Segmentarea automată a imaginilor color prin tehnici de clustering cu aplicație în dermatologie Coordonator Științific: Absolvent: Prof. Dr. Ing…. [305085]

PROIECT DE DIPLOMĂ

Segmentarea automată a imaginilor color prin tehnici de clustering cu aplicație în dermatologie

Coordonator Științific: Absolvent: [anonimizat]. Constantin VERTAN Diana COJOCARU

București, 2018

ABSTRACT

Prezenta lucrare propune realizarea unui sistem ce segmentează în mod automat prin tehnici de clustering nevii melanocitari din imaginile color dermoscopice digitale. Sistemul caută și identifică structuri ce sunt diferite față de țesutul (presupus sănătos) din vecinătate. [anonimizat], [anonimizat]. Prin realizarea acestui sistem CAD se dorește un instrument de ajutor al diagnosticului în dermatologie.

Cuvine cheie: [anonimizat], [anonimizat], descriptori dermatologici.

CUPRINS

Listă figuri ……………………………………………………………………………………………………………… 4

Listă tabele …………………………………………………………………………………………………………….. 6

Introducere …………………………………………………………………………………………………………….. 7

Capitolul 1 Anatomia, Fiziologia și Patologia Epidermei / Dermei ……………………………. 9

Anatomia epidermei / dermei …………………………………………………………………….. 9

Fiziologia epidermei / dermei ……………………………………………………………………. 11

Patologia epidermei / dermei ……………………………………………………………………… 12

Capitolul 2 Clasificarea tipurilor de cancer de piele ………………………………………………… 13

2.1 [anonimizat] ………………………………………………………………… 13

2.1.1 Carcinomul bazocelular (CBC) …………………………………………………….. 13

2.1.2 Carcinomul scuamocelular (CSC) …………………………………………………. 15

2.2 Cancerul de piele melanom ………………………………………………………………………. 18

2.2.1 Melanomul superficial (extensiv în suprafață) ………………………………… 18

2.2.2 Melanomul nodular ……………………………………………………………………. 19

2.2.3 Melanomul lentigo malign ………………………………………………………….. 20

2.2.4 Melanomul amelanotic ……………………………………………………………….. 21

2.2.5 Diagnosticare …………………………………………………………………………….. 21

2.2.6 Tratament …………………………………………………………………………………. 22

Capitolul 3 Metode de investigare imagistică în dermatologie …………………………………. 24

3.1 Dermatoscopie …………………………………………………………………………………………. 24

3.2 [anonimizat] ………………………………………………… 24

3.3 Analiza spectrofotometrică ……………………………………………………………………….. 26

3.3.1 SIAscope – Analiza intracutanată spectrofotometrică……………………….. 27

3.3.2 MelaFind …………………………………………………………………………………. 27

Capitolul 4 Segmentare prin tehnici de clustering a imaginilor dermatologice ………….. 29

4.1 Clustering Net …………………………………………………………………………………………. 29

4.2 Clustering Fuzzy Probabilist ……………………………………………………………………… 31

4.3 Lucrări științifice ……………………………………………………………………………………… 34

Capitolul 5 Descrierea sistemului propus ………………………………………………………………… 36

5.1 Baza de date ……………………………………………………………………………………………. 36

5.2 Implementarea și metode de realizare a sistemului ……………………………………….. 37

5.2.1 Spațiul de culoare ……………………………………………………………………….. 38

5.2.2 Segmentarea imaginilor ……………………………………………………………….. 38

5.2.3 Extragere criterii dermoscopice …………………………………………………….. 43

5.2.3.1 Asimetrie ……………………………………………………………………… 43

5.2.3.2 Contur ………………………………………………………………………….. 45

5.2.3.3 Variație de culoare …………………………………………………………. 45

5.2.3.4 Factor total dermoscopic (TDS) ………………………………………. 46

5.3 Rezultate …………………………………………………………………………………………………. 47

Concluzii ……………………………………………………………………………………………………………….. 54

Bibliografie ……………………………………………………………………………………………………………. 55

Anexe …………………………………………………………………………………………………………………….. 58

LISTĂ FIGURI

Figura 1.1. Straturile pielii ……………………………………………………………………………………….. 9

Figura 1.2. Straturile din care este alcătuit epidermal …………………………………………………. 10

Figura 2.1. Carcinomul bazocelular ………………………………………………………… 14

Figura 2.2. Imaginea din stânga reprezintă țesutul cutanat sănătos vizualizat la microscop și imaginea din dreapta reprezintă carcinomul bazocelular vizualizat la microscop …………………………………………………………………………… 15

Figura 2.3. Carcinomul scuamocelular ……………………………………………………………………… 16

Figura 2.4. Imaginea din stânga reprezintă țesutul cutanat sănătos vizualizat la microscop și imaginea din dreapta reprezintă carcinomul scuamocelular vizualizat la microscop ……………………………………………………………………………. 16

Figura 2.5. Imaginea din stânga reprezintă melanomul superficial și imaginea din dreapta reprezintă melanomul superficial vizualizat la microscop …………………………… 19

Figura 2.6. Imaginea din stânga reprezintă melanomul nodular și imaginea din dreapta reprezintă melanomul nodular vizualizat la microscop ………………………………… 20

Figura 2.7. Imaginea din stânga reprezintă melanomul lentigo malign și imaginea din dreapta reprezintă melanomul lentigo malign vizualizat la microscop ………….. 20

Figura 2.8. Imaginea din stânga reprezintă melanomul amelanotic și imaginea din dreapta reprezintă melanomul amelanotic vizualizat la microscop ………………. 21

