermatologistas experientes. Para reduzir a complexidade de avaliação dessas lesões, uma metodologia computacional vem sendo desenvolvida em conjunto com especialistas da área dermatológica do Hospital Universitário da Universidade Federal de Santa Catarina.

DPV Indicação de Diagnóstico Ação < 4.75 Lesão benigna Acompanhamento clínico 4.75 a 5.45 Lesão suspeita Retirada cirúrgica ou o acompanhamento clínico > 5.45 Lesão maligna Retirada através de cirurgia e encaminhada para

exame anátomo-patológico para confirmação

Tabela 2: Classificação da lesão de acordo com o fator DPV

2. Objetivos

O objetivo deste trabalho é desenvolver uma metodologia computacional que auxilie os especialistas da área a quantificar com maior precisão o potencial melanômico com base na regra ABCD, bem como, permitir um melhor acompanhamento da evolução destas patologias. Salientamos que tal metodologia tem por finalidade auxiliar os dermatologistas como uma ferramenta de apoio à decisão.

3. Metodologia

A seguir é apresentada a descrição de métodos e ferramentas necessárias para a quantificação dos identificadores da regra ABCD. A figura 1 demonstra de maneira clara a organização estrutural do sistema. Cada grupo representa respectivamente os módulos desta metodologia, rotulados de “A” a “D”. A estrutura do mecanismo de rastreamento “A” pode ser subdividida em três partes principais: os templates de armazenamento, as informações do paciente e o mecanismo de captura e alocação das imagens. Para o processamento digital de imagens, cada etapa é tratada de forma isolada.

Figura 1 – Etapas da metodologia computacional para avaliação de nevos

4 Segundo estudos realizados por Stolz, a metodologia apresenta cerca de 90.3% de especificidade e 92.8% de sensitividade.


69

3.1. Rastreabilidade de Lesões (Templates de Armazenamento de Informações)

Objetivando rastrear determinada informação do paciente quer seja uma lesão ou dados histopatológicos, faz-se necessário representar graficamente o local no corpo do paciente onde o nevo se encontra. Uma solução viável é a utilização de templates. Templates de armazenamento representam uma coleção de áreas específicas do corpo humano, organizadas em grupos hierárquicos e definidos conforme a figura 2-A. Estas áreas permitem a alocação espacial das imagens dermatoscópicas durante a captura em diferentes níveis de abstração. Também facilita a localização de imagens em processos de acompanhamento clínico. O esquema de representação destes níveis hierárquicos pode ser observado na figura 2-B.

A) B)

Figura 2 – Estrutura hierárquica de armazenando versus representação espacial de

templates para armazenamento

3.1.1. Informações do Paciente

O conjunto de informações do paciente é importante para a formação do mecanismo de rastreamento. Nesta estrutura são armazenadas todas as informações cadastrais do paciente, informações de anamneses e as imagens de lesões pigmentadas de cada lesão.

Campos como cor da pele, idade, grau de instrução, profissão, município e estado são informações que possibilitam corroborar estudos epidemiológicos e comprovações estatísticas, como incidência por área geográfica, faixa etária, cor de pele, dentre outros. Informações de anamneses dos pacientes possuem campos pertinentes à probabilidade cancerígena, que justificam a necessidade de acompanhamento clínico periódico.

Anamneses da lesão fornecem informações relevantes na avaliação de lesões suspeitas com alto potencial melanômico, que geralmente necessitam de acompanhamento clínico. Estas anamneses referem-se basicamente às características visuais e informações temporais pertinentes à lesão especificada. Também viabilizam a elaboração de padrões estáticos pertinentes ao tempo e aspecto da lesão.

Informações histopatológicas são utilizadas quando lesões com potencial melanômico apresentam suspeita de evolução cancerígena e são submetidas à extração e análise histopatológica. Estas informações são de suma importância para permitir a posterior validação da regra ABCD computacional, conforme explicitado no bloco D da figura 1.


70

3.1.2. Captura e Alocação das Imagens

A parte final do mecanismo de rastreamento refere-se à captura e alocação das imagens. Este módulo possui relacionamento direto com as entidades templates e paciente, conforme diagrama da figura 3. A captura é realizada através de uma câmera fotográfica digital, acoplada ao dermatoscópio. Existem nesta etapa 2 modos de operação dos equipamentos de aquisição de imagens: captura em tempo real (Real Time) e captura em lotes (Batch).

Figura 3 – Relacionamento com templates de armazenamento e entidade paciente.

