DESENVOLVIMENTO DO ALGORITMO PARA PROCESSAMENTO DE IMAGENS DIGITAIS PARA

DIAGNÓSTICO DE MELANOMA

Orientador: Prof. Dr. Marco Antônio Rodrigues Fernandes

Acadêmicos:

Daniel Soares Lopes

Flávio Henrique da Silva

Matheus Ferreira Bonfim

OBJETIVO

- Avaliar as técnicas de processamentos de imagens aplicadas a dermatologia. - Incentivar a realização de pesquisas voltados a diagnósticos clínicos. -Implementar um algoritmo utilizando como base os parâmetros da Regra do ABCD.

PATOLOGIA CANCERÍGENA

Câncer do grego karkínos, quer dizer caranguejo.

Nome dado a um conjunto de mais de 100 doenças que têm em comum o crescimento desordenado de células

PATOLOGIA CANCERÍGENA

O processo de formação do câncer é denominado carcinogênese que é constituído em 3 estágios: 1º) Estágio inicial; 2º)Estágio de promoção; 3ºEstágio de progressão.

PATOLOGIA CANCERÍGENA

CÂNCER DE PELE

- No Brasil representa 25% de todos os diagnósticos cancerígenos - Índices de curas superiores a 95%, desde que diagnosticados nos estágios iniciais e tratados corretamente.

CÂNCER DE PELE

CÂNCER DE PELE

-Pode ser classificados em dois tipos de tumores: -Carcinoma basocelular - Carcinoma espinocelular - Melanoma

Não melanoma

CÂNCER DE PELE

Carcinoma Basocelular

- Transludecência pérola e finos vasos sanguíneos.

- Crescimento lento.

- Cerca de 70% de todos casos.

- Ocorre geralmente na cabeça ou pescoço.

Carcinoma Espinocelular

- Apresenta área vermelha, com crostas e escamação .

- Crescimento rápido.

- Cerca de 20% de todos casos.

- Pode surgir em áreas previamente comprometidas por algum outro processo como cicatrizes de queimaduras antigas,

CÂNCER

Carcinoma basocelular Carcinoma espinocelular

CÂNCER DE PEL

Melanoma -Maior percentual de mortalidades. - Considera o tipo mais grave devido seu alto potencial na produção de metástases. - Originar-se em pele sã ou de lesões pigmentadas pré-existentes . -Represente 4% - 5% dos tipos de câncer de pele .

Regra do ABCD

• Desenvolvida em 1994

• Físico Wilhelm Stolz

• Utiliza características físicas da lesão para a quantificação

• Verifica a não linearidade das lesões

• Reprodutivo computacionalmente

INSPIRAÇÃO - PARÂMETROS

ABCD

ABCD

A 0 – 2 B 0 – 7 C 1 – 6 D Diâmetro obtido

TDS = [ ( A x 1.3) + (B x 0.1) + (C x 0.5) + (D x 0.5) ] <4.8 Lesão Benigna 4.8 – 5.45 Lesão suspeita >5.45 Alta probabilidade de ser um MM

IMAGEM DIGITAL

- Função bidimensional f(x, y) - f(x, y) representa a menor parte de uma imagem, denominada “Pixel” - Origem localizada em f(0, 0)

PROCESSAMENTO

PADRÃO DE PDI

PRÉ-PROCESSAMENTO

PRÉ-PROCESSAMENTO

- Aplicação do filtro Gaussiano

PRÉ-PROCESSAMENTO

-Multiplicação de todos os valores internos dos pixel luminância.

F(x,y) = [R(x,y)*0,2989] + [G(x,y)*0,5870] + [B(x,y)*0,1140]

PRÉ-PROCESSAMENTO

PRÉ-PROCESSAMENTO

- Binarização da imagem

PRÉ-PROCESSAMENTO

- Multiplicação da imagem original pela binária, para obtenção do corte ROI

EXTRAÇÃO DE CARACTERISTICAS

- Definição da borda através na análise dos vizinhos de cada pixel. - Medição da distância euclidiana entre todos os pixel de fronteira. -Reconhecimento da maior distância entre os pixel da fronteira.

EXTRAÇÃO DE CARACTERISTICA

-1° Característica

Perímetro Área

EXTRAÇÃO DE CARACTERISTICA

-2° Característica – Percentual de circularidade

EXTRAÇÃO DE CARACTERISTICA

-3° Característica – Média de tonalidades na imagem (RGB).

- 4° Característica – Percentual da tonalidade RGB predominante da imagem.

EXTRAÇÃO DE CARACTERISTICA

-5° Característica – Suavidade (Entropia)

-6° Característica – Uniformidade (Energia)

EXTRAÇÃO DE CARACTERISTICA

-5° Característica – Contraste da imagem (Variância)

-6° Característica – Distribuição dos pixel’s (Homogeneidade)

CLASSIFICAÇÃO

- Árvore de decisão. - k-NN - SVM - Bayes - Majority

CLASSIFICAÇÃO

1° Método - K-Nearest Neighbor (KNN) -Proposta por Cover e Hart em 1966, na inteligência

-Constantemente aumenta sua precisão ao decorrer de novas analises

-Classificar objetos com base em uma base de dados já montada

CLASSIFICAÇÃO

Exemplo de KNN aplicado a um mundo bidimensional

CLASSIFICAÇÃO

2° Método - Árvore de decisão - Tem como entrada uma situação descrita por um

conjunto de atributo, retornando uma decisão. - Muito representada como um conjunto de SE-ENTÃO

(if-then).

CLASSIFICAÇÃO

3° Método - SVM - Analisa os dados e reconhecer padrões, utilizados

para classificação e análise de regressão. - O SVM básico leva um conjunto de dados de entrada e

prevê, para cada dado de entrada, e duas classes de possíveis formas de saída.

- Dado um conjunto de exemplos de treino, cada uma marcada como pertencendo a uma de duas categorias

CLASSIFICAÇÃO

4° Método - Bayes - Extensão da lógica proposicional que permite raciocinar

com proposições cuja verdade ou falsidade é incerto.

- Para avaliar a probabilidade de uma hipótese , a probabilística Bayesiana especifica alguma probabilidade anterior, o que é, então, atualizada à luz de novos e relevantes dados .

CLASSIFICAÇÃO

5° Método - Majority - Retornará as frequências relativas das classes no

conjunto de treinamento.

APRESENTAÇÃO DO ALGORITMO PARA PROCESSAMENTO DE IMAGENS DIGITAIS

• Computação pode auxiliar a medicina no diagnóstico de determinadas neoplasias;

• Através dos parâmetros da Regra do ABCD pode se determinar outros parâmetros;

• O algoritmo atendeu o que foi proposto;

• O trabalho serve como base para trabalhos futuros.

CONSIDERAÇÕES FINAIS