Este documento descreve um algoritmo desenvolvido para processamento de imagens digitais com o objetivo de diagnosticar melanoma. O algoritmo utiliza técnicas de pré-processamento de imagens, extração de características e classificação com métodos como KNN, árvore de decisão e SVM para fornecer diagnósticos. Os resultados indicam que a computação pode auxiliar no diagnóstico de câncer de pele quando desenvolvida e testada corretamente.

1. 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

2. 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.

3. 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

4. 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.

5. PATOLOGIA CANCERÍGENA

6. 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.

7. CÂNCER DE PELE

8. CÂNCER DE PELE
-Pode ser classificados em dois tipos de
tumores:
-Carcinoma basocelular
- Carcinoma espinocelular
- Melanoma
Não melanoma

9. CÂNCER DE PELE
Carcinoma Basocelular
Carcinoma Espinocelular
- Transludecência pérola
e
finos vasos sanguíneos.
- Crescimento lento.
- Cerca de 70% de todos casos.
- Ocorre geralmente na cabeça
ou pescoço.
- 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,

10. CÂNCER
Carcinoma basocelular
Carcinoma espinocelular

11. 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 .

12. INSPIRAÇÃO - PARÂMETROS
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

13. ABCD

14. ABCD
A
B
C
D
0–2
0–7
1–6
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

15. 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)

16. PROCESSAMENTO

17. PADRÃO DE PDI

18. PRÉ-PROCESSAMENTO

19. PRÉ-PROCESSAMENTO
- Aplicação do filtro Gaussiano

20. 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]

21. PRÉ-PROCESSAMENTO

22. PRÉ-PROCESSAMENTO
- Binarização da imagem

23. PRÉ-PROCESSAMENTO
- Multiplicação da imagem original pela binária, para
obtenção do corte ROI

24. 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.

25. EXTRAÇÃO DE CARACTERISTICA
-1° Característica
Perímetro
Área

26. EXTRAÇÃO DE CARACTERISTICA
-2° Característica – Percentual de circularidade

27. EXTRAÇÃO DE CARACTERISTICA
-3° Característica – Média de tonalidades na imagem (RGB).
- 4° Característica – Percentual da tonalidade RGB
predominante da imagem.

28. EXTRAÇÃO DE CARACTERISTICA
-5° Característica – Suavidade (Entropia)
-6° Característica – Uniformidade (Energia)

29. EXTRAÇÃO DE CARACTERISTICA
-5° Característica – Contraste da imagem (Variância)
-6° Característica – Distribuição dos pixel’s (Homogeneidade)

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

31. 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

32. CLASSIFICAÇÃO
Exemplo de KNN aplicado a um mundo
bidimensional

33. 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).

34. 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

35. 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 .

36. CLASSIFICAÇÃO
5° Método - Majority
- Retornará as frequências relativas das classes no
conjunto de treinamento.

37. APRESENTAÇÃO DO ALGORITMO PARA
PROCESSAMENTO DE IMAGENS DIGITAIS

38. CONSIDERAÇÕES FINAIS
• 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.