A captura em tempo real é utilizada quando os equipamentos de captura de imagens permitem o acesso direto ao repositório dos dados. O mecanismo de captura solicita um template a cada lesão fotografada. De modo síncrono, é efetuada a alocação da imagem no template, conforme ilustrado na figura 4. A sincronização ocorre através de um “sistema de escuta”, que verifica a existência de novos arquivos no repositório do equipamento de captura, ou em outro diretório especificado pelo operador. A captura em lotes é utilizada quando o equipamento de captura não permite o sincronismo direto dos dados. De modo assíncrono, é realizada a captura das imagens no aparelho, e seqüencialmente a marcação nos lotes de templates. Depois de concluído o processo de captura, ocorre o sincronismo das imagens do equipamento com os pontos de captura relacionados nos lotes.

Figura 4 – Exemplo da captura em tempo real, solicitando o template e local

representado.

Independente do modo de aquisição, o procedimento produz uma série seqüencial de imagens, que são armazenadas no banco de dados. A principal vantagem desse


71

mecanismo de armazenamento seqüencial é possibilitar a coleta periódica dos pacientes, facilitando na localização das lesões que obtiveram alterações em seu aspecto.

3.2. Computação dos Identificadores da regra ABCD

A avaliação de lesões depende do processamento das imagens para definição da região de interesse e quantificação das variáveis envolvidas no cálculo do fator DPV. A seguir são apresentadas as etapas de verificação de características e os algoritmos de processamento utilizados.

3.2.1. Definição da Região de Interesse

Esta etapa do processo executa a aplicação de técnicas de processamento digital de imagens, a qual tem a finalidade de diferenciar a lesão do restante da pele saudável na imagem. Diversos algoritmos de segmentação podem ser usados para a análise de imagens dermatológicas. No entanto, o algoritmo de segmentação de imagem de Mumford&Shah[11] destaca-se pela sua precisão na separação de regiões de interesse.

A equação de energia funcional de Mumford&Shah, descrita na figura 6, é um modelo matemático utilizado para segmentação de imagens por crescimento de regiões.

( ) ( )KldxdyudxdyguKuE

K

λ+∆+−= ∫∫∫∫ΩΩ

22,

Figura 6: Equação de energia funcional de Mumford&Shah

a)

b)

Figura 7 – Segmentação de imagem para determinar a região de interesse. a) Execução

do algoritmo de Mumford & Shah b) Pré-processamento com filtro de difusão

anisotrópico seguido pela segmentação por Mumford & Shah (seqüência: original,

imagem segmentada, imagem borda)


72

Apesar de ser um dos algoritmos de segmentação que produz os melhores resultados, o algoritmo de Mumford&Shah não leva em consideração sensíveis variações de gradiente ao longo da imagem, o que pode não diferenciar corretamente todos os tipos de lesões. Para a redução desta sensibilidade, utilizou-se como pré-processamento um filtro de difusão anisotrópico [12], visando a obtenção de imagens suavizadas e com as características de bordas internas e externas preservadas. A figura 7 demonstra a aplicação de segmentação na definição da região de interesse, respectivamente sem e com pré-processamento de filtro anisotrópico seguido de segmentação.

3.3. Quantificação do Fator DPV (Regra ABCD Computacional)

Delimitada a região de interesse, a primeira etapa da regra ABCD é a verificação de simetria da lesão. Esta é quantificada a partir da análise e ajuste do espaço compreendido pela região de interesse, de modo que se obtenham quadrantes com proximidade de área e forma. A partir da localização do centro de massa e ajuste dos eixos simétricos é realizada a subdivisão da imagem em quatro sub-regiões. O objetivo desta subdivisão é obter a diferença de simetria através da comparação de uma sub-região com as regiões adjacentes, tanto por área, quanto por geometria. As comparações efetuadas são baseadas em simetria por forma, campos de cor, e análise pictórica, conforme demonstrado na figura 8.

Figura 8 – Simetria por A) forma geométrica B) campos de cor C) gradiente

Para a regra B, variações abruptas de borda sugerem situações melanômicas. A técnica utilizada para efetuar a verificação de irregularidade de borda das lesões é o Scaling Index Method (SIM) [13], que permite quantificar estruturas baseadas na forma geométrica fractal. Através da verificação de cada ponto P correspondente a borda da região de interesse, duas esferas com raio r1 e r2 efetuam a verificação da norma vetorial N1 e N2 da vizinhança de P. Deste modo, o índice escalar de P assume uma escala de densidade proporcional a N~rk, sendo o índice escalar igual ao expoente escalar k. O calculo do expoente escalar k é definido na equação da figura 9.

