Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouEliana da Silva de Santarém Alterado mais de 7 anos atrás
1
Aluno: Alfredo Carlos Janke Filho Orientador: Aurélio Faustino Hoppe
2
Motivação Objetivo Fundamentação teórica Trabalhos correlatos Desenvolvimento o Requisitos o Especificação o Implementação Resultados e discussões Conclusão
3
O câncer é responsável por mais de 6 milhões de óbitos a cada ano no mundo O melanoma é tipo de câncer de pele com maior letalidade Diagnóstico precoce aumenta a chance de sucesso no tratamento médico Auxiliar o dermatologista no diagnóstico de lesões de pele através do uso de imagens digitalizadas
4
Desenvolver um protótipo de software que realize a análise e classificação de imagens lesões de pele utilizando a regra ABCD
5
Técnicas relevantes utilizadas neste trabalho: ◦ Regra ABCD ◦ Segmentação de imagens ◦ Algoritmo de Mean-Shift
6
Proposta em 1994, tem como objetivo simplificar e melhorar o processo de diagnóstico de melanomas Após a análise de 31 características dermoscópicas foram elencadas 4 principais que devem ser analisadas em uma lesão de pele em busca do melanoma: ◦ Assimetria ◦ Bordas irregulares ◦ Cor ◦ Diâmetro Cada característica recebe uma pontuação que permite realizar o cálculo do Dermatoscopy Point Value (DPV) DPV determina o diagnóstico da lesão entre maligna ou benigna
7
Tabela de cálculo do DPV CaracterísticaPtsPeso Assimetria (0 a 2)11,3 Total1,3 Resultado da proporção entre o segmento perpendicular e a diagonal maior, onde a pontuação é quantificada em (0 a 2 pontos) Caso a proporção seja maior que 40,01%: 0 ponto, lesão simétrica Caso a proporção esteja entre 20,01% a 40%:1 ponto, lesão pouco assimétrica Caso a proporção seja menor que 20%: 2 pontos, lesão muito assimétrica
8
Tabela de cálculo do DPV CaracterísticaPtsPeso Assimetria (0 a 2)11,3 Bordas (0 a 8)20,5 Total2,3 Resultado da divisão da lesão em 8 segmentos de borda (0 a 8 pontos) Cada corte abrupto de borda equivale a 1 ponto
9
Tabela de cálculo do DPV CaracterísticaPtsPeso Assimetria (0 a 2)11,3 Bordas (0 a 8)20,5 Cor (0 a 6)30,5 Total3,8 Avaliação da presença de cores: branco, vermelho, marrom claro, marrom escuro, preto, azul e cinza mesclados (0 a 6 pontos) Cada cor equivale a 1 ponto
10
Tabela de cálculo do DPV CaracterísticaPtsPeso Assimetria (0 a 2)11,3 Bordas (0 a 8)20,5 Cor (0 a 6)30,5 Diâmetro (0 a 1)00,5 Total3,8 O diâmetro da lesão sendo maior que 6 mm equivale a 1 ponto, caso seja menor, 0 ponto.
11
Tabela de cálculo do DPV CaracterísticaPtsPeso Assimetria (0 a 2)11,3 Bordas (0 a 8)20,5 Cor (0 a 6)30,5 Diâmetro (0 a 1)00,5 Total3,8 Tabela de classificação a partir do fator DPV Fator DPVDiagnóstico < 4,75Benigna >= 4,75Maligna
12
Técnica de segmentação de imagens
13
Algoritmo de Mean-Shift (deslocamento pela média)
14
Metodologia computacional para aplicação da regra ABCD na avaliação de lesões pigmentadas de Sobieranski et al. (2007) Método para extração e caracterização de lesões de pele usando difusão anisotrópica, crescimento de regiões, watersheds e contornos ativos de Araujo (2010) Sistema automático para diagnóstico de lesões cutâneas baseado em imagens dermoscópicas de Rosado (2009) Um Novo Algoritmo para Detecção de Contorno de Melanomas em Imagens de Pele de Candeias e Silva (2008)
15
Características / trabalhos correlatos Sobieranski et al (2007) Araujo (2010) Rosado (2009) Candeias e Silva (2008) Extração das características através regra ABCD XXXX Classificação através da regra ABCD utilizando o fator DPV XXX Algoritmo específico para retirada de pêlos X Segmentação por binarizaçãoXX Principais características dos trabalhos correlatos
16
RF 01 - Analisar e classificar imagens de lesões de pele utilizando a regra ABCD RF 02 - Utilizar técnicas de segmentação de imagem para extração das características para a classificação da lesão de pele RNF 03 - Ser implementado utilizando a biblioteca OpenCV
17
Protótipo possui apenas um caso de uso, o usuário pode apenas carregar a imagem dermatológica que será analisada e classificada
18
Fluxo geral de funcionamento do protótipo
19
Imagem original
20
Conversão para escala de cinza Imagem OriginalImagem Convertida
21
Suavização Imagem escala de cinza Imagem suavizada (filtro mediana)
22
Segmentação Imagem suavizada (filtro mediana) Imagem binarizada
23
Busca pelo contorno da lesão Imagem binarizada Imagem com maior contorno
24
Busca pelo espículos do contorno da lesão Imagem com maior contorno Imagem com espículos
25
Extração das características - Diâmetro
26
Extração das características - Assimetria
27
Extração das características – Bordas irregulares
28
Extração das características – Cor ( Mean-Shift )
29
Funcionamento do protótipo Imagem com a lesão identificada Imagem original Classificação da lesão
30
Foram realizados 2 experimentos: ◦ Experimento 1: classificação das lesões em relação ao seu grau de malignidade ◦ Experimento 2: classificação das lesões em relação à presença de ruídos
31
Foram submetidas 12 imagens com diagnóstico conhecido 123456 7 8 9101112 Lesões Benignas Lesões Malignas Taxa de acerto: 83%
32
Foram submetidas 2 imagens com grande quantidade de pêlos
33
Características / trabalhos correlatos Sobieranski et al (2007) Araujo (2010) Rosado (2009) Candeias e Silva (2008) Janke (2012) Extração das características através regra ABCD XXXXX Classificação através da regra ABCD utilizando o fator DPV XXXX Algoritmo específico para retirada de pêlos X Segmentação por binarizaçãoXXX
34
Os resultados obtidos foram razoáveis, porém podem melhorar principalmente em imagens onde a quantidade de pêlos é muito alta
35
Estudo e implementação de técnicas de segmentação da área da lesão de pele mais eficientes Estudo e implementação de técnicas de retirada de pêlos de imagens de lesão de pele
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.