Figura 3.1. Examinarea leziunii cu ajutorul unui dermatoscop ……………………………………. 24

Figura 3.2. Cele două imagini reprezintă dermatoscopul Fotofinder …………………………….. 25

Figura 3.3. O reprezentare schematică a straturilor de piele (epiderm și derm) și a cromoforilor (melanină, sânge și colagen) …………………………………………………. 26

Figura 3.4. Dispozitivul SIAscope ……………………………………………………………………………. 27

Figura 3.5. Dispozitivul MelaFind ……………………………………………………………………………. 28

Figura 5.1. Măști obținute în urma segmentării cu spațiul de culoare RGB; în prima coloană sunt măștile segmentate cu condiția inițială, în a doua coloană sunt măștile corectate și inversate și în a treia coloană sunt măștile ground truth ……………………………………………………………………………………………………… 41

Figura 5.2. Măști obținute în urma segmentării cu spațiul de culoare RGB; în prima coloană sunt măștile segmentate cu condiția inițială, în a doua coloană sunt măștile corectate cu eliminarea firelor de păr și în a treia coloană sunt măștile ground truth ……………………………………………………………………………….. 42

Figura 5.3. Reprezentarea împărțirii măștii binare după cele 4 axe de simetrie ………………. 44

Figura 5.4. Reprezentare grafică a valorilor obținute pentru FP și FN în funcție de prag în urma rulării algoritmului de asimetrie…………………………………………………….. 48

Figura 5.5. Reprezentare grafică a erorii totale în funcție de prag în urma rulării algoritmului de asimetrie…………………………………………………………………………. 48

Figura 5.6. Reprezentare grafică a valorilor obținute pentru FP și FN în funcție de prag în urma rulării algoritmului de extragere a conturului ………………………………… 49

Figura 5.7. Reprezentare grafică a erorii totale în funcție de prag în urma rulării algoritmului de extragere a conturului ……………………………………………………. 50

Figura 5.8. Reprezentare grafică a valorilor obținute pentru FP și FN în funcție de prag în urma rulării algoritmului de variație de culoare ……………………………………. 51

Figura 5.9. Reprezentare grafică a erorii totale în funcție de prag în urma rulării algoritmului de variație de culoare …………………………………………………………. 51

Figura 5.10. Reprezentare grafică a valorilor obținute pentru FP și FN în funcție de prag urma calculării TDS …………………………………………………………………………….. 52

Figura 5.11. Reprezentare grafică a erorii totale în funcție de prag în urma calculării TDS…………………………………………………………………………………………………… 53

LISTĂ TABELE

Tabel 5.1. Caracteristicile imaginilor din baza de date PH² …………………………………………… 37

Tabel 5.2. Valorile medii ai evaluatorilor de performanță pentru spațiul de culoare RGB cu fereastră centrată 30×30, cu numărul de clase egal cu 2,3,4 și 5 ………… 39

Tabel 5.3. Valorile medii ai evaluatorilor de performanță pentru spațiul de culoare RGB cu fereastră centrată 30×30, 42×42 și 62×62 cu numărul de clase egal cu 2 ………………………………………………………………………………………………… 40

Tabel 5.4. Valorile medii ai evaluatorilor de performanță pentru spațiul de culoare L*a*b și YCbCr cu fereastră centrată 42×42 cu numărul de clase egal cu 2 și 3 …………………………………………………………………………………………………. 40

Tabel 5.5. Valorile medii ai evaluatorilor de performanță pentru spațiile de culoare RGB, L*a*b și YCbCr cu fereastră centrată 42×42 cu numărul de clase egal cu 2 ………………………………………………………………………………………………… 43

Tabel 5.6. Valorile obținute pentru FP, FN, TN și TP aplicându-se diferite praguri valorilor obținute, în urma rulării algoritmului de asimetrie …………………………. 47

Tabel 5.7. Valorile obținute pentru FP, FN, TN și TP aplicându-se diferite praguri valorilor obținute, în urma rulării algoritmului de extragere a conturului ………. 49

Tabel 5.8. Valorile obținute pentru FP, FN, TN și TP aplicându-se diferite valorilor obținute, în urma rulării algoritmului de variație de culoare …………………………. 50

Tabel 5.9. Valorile obținute pentru FP, FN, TN și TP aplicându-se diferite valorilor obținute, în urma calculării valorilor TDS …………………………………………………. 52

INTRODUCERE

Cancerul de piele reprezintă una dintre cele mai frecvente forme de tumoare prezente la nivel global. Potrivit Organizației Mondiale a Sănătății, cancerul de piele a devenit tot mai răspândit în ultimii zeci de ani. În fiecare an, la nivel mondial sunt diagnosticați aproximativ 3 milioane de cancere de piele și 132.000 de cazuri de melanom. Practic, unul din trei cazuri de cancer diagnosticat este un cancer de piele. [1] Conform celor mai recente date publicate de Organizația Mondială a Sănătății, în anul 2012, în România 1.121 de persoane au fost diagnosticate cu melanom malign, cea mai agresivă formă de cancer de piele, iar statisticile privind mortalitatea sunt la fel de îngrijorătoare. Aproape o treime dintre cei diagnosticați mor anual (364 de decese în anul 2012- 189 bărbați și 175 femei). [1]

Din păcate, la nivel mondial, în țările cu venituri atât medii, cât și mici interesul pentru educația față de sănătate este scăzut, iar numărul de decese de cancer crește din ce în ce mai mult. O altă cauză pentru care cazurile de cancer sunt diagnosticate foarte târziu este lipsa resurselor de sănătate sau lipsa programelor de screeening dermatologic. Pentru ca reducerile de risc să poată fi atinse prin prevenția și detectarea precoce a cancerelor se dorește implementarea unor sisteme și programe prin care pacienții sunt examinați, iar tipurile de structuri patologice ce sunt identificate să fie tratate din timp.

La nivel global s-a început implementarea unor proceduri și sisteme prin care pacienții sunt examinați, iar în România una dintre soluțiile cele mai eficiente care ar putea scădea mortalitatea este crearea de centre de screening dermatologic. Astfel, cazurile de cancer pot fi depistate din timp și aplicarea unui tratament corespunzător tipului de cancer și prevenirea reapariției acestuia. Totodată, implementarea unor sisteme de detectare automată a cancerului pe imaginile deja achiziționate reprezintă un avantaj major pentru doctori în identificarea structurilor ce nu pot fi observate ușor. Un beneficiu pe care dermatologia digitală cutanată [2] îl aduce este acela de realizare a unui flux de lucru rapid și ușor pentru medici.

Un dezavantaj pe care îl poate avea acest algoritm este acela că poate identifica o structură ca fiind anormală în timp ce această este de fapt normală. Acest fals caz se numește „fals pozitiv” [2] și presupune utilizarea mai multor resurse în depistarea cancerului, cum ar fi teste, controale medicale mai frecvente. În prezent se lucrează la îmbunătățirea algoritmului pentru evitarea acestor situații.

Lucrarea propusă are ca scop principal segmentarea automată a structurilor patologice

din imaginile dermatologice digitale prin tehnici de clustering. Acest algoritm caută și identifică anumite structuri anormale ce se diferențiază de țesutul sănătos din punct de vedere structural.

CAPITOLUL 1

ANATOMIA, FIZIOLOGIA ȘI PATOLOGIA EPIDERMEI / DERMEI

Anatomia Epidermei / Dermei

Pielea sau tegumentul este cel mai mare organ al corpului uman, reprezentând aproximativ 15% din greutatea totală a unui adult. [3] Pielea se continuă la nivelul orificiilor naturale ale organismului cu mucoasele. [4] Este alcătuită, de la suprafață spre profunzime, din două straturi: epidermul aflat în contact direct cu mediul extern, dermul. [5]

Epidermul

Epidermul este un epiteliu pluristratificat keratinizat. Profund, prezintă pătura germinativă, iar superficial pătura cornoasă.

Pătura germinativă are în structura sa două straturi:

Stratul bazal, situate pe o menbrană bazală care-l desparte de derm, format dintr-un sigur rând de celule cilindrice;

Stratul spinos, format din 6-20 rânduri de celule poliedrice, care trimit unele spre celelalte prelungiri în formă de spini. [4]

Procesul de keratinizare sau transformare cornoasă începe chiar în regiunile superficiale ale acestui strat. Pătura germinativă se caracterizează prin faptul că celulele ei se divid activ, asigurând reînnoirea straturilor superficiale, justificând astfel denumirea. În plus, cele două straturi al păturii germinative conțin pigment melanic, care este produs de celule speciale numite melanocite, localizate în derm. [3]

Pătura cornoasă este alcătuită din trei starturi (cu structură pluristratifică):

Stratul granular este format din celule turtite care conțin granulații de keratină; nucleii se fragmentează; la nivelul acestui strat, celulele epidermului încep să moară;

Stratul lucid este format din celule turtite, clare, cu nucleu degenerate, cu multe granulații de keratină în citoplasmă;

Stratul cornos conține celule foarte turtite, citoplasma lor este încărcată cu keratină, nucleii dispăruți. Metabolismul acestor celule a încetat. Legăturile dintre celule slăbesc și ele se desprind de suprafața pielii. Celulele cornoase superficiale constituie stratul descumativ și sunt continuu înlocuite de celule provenite din straturile profunde ale epidermului.

În epiderm nu pătrund vase, el fiind hrănit prin osmoză din lichidul intercelular. Epidermul conține, însă, terminații nervoase libere. [4]

Dermul

Este o pătură conjunctivă densă, în care se găsesc vase de sânge și limfatice, terminații nervoase și anexe cutanate. Este localizat între epiderm și țesutul subcutanat, fiind format dintr-un strat papilar spre exterior și un strat reticular spre interior. [8]

În stratul papilar se află papilele dermice. Pe suprafața degetelor, în palmă și talpa piciorului, papilele sunt mai evidente și formează niște proeminențe, a căror întipărire dă amprentele. Stratul reticular este format din țesut conjuctiv dens, fibre și fascicule groase. [4]

Stratul profund al dermului este alcătuit din țesut conjuctiv lax, cu un număr variabil de celule adipoase. [4]

1.2 Fiziologia Epidermei / Dermei

Pielea îndeplinește multe funcții vitale, inclusiv protecția împotriva atacatorilor fizici, chimici și biologici externi, precum și prevenirea pierderilor excesive de apă din organism și un rol în termoreglare. [4]

Desfășurarea proceselor metabolice ale pielii necesită un mediu care conține substanțele necesare, acestea fiind anorganice (apă, săruri minerale) și organice (proteine, glucide, lipide). Pielea separă organismul de mediul înconjurător și-l apără de o serie de influențe externe.

Protecția termică e dată de conductibilitatea termică redusă și capacitatea termică ridicată datorită conținutului bogat de apă. Protecția mecanică e realizată de elasticitatea și rezistența pielii. Protecția chimică are loc prin filmul lipidic superficial care scape permeabilitatea pielii față de substanțele solubile în apă. Protecția antiactinică se realizează mai ales față de razele ultraviolete chimice active prin melanina ce absoarbe razele ultraviolete. Rolul senzorial al pielii este dat de imensul număr de receptori nervoși care percep senzațiile de durere, cele termice (cald-rece) și de presiune. Funcția pielii în termoreglare se manifestă prin menținerea homeostazei termice. Temperatura cutanată este rezultanta diferenței de căldură dintre temperatura internă și cea a mediului ambiant și variază între 36.5 ˚C și 30 ˚C. [9]

1.3 Patologia Epidermei / Dermei

În momentul de față, la nivel global, una din principalele cauze de deces o reprezintă cancerul de piele înregistrându-se mai mult de 40% dintre cazuri. Acesta este comun în special la persoanele cu pielea deschisă la culoare. Controlul neregulat, neaplicarea unor metode de depistare timpurie și anume crearea de centre de screening și lipsa educației oncologice la nivel de populație, a dus la o rată de mortalitale ridicată.

Apariția cancerului de piele este datorată mai multor factori de risc: expunerea prelungită la soare, factori genetici, prezența nevilor displazici și a celor pigmentari, sistem imun deprimat. [10]

Țesutul fiind format din mai multe celule legate asigurând același rol în organism, acesta este afectat de cancer prin multiplicarea dezordonată și dezorganizată a celulelor. Aceste formațiuni create prin multiplicare rapidă nu au o structură celulară adecvată ca a unui țesut sănătos, ci sunt împrăștiate și necontrolate până la aplicarea unui tratament.

Din punct de vedere medical, cancerul se împarte în două mari categorii: malign (canceros), benign (necanceros).

Dacă nevul melanocitar este confirmat de biopsie ca fiind malign, se va recurge la o intervenție chirurgicală. O porțiune mai mare de piele va fi excizată și țesutul obținut va fi analizat la microscop pentru a se asigura că nu au mai rămas celule canceroase în piele. În cazul în care cancerul s-a extins și la alte organe din interiorul organismului rareori o intervenție chirurgicală poate ajuta la prelungirea speranței de viață a pacientului.

CAPITOLUL 2

CLASIFICAREA TIPURILOR DE CANCER DE PIELE

Cancerul de piele poate afecta orice structură anatomică a tegumentului, prezentate în Capitolul 1. Acesta poate apărea sub diferite forme și dimensiuni. În continuare, acest capitol este dedicat clasificării tipurilor de cancer după locul apariției și după formă. Astfel, avem următoarea clasificare:

Cancer de piele non-melanom

Carcinom bazocelular

Carcinom spinocelular

Cancer de piele melanom

Melanomul superficial (extensiv în suprafață)

Melanomul nodular

Melanomul lentigo malign

Melanomul amelanotic

2.1 Cancerul de piele non-melanom

Sunt două tipuri principale de cancer de piele non-melanom: cancer bazocelular și cancer spinocelular. Cancerul bazocelular este cel mai întâlnit tip de cancer din lume. Cancerul spinocelular este al doilea ca răspândire. Raportul este de 4 la 1 în favoarea cancerului bazocelular. Vestea bună este că ambele tipuri sunt ușor de tratat și vindecabile în majoritatea cazurilor. [11]

2.1.1 Carcinomul bazocelular (CBC)

Carcinomul bazocelular (CBC) este cea mai frecventă formă de cancer al pielii, afectând în fiecare an milioane de oameni în întreaga lume. In fapt CBC este cel mai frecvent tip de cancer al omului. Mai mult de o treime din toate cazurile de cancer diagnosticate în întreaga lume sunt cancere ale pielii, iar marea majoritate a acestora sunt carcinoame bazocelulare. [12]

CBC ia naștere din celulele bazale, aflate la baza epidermului, care este stratul superficial al pielii. Acesta se dezvoltă cel mai adesea pe cap și gât. Este cauzată în principal de expunerea la soare sau se dezvoltă la persoanele care au primit radioterapia ca și copii. Acest tip de cancer de piele crește de obicei încet și rar se extinde în alte părți ale corpului. [13]

La nivel de simptomatologie, cele mai multe carcinoame bazocelulare sunt nedureroase. Pacienții observă apariția CBC în momentul în care acesta sângerează ocazional și nu se vindecă complet. Unele carcinoame bazocelulare sunt foarte superficiale și arată ca o pată roșie. [14]

Uneori diagnosticul este pus doar pe examinarea nevului. Alteori, este necesară o investigație suplimentară, realizându-se o biopsie a leziunii pentru a fi examinată cu ajutorul unui microscop după cum se observă în Figura 4. Se administrează un anestezic local în prealabil pentru a amorți pielea. [14]

Metodă de tratamentul pentru CBC este intervenția chirugicală care poate fi realizată în mai multe moduri. O primă modalitate ar fi excizia simplă ce presupune utilizarea unui bisturiu pentru a exciza leziunea și o margine de țesut sănătos din jurul acesteia. Aceasta fiind o operație cu risc mic, ce se realizează cu anestezie locală. [15]

A doua modalitate este intervenția Mohs ce implică eliminarea strat după strat a țesutului tumoral, cu confirmarea microscopică după fiecare excizie. Această variantă poate dura ore, dar rezultatul este conservarea unei proporții mai mari a țesutului sănătos, cu rezultate estetice mai bune. A treia modalitate este chiuretajul și electrodesicarea ce implică “răzuirea” leziunii cu o chiuretă, urmată de cauterizarea zonei și eliminarea restului de cellule tumorale, folosind o ansă electrificată. Si a patra modalitate este albația cu laser ce implică folosirea laserului cu dioxid de carbon, leziunile fiind îndepărtate cu chiuretaj sau fără. Deși se consideră că lasă cicatrici mai estetice, siguranța acestei tehnici în cancerul de piele este insuficient studiată. [15]

2.1.2 Carcinomul scuamocelular (CSC)

Carcinomul spinocelular (CSC), este o formă de cancer de piele situată pe locul al doilea ca frecvență, după carcinomul bazocelular și care afectează sute de mii de oameni în Europa, în fiecare an. Carcinomul spinocelular ia naștere din epiderm și este asemănător celulelor scuamoase, care alcătuiesc cea mai mare parte a straturilor superficiale ale pielii. CSC poate apărea în orice regiune a corpului, inclusiv la nivelul mucoaselor, dar este mai des întâlnit în zonele expuse soarelui. [16]

Deși CSC rămâne de obicei limitat la epiderm pentru o anumită perioadă de timp, dacă nu este tratat penetrează în cele din urmă și țesuturile de dedesubt. Când acest lucru se întâmplă, evoluția sa poate duce la desfigurare. Într-un mic procent din cazuri, carcinomul spinocelular se poate răspândi (metastaza) în corp, către țesuturi și organe aflate la distanță și poate fi fatal. CSC care metastazează sunt de obicei cele care apar în zone ale pielii ce prezintă inflamație cronică, sau la nivelul mucoaselor și buzelor. [16]

CSC apare de obicei sub forma unei plăci îngroșate, aspre și solzoase și care poate sângera ușor dacă este lovită. De obicei arată ca un neg dar uneori apare ca o rană deschisă cu marginea în relief și cruste la suprafață acoperind baza grunjoasă și proeminentă. Adesea apare pe buze și în zonele de traumatism cronic. [16]

După examinarea medicală se efectuează de obicei o biopsie pentru confirmarea diagnosticului de CSC. Aceasta presupune extragerea unei mici porțiuni din țesutul afectat (sub anestezie locală) și examinarea acesteia la microscop după cum se observă în Figura 6.

Din fericire, există mai multe modalități eficiente pentru eradicarea CSC. Alegerea tratamentului se face în funcție de tipul, mărimea, localizarea și adâncimea invaziei tumorii, precum și de vârsta pacientului și de starea sa generală de sănătate. [16]

O primă modalitate ar fi excizia simplă ce presupune utilizarea unui bisturiu pentru a exciza leziunea și o margine de țesut sănătos din jurul acesteia. Aceasta fiind o operație cu risc mic, ce se realizează cu anestezie locală. [18]

A doua modalitate este intervenția Mohs ce implică eliminarea strat după strat a țesutului tumoral, cu confirmarea microscopică după fiecare excizie. Această variantă poate dura ore, dar rezultatul este conservarea unei proporții mai mari a țesutului sănătos, cu rezultate estetice mai bune. [18]

A treia modalitate este chiuretajul și electrodesicarea ce implică “răzuirea” leziunii cu o chiuretă, urmată de cauterizarea zonei și eliminarea restului de cellule tumorale, folosind o ansă electrificată. [18]

A patra modalitate este albația cu laser ce implică folosirea laserului cu dioxid de carbon, leziunile fiind îndepărtate cu chiuretaj sau fără. Deși se consideră că lasă cicatrici mai estetice, siguranța acestei tehnici în cancerul de piele este insuficient studiată. [18]

A cincea modalitatea este radioterapia fiind preferată pentru tumorile care sunt greu de îndepărtat chirurgical sau în cazul pacienților cu vârstă înaintată sau cu stare generală de sănătate precară, care nu ar tolera o intervenție chirurgicală mare. De asemenea se poate utiliza în combinație cu tratamentul chirurgical, fie anterior intervenției chirurgicale pentru a micșora dimensiunile tumorii și a ușura excizia, fie după intervenția chirurgicală, pentru a distruge eventualele cuiburi de celule tumorale rămase neobservate în piele. În ambele situații poate crește șansele de vindecare. [18]

Și a șasea modalitate este terapia fotodinamică (TFD) poate fi folositoare în cazul leziunilor superficiale, limitate la epiderm, aflate pe față sau scalp. Se aplică local pe leziuni o substanță fotosensibilizantă (acid 5-aminolevulinic sau un derivat) în cabinetul dermatologic. După câteva ore pacientul revine la cabinet unde i se aplică pe zonele tratate cu fotosensibilizant o lumină puternică, activatoare. Acest tratament distruge selectiv CSC cauzând pagube minime asupra țesutului sănătos din jur. Roșeața și tumefacția sunt efectele adverse uzuale ale acestei noi terapii. [16]

Depistat în fază timpurie, CSC este aproape întotdeauna vindecabil. Cu cât tumora a crescut însă mai mult, cu atât va fi nevoie de un tratament mai complex. Tumorile localizate care nu sunt tratate cu promptitudine pot determina pierderea unei urechi, a unui ochi sau a nasului, astfel încât depistarea lor cât mai devreme este esențială. CSC poate metastaza către alte organe ale corpului. Metastazarea survine rar, dar când acest lucru se întâmplă, este adesea fatal.

Oricine a avut un CSC are un risc crescut de a dezvolta încă unul. Acest lucru se datorează faptului că efectele nocive ale soarelui asupra pielii sunt ireversibile. De asemenea persoanele care au avut un carcinom bazocelular au o probabilitate mai mare de a dezvolta CSC, deoarece ambele tipuri de cancer de piele sunt cauzate de obicei de expunerea excesivă la soare. [16]

Chiar dacă un CSC a fost îndepărtat cu atenție, un altul poate apărea în același loc sau în apropiere. Riscul acestor recurențe este maxim în primii 2 ani după intervenția chirurgicală inițială. Carcinoamele spinocelulare dezvoltate pe nas, urechi sau buze sunt în mod special predispuse la recurență. [16]

În cazul în care cancerul reapare, medicul poate recomanda alt tip de tratament. Unele metode – ca de exemplu chirurgia micrografică Mohs – pot fi mult mai eficiente decât altele în astfel de cazuri.

2.2 Cancerul de piele melanom

Între dermă și epidermă există niște celule denumite melanocite. Acestea secretă un pigment ce dă culoare pielii. Pigmentul ajută la protejarea corpului de razele ultraviolete ale soarelui. Razele ultraviolete pot provoca arsuri. Melanocitele sunt celulele ce pot deveni canceroase în melanomul malign. Există un factor de mediu principal care crește riscul de apariție a melanomului – razele ultraviolete (radiațiile). Razele ultraviolete provin de la soare sau de la solar.

Melanomul este de mai multe tipuri: melanomul superficial, melanomul nodular și melanomul lentigno maling ce reprezintă 90% din cazurile diagnosticate de melanom malign. Melanomul acral lentiginos și alte tipuri rare reprezintă restul de 10% din cazuri. [19]

2.2.1 Melanomul superficial (extensiv în suprafață)

Acesta este cel mai des întâlnit tip de melanom. Aproximativ 7 din 10 cazuri de melanom diagnosticate în România (70%) sunt de acest tip. Acestea se întâlnesc mai ales la persoanele în vârstă. Pentru început, acestea tind să crească la suprafața pielii, mai degrabă decât la interior. Medicii denumesc acest stadiu răspândire radială. De obicei, melanomul nu reprezintă risc de răspândire la alte părți ale corpului decât atunci când începe să crească în interiorul straturilor pielii și dincolo de acestea. Dacă aluniță se mărește, mai ales dacă are margini neregulate, este important consultul de specialitate pentru a o verifica. [19]

2.2.2 Melanomul nodular

Acest tip de melanom tinde să se dezvolte foarte repede. Acesta apare mai ales la persoanele cu vârstă mijlocie, pe părți ale corpului care sunt expuse doar rar la soare. Deci apare adesea pe piept sau pe spate. Acesta începe să se extindă rapid spre interior, adânc în piele, dacă nu este îndepărtat. La acest tip de melanom apare, în general, o zonă mai ridicată a pielii. Melanomul nodular este adesea închis la culoare, maro spre negru sau chiar negru. Acestea apar în zone care nu sunt expuse la soare. De asemenea, ele se pot dezvolta de la sine, nu neapărat de la o aluniță deja existentă. [19]

2.2.3 Melanomul lentigo malign

Aproximativ 1 din 10 cazuri de melanom (10%) sunt de acest tip. Aceste se dezvoltă din zone pigmentate ale pielii denumite lentigo malign sau pistrui Hutchinson. Acest tip de cancer este mai des întâlnit la persoanele în vârstă. El se prezintă în zone de piele care sunt expuse frecvent la soare, deci apar mai ales la nivelul feței. Persoanele cele mai afectate sunt cele care lucrează mult afară. Zonele lentigo maligne sunt plate și se extind la exterior, în straturile superficiale ale pielii. Ele se pot mări de-a lungul câtorva ani și își pot schimba și forma. Dacă se transformă în melanom lentigo malign, acesta va începe să se extindă la interiorul straturilor pielii și poate forma tumori (noduli). [19]

2.2.4 Melanomul amelanotic

Amelanotic înseamnă fără melanină. Melanoamele tind să fie închise la culoare, dar cele de tip amelanotic nu prezintă culoare. Uneori ele pot fi roz sau roșii, sau pot avea o tendă maronie sau gri în jurul marginilor. Mai puțin de 5 din 100 de cazuri de melanom (5%) sunt de tip amelanotic. Alte tipuri de melanom, precum cel lentiginos acral pot să nu prezintă culoare, ceea ce le transformă în melanoame amelanotice. Acestea sunt destul de dificil de diagnosticat din cauza faptului că nu prezintă culoare și pot fi confundate cu alte probleme dermatologice. Tratamentul este însă la fel ca și pentru alte tipuri de melanom.

2.2.5 Diagnosticare

Dermatoscopia cunoscută și ca dermoscopie este o metodă neinvazivă de evaluare a leziunilor cutanate pigmentate, în principal a nevilor și a melanomului, fiind o tehnică extrem de utilă în examinarea alunițelor și diagnosticarea melanomului. Metoda se bazează pe iluminarea straturilor superficiale ale pielii (epiderm și derm), vizualizându-se astfel pigmentul melanic produs de melanocite, celulele ce intră în alcătuirea nevilor melanocitari și a melanomului. Realizarea dermatoscopiei nu implică niciun disconfort sau durere pentru pacient. Dermatoscopia impune medicului o concentrare mai mare în evaluarea fiecărei leziuni pigmentate. [27]

Dermatoscopia prin vizualizarea pigmentului melanic în principal, dar și a altor pigmenți (hemoglobină, etc) din piele, furnizează imagini mult mai bogate din punct de vedere cromatic și al elementelor structurale prezente. Aceste informații permit deconspirarea unor leziuni pigmentate aparent banale, lipsite de orice risc, ca fiind nevi atipici și chiar melanom.

În prezent, majoritatea medicilor dermatologi analizează nevii melanocitari din imaginile dermoscopiei cu ajutorul regulii ABCDE: [28]

A este pentru asimetrie: o jumătate de nev melanocitar nu este egală cu cealaltă;

B este pentru contur: marginile sunt neregulate, zdrențuite, crestate sau neclară;

C este pentru culoare: culoarea nu este aceeași peste tot și poate include nuanțe de maro sau negru sau uneori cu patch-uri de roz, roșu, alb sau albastru;

D este pentru diametru: Punctul este mai mare de 6 milimetri (dimensiunea unei radiere a unui creion), deși melanoamele pot fi uneori mai mici decât acestea;

E este pentru evoluție: nevul își modifică dimensiunea, forma sau culoarea.

Examinarea histopatologica este analiza de laborator a celulelor tumorale prin disecția tumorii. Aceasta va confirma diagnosticul de melanom. Tumoarea trebuie eliminată complet ți apoi trimisă la laborator. Aceasta se numește biopsie a pielii și se face manual de către medic. În primul rând, un anestezic local este injectat în zona care urmează să fie eliminată. Apoi, alunița suspectă este eliminată, împreună cu o anumită marjă de țesut normal din jurul tumorii și de sub aceasta. Este foarte important ca atât indepărtarea, cât și examinarea în laborator a nevului să fie efectuate de către specialiști cu experiență în diagnosticul și tratamentul melanomului.

2.2.6 Tratament

După biopsie, anatomopatologul va confirma sau infirma diagnosticul de melanom malign și va stabili extensia locală a bolii. Testele suplimentare, prescrise de către clinicieni și efectuate de către medicii specialiști în imagistică vor evalua eventuala extensie la distanță.

Chirurgii și radioterapeuții oferă tratamente pentru boala localizată (limitată la piele). Oncologii medicali oferă tratamente medicamentoase, care vizează distrugerea celulelor canceroase ce s-au răspândit dincolo de de tumora primară (locoregional-la nivelul ganglionilor limfatici sau la distanță -metastaze ). Radioterapia sau tratamentele medicale postoperatorii sunt uneori efectuate atunci când se apreciază că riscul existenței bolii microscopice reziduale este semnificativ. În situațiile în care nu există standarde de tratament sau opțiunile terapeutice curente au fost epuizate, includerea într-un trial clinic (care investighează tratamente noi) reprezintă o opțiune importantă. [29]

Nu toți pacienții cu melanom malign vor primi același tratament. Planurile de tratament sunt individualizate, fiind stabilite de către echipe de specialiști, buni cunoscători ai posibilităților și limitelor diverselor metode de tratament, în funcție de anumiți parametri, rezultați din evaluările anterioare.

Atunci când boala este localizată (limitată la piele) intervenția chirurgicală este tratamentul primar. În funcție de extensia bolii (profunzimea invaziei tegumentare, invazia sau absența invaziei ganglionare), se apreciază dacă este sau nu nevoie de tratament postoperator (radioterapie sau imunoterapie). Când boala este avansată (în stadiul metastatic), chimioterapia sau și imunoterapia sunt indicate. Uneori, deși tumora este localizată, intervenția chirurgicală nu poate fi efectuată cu limită de siguranță (din considerente cosmetice sau de localizare anatomică). În această situație pot intra în discuție diverse tratamente nechirurgicale. [29]

În afară de extensia bolii, statusul de performanță și bolile asociate sunt luate în considerare atunci când se face planul de tratament postoperator (sau preoperator, după biopsie, atunci când excizia nu este posibilă sau boala este diagnosticată într-un stadiu avansat, nechirurgical).

CAPITOLUL 3

METODE DE INVESTIGARE IMAGISTICĂ ÎN DERMATOLOGIE

3.1 Dermatoscopie

Dermatoscopia (denumită și dermoscopie) reprezintă o metodă rapidă și neinvazivă de diagnosticare a leziunilor pigmentare ale pielii, folosind un instrument specializat numit dermatoscop.

Dermatoscopul sau dermoscopul este un instrument format dintr-un sistem optic asemănator unei lentile la care este atașată o sursă de lumină, evaluându-se în vivo culorile și microstructurile epidermului și a dermului superficial.

Principiul de functionare al dermatoscopiei constă în scăderea reflexiei aerului în stratul cornos (stratul superficial al pielii), fie cu ajutorul unui lichid de imersie, fie cu lumina polarizată și mărirea imaginii obținute. Astfel este posibilă vizualizarea nu numai a suprafeței pielii ci si a structurilor ceva mai profunde. [30]

3.2 Dermatoscopia computerizată – Fotofinder

Dermatoscopia computerizată – Fotofinder este o metodă modernă de înaltă tehnologie, total neinvazivă, superioară dermatoscopiei clasice, care însumează cele mai noi și mai performante softuri ce permit urmărirea în timp a evoluției alunițelor cu caracter displazic, adică cu potențial de transformare în cancer cutanat cu gravitate maximă – melanom malign.

Dispozitivul mărește optic leziunea de peste 100 de ori. Astfel nevul (alunița) este fotografiat și analizat pe monitorul aparatului la nivel de detaliu – pentru evaluarea riscului de transformare în melanom. Apoi softul interpretează imaginea ținând seama de criterii cum sunt localizarea leziunii, dimensiuni, culoare, simetrie și margini. [32]

Dermatoscopul Fotofinder calculează pentru fiecare aluniță investigată un scor numeric al riscului de transformare oncogenă și îl afișează într-o formă grafică ce se înregistrează fotografic sau digital. [32]

În cazul pacienților cu un număr mare de alunițe, dispozitivul fotografiază zona respectivă, apoi analizează fiecare aluniță în parte, identificându-le pe acelea care prezintă risc crescut.

Pentru îmbunătățirea acurateței diagnosticului, în cazul leziunilor suspecte, examinările pot fi repetate la un interval optim de 3-6 luni și imaginile noi obținute pot fi comparate cu cele stocate în memoria aparatului.

Cu ajutorul dermatoscopiei computerizate se pot realiza:

Screeningul rapid al cancerelor cutanate

Diagnosticul și supravegherea evoluției în timp a nevilor pigmentari (alunițe) prin tehnica Mole-Analyzer

Metoda de diagnostic prin dermatoscopie computerizată este total neinvazivă și nu produce disconfort pacientului.

3.3 Analiza spectrofotometrică

Analiza spectrofotometrică sau spectrală a leziunilor pielii se referă la utilizarea unui dispozitiv de imagistică a pielii pentru a ajuta la evaluarea leziunilor pielii pigmentate (nevi melanocitari) și pentru a facilita identificarea și diagnosticarea melanoamelor maligne din stadiu incipient.

Analiza spectrofotometrică este o formă avansată de dermoscopie utilizând un software care calculează și extrage informații despre celulele și structurile pielii. În prezent, majoritatea dispozitivelor dermoscopice funcționează utilizând un sistem puternic de iluminare și o lentilă de mărire de înaltă calitate. Lumina pătrunde în piele, 20 de microni în adâncime și imagini digitale sunt captate. Analiza spectrofotometrică duce dermoscopia cu un pas mai departe prin utilizarea unui fascicul de lumină care pătrunde până la o adâncime de 2-2,5 mm (1000x mai adânc) sub suprafața pielii. Imaginile luminoase realizate cu o cameră digitală sau un scaner de mână sunt apoi introduse în calculator. [33]

Analiza spectrofotometrică funcționează pe principiul conform căruia energia luminoasă este absorbită și expulzată de celulele țintă particulare cu variații de culoare în piele. [33]

Analiza spectrofotometrică este utilizată pentru a ajuta la detectarea și diagnosticarea timpurie a melanomului malign. S-a demonstrat că utilizarea acestei analize de către medici crește precizia diagnosticului (sensibilitate) de la aproximativ 70%, numai prin examinarea clinică, până la 95%. [33]

3.3.1 SIAscope – Analiza intracutanată spectrofotometrică

SIAscope este un tip de spectrofotometru. Siascope vine de la analiza intracutanată spectrofotometrică și este o marcă comercială a Clinicii Astron Limited. Dispozitivul emite lumină vizibilă și infraroșu, iar diverși cromofori (melanină, hemoglobină, colagen) din straturile de piele răspund la lumină diferit și trimit înapoi lumina reflectată. Melanina absoarbe lumina ultravioleta, hemoglobina (celulele roșii din sânge) absorb lumina infraroșie și colagenul absoarbe și elimină lumina în spectrul corespunzător mărimii și cantității de celule de colagen din straturile profunde ale pielii (derma papilară). Lumina reflectată primită de spectrofotometru este analizată printr-un algoritm care calculează cantitatea de lumină absorbită la diferite lungimi de undă. [34]

Imaginile create din analiza computerizată arată prezența schimbărilor de melanină, sânge sau colagen în zona examinată. De exemplu, melanocitele pot fi arătate în straturile mai profunde ale pielii, care pot fi o indicație timpurie a melanomului. [33]

3.3.2 MelaFind

MelaFind este un dispozitiv multispectral automat ce detectează melanomul. Spre deosebire de SIAscope, MelaFind utilizează 75 de caracteristici pentru a evalua gradul de dezorganizare tridimensională în tumoare utilizând 10 lungimi de undă distincte de la lumina albastră până la infraroșu apropiat. Leziunile foarte dezorganizate trebuie înlăturate. Leziunile cu dezorganizare scăzută pot fi ignorate. [33]

Acesta a fost conceput pentru a fi utilizat de medicii dermatologi pentru îi ajuta să decidă dacă să elimine leziunile pigmentate suspecte.

Leziunea pigmentată este mai întâi ștearsă cu alcool pentru a asigura o suprafață umedă fără bule pentru potrivirea indicelui de refracție. Capătul de scanare este plasat pe piele, centralizând leziunea îngrijorătoare, iar imagistica începe. După șase secunde, pe ecranul computerului sunt afișate zece imagini cu rezultatele analizei: biopsie sau monitorizare. [33]

Analiza automată cuprinde cinci părți, și anume:

Calibrarea pentru a reduce artefactele și a măsura reflexia pielii;

Evaluarea calității imaginii;

Segmentarea leziunii, adică marginea leziunii, este identificată;

Elementele de extragere a algoritmilor;

Clasificarea leziunii ca pozitivă (biopsie) sau negativă (monitorizare).

MelaFind nu este utilizat pentru a confirma un melanom tipic și nici nu este necesar pentru leziunile tipice benigne. Leziunile cutanate care sunt ideale pentru examinarea cu MelaFind au următoarele caracteristici: [33]

Nev melanocitar cu diametrul 2-22 mm;

Cu una sau mai multe dintre caracteristicile ABCD (asimetrie, contur neregulat, variație a culorii sau diametru> 6 mm) sau altă problemă clinică;

Fără ulcerații sau sângerări sau cicatrici;

Nevul nu trebuie să se află pe suprafețe palmare, plantare sau mucoase sau pe unghii.

CAPITOLUL 4

SEGMENTARE PRIN TEHNICI DE CLUSTERING A IMAGINILOR DERMATOLOGICE

Segmentarea este unul dintre pașii esențiali pentru diagnosticul asistat de calculator (CAD) al cancerului de piele cu imagini dermoscopice. Segmentarea imaginii este procesul de împărțire a unei imagini în diferite regiuni, pentru ca fiecare regiune să fie omogenă. O segmentare eficientă oferă medicilor informații pentru planificarea chirugicală și detectarea timpurie a cancerului de piele.

Diagnosticul asistat de calculator cunoscut sub numele de CAD este utilizat ca și termen general ce include și extragerea computerizată a indicatorilor cantitativi din imaginile medicale. Din punct de vedere al dezvoltării algoritmului, acest lucru este natural deoarece detecția și cuantificarea leziunilor, de exemplu, fac parte din procesul de diagnosticare.

Tehnicile de clustering (sau de auto-organizare a datelor multidimensionale) sunt metode algoritmice prin care se atribuie fiecărui vector de date din mulțimea