( )21

2121 loglog

loglog,,,

rr

NNrryx

−

−=∝

Figura 9 – Equação para o cálculo do expoente k

Com base na proporcionalidade escalar, pode-se definir que, coeficientes k~0 sugerem um estrutura condensada somente em r1 (ponto interno a r1). Coeficientes escalares onde k~1 representam estruturas lineares, com continuidade de P seguindo para as


73

extremidades de r2, quantificam a irregularidade de planos topográficos, ou a medição da descontinuidade de um segmento linear. Escalas onde k~2 indicam densidade acumulativa, que incrementam seu coeficiente de acordo com a vizinhança, indicando áreas densas ou fechadas – figura 10. Bordas formadas entre os pigmentos de tecidos normais tendem a ser muito mais difusas em lesões danosas que em lesões benignas.

Figura 10 – 1) Scaling Index Method A-Estruturas ponto internas a r1 B- Estruturas em

linha ou contínuas C- Estruturas em áreas ou condensadas. 2 e 3) Diferenças de bordas

entre lesões distintas. Bordas em azul indicam um coeficiente escalar k~1, enquanto que

bordas em vermelho indicam limites irregulares com índice escalar k~2

A próxima etapa da regra ABCD é a identificação da variabilidade de cor, obtida a partir da entropia de cor do canal H, resultado de uma transformada de cor do espaço RGB para HSI. O canal H representa o matiz no espaço de cores HSI, corresponde à cor em sua máxima intensidade. Também é a variação de tonalidade obtida pela mistura de duas cores em máxima intensidade, sem “mistura” de luminosidade. Lesões que apresentam coloração no matiz de forma homogênea e com baixa intensidade indicam conseqüentemente baixa variabilidade de cor, quantificando a lesão como possivelmente benigna. Lesões melanômicas geralmente apresentam a variabilidade de cores em regiões não homogêneas de modo diversificado, indicando maior potencial melanômico. Exemplo da aplicação da verificação de homogeneidade em imagens de lesões pigmentadas pode ser visualizado na figura 11.

Figura 11 – Variabilidade de cores

Para a análise da regra “D”, de modo preliminar consideramos a verificação do diâmetro da lesão em relação a axis primária. Estudos realizados por Horsh [14] demonstraram que lesões acima de 6mm podem ser um forte indicador para o potencial melanômico. A verificação de outras estruturas sugeridas por Stolz encontra-se em desenvolvimento através da aplicação de outras técnicas de processamento de imagens.

1) 2) 3)


74

4. Conclusão e Discussões

De modo preliminar, aqui apresentamos os resultados desta metodologia computacional que viabiliza a automação da regra ABCD em uma ferramenta de apoio a decisão para os especialistas em dermatologia.

Quanto à localização automatizada da região de interesse, a combinação da aplicação do filtro de difusão anisotrópico seguido pela segmentação por funcional de Mumford&Shah demonstrou-se bastante eficiente. Variações tênues de gradiente são o principal fator limitador para muitas metodologias computacionais baseadas em histogramas ou curvas de freqüência. Como pode ser observado na figura 12, é possível a coerente localização da região de interesse com uma taxa de preliminar de precisão na casa dos 83% em modo automatizado, e a totalidade em modo semi-automatizado5. A análise da simetria da lesão é calculada a partir do ajuste das axis em torno do centro de massa, realizado de modo subjetivo no modelo semi-quantitativo tradicional. Resultado disso é o coeficiente de erro acumulado representado pela subtração de quadrantes da imagem, identificando e quantificando com clareza aspectos de simetria da forma geométrica, simetria por campos de cor entre quadrantes e simetria no espaço do valor.

Figura 12 – Variabilidade de cores

A identificação da irregularidade da borda demonstrou-se eficiente, uma vez que com a utilização do filtro de difusão anisotrópico estes aspectos tornam-se evidentes. O problema em torno da utilização de SIM é a escolha correta do tamanho dos raios das esferas. Apesar de manter o coeficiente proporcional ao raio, valores elevados em r1 e r2 podem resultar na identificação de irregularidade em imagens simétricas devido à curvatura natural da borda da lesão. A solução para isto pode ser a utilização de imagens padronizadas em relação à resolução do equipamento de captura.

Responsável por 34% da mensuração do fator DPV das lesões apresentadas, a variabilidade de cores (C) obteve preliminarmente uma taxa precisão de 89% em relação a avaliações de especialistas. A confiabilidade nesta etapa da regra não deve-se somente a técnica utilizada baseada em transformadas em espaços de cores. De fato, o matiz obtido do HSI permite a visualização das cores na máxima intensidade, sem mistura de efeitos de luminosidade ou saturação, simulando um processo próximo ao da percepção humana na identificação de cores de interesse. Posteriormente com a aplicação de técnicas de clusterização, estas áreas são passíveis de mensuração quantitativa.

A metodologia aqui apresentada ainda encontra-se em desenvolvimento e aprimoramento. Nosso principal desafio é a mensuração da regra D, onde uma série de características são analisadas e são altamente dependentes do conhecimento especialista

5 A acurácia é dependente da inferência empírica do especialista em dermatologia. Este teste foi realizado em uma amostragem inicial de 50 imagens de uso comum (triviais e não-triviais)


75

em dermatologia. Para o momento, consideramos apenas que lesões com diâmetro acima de 6mm possivelmente são potenciais melanômicos.

Os critérios observados da regra computacional ABCD obtiveram resultados quantitativos satisfatórios em relação à avaliação visual. Como esta vem sendo desenvolvida em parceria com especialistas em dermatologia e patologia, buscamos o aperfeiçoamento das técnicas aqui apresentadas bem como possibilitar a validação dos métodos empregados, para oferecer à sociedade uma ferramenta de uso geral em clínicas dermatológicas e hospitais. Um banco de casos já vem sendo construído com o intuito de possibilitar a quantificação da acurácia desta metodologia.

Esta ferramenta é destinada para especialistas da área dermatológica, mas isso não implica em restrições no uso. Após validada pode ser utilizada como uma ferramenta de pré-triagem por unidades de saúde com operabilidade de estudantes ou residentes da área dermatológica. O sistema protótipo foi desenvolvido em linguagem C++, utilizando as bibliotecas gráficas de WxWidgets, e banco de dados PostgreeSQL. A metodologia aqui apresentada não mantém referência a softwares de terceiros ou proprietários.

Referências

[1] Instituto Nacional de Câncer, Revista Nacional de Cancerologia, INCA Guidelines and Recomendations. Ed. 49, n. 5, 2003.

[2] STOLZ, Wilhelm. Braun-Falco Otto, Bilek Peter, Landthaler Michael, Burgdorf Walter H.C, Cognetta Armand B. Atlas Colorido de Dermatoscopia. 2ª. Edição, 2002.

[4] GRINBLAT, Dr. Mário, Prevenção do Câncer de Pele, Hospital Israelita Albert Einstein, 2003

[4] PR Newswire. PR Newswire Association, Inc. Study finds skin cancer threat greatest for men over age 50 and individuals with multiple risk factors. 29 Apr. 2003

[5] REINTGEN DS, Cruse CW, Berman C. An orderly progression of melanoma nodal metastases. Ann Surg 1994; 220:759-767.

[6] MIRACCO C, Palummo N, Lavergne D. Malignant melanomas: search for human papillomaviruses. Arch Dermatol 2001; 137:826–7.

[7] ROBINSON, June k, Hanke C. William, Sengelmann Roberta D, Siegel Daniel M. Surgery of the Skin. Procedural Dermatology. Naperville, IL, USA, 2005.

[8] STADELMANN W.K., REINTGEN D.S.. Prognosis in malignant melanoma. Hematol Oncol Clin North Am, 1998; 12(4):767-96.

[9] BINDER. M, Schwarz M, Winkler A, Steiner A, Kaider A, Wolff K, Pehamberger H. Epiluminescence microscopy, a useful tool for the diagnosis of pigmented skin lesions for formally trained dermatologists. Arch Dermatol 1995; 131:286-291.

[10] STOLZ, Wilhelm. The ABCD rule of dermatoscopy. High prospective value in the diagnosis of doubtful melanocytic skin lesions. Journal American Academy Dermatology. 1994 Apr;30(4):551-9.

[11] MUMFORD, D & Shah, J. Optimal Approximations by Piecewise Smooth Functions and Associated Variational Problems. Pure Applicated in Math”, 1989.

[12] WEICKERT, Joachim. Anisotropic Diffusion in Image Processing. ECMI Series, Teubner, Stuttgart, 1998.

[13] MONETTI, Roberto A. et.al. Scaling index method: a novel nonlinear technique for the analysis of high-resolution MRI of human bones, Volume 5032, pp. 1777-1786, Medical Imaging 2003

[14] HORSCH, Alexander. Computer Assisted Skin Cancer Diagnosis. Technical University of Munich. 1998.


76

Documents

Metodologia Computacional para Aplicação da Regra ABCD na Avaliação de ... · rastreamento “A” pode ser subdividida em três partes principais: os templates de armazenamento,