Aluno: Alfredo Carlos Janke Filho Orientador: Aurélio Faustino Hoppe

 Motivação  Objetivo  Fundamentação teórica  Trabalhos correlatos  Desenvolvimento o Requisitos o Especificação o Implementação  Resultados e discussões  Conclusão

 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

 Desenvolver um protótipo de software que realize a análise e classificação de imagens lesões de pele utilizando a regra ABCD

 Técnicas relevantes utilizadas neste trabalho: ◦ Regra ABCD ◦ Segmentação de imagens ◦ Algoritmo de Mean-Shift

 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

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

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

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

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.

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

 Técnica de segmentação de imagens

 Algoritmo de Mean-Shift (deslocamento pela média)

 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)

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

 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

 Protótipo possui apenas um caso de uso, o usuário pode apenas carregar a imagem dermatológica que será analisada e classificada

 Fluxo geral de funcionamento do protótipo

 Imagem original

 Conversão para escala de cinza Imagem OriginalImagem Convertida

 Suavização Imagem escala de cinza Imagem suavizada (filtro mediana)

 Segmentação Imagem suavizada (filtro mediana) Imagem binarizada

 Busca pelo contorno da lesão Imagem binarizada Imagem com maior contorno

 Busca pelo espículos do contorno da lesão Imagem com maior contorno Imagem com espículos

 Extração das características - Diâmetro

 Extração das características - Assimetria

 Extração das características – Bordas irregulares

 Extração das características – Cor ( Mean-Shift )

 Funcionamento do protótipo Imagem com a lesão identificada Imagem original Classificação da lesão

 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

 Foram submetidas 12 imagens com diagnóstico conhecido Lesões Benignas Lesões Malignas Taxa de acerto: 83%

 Foram submetidas 2 imagens com grande quantidade de pêlos

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

 Os resultados obtidos foram razoáveis, porém podem melhorar principalmente em imagens onde a quantidade de pêlos é muito alta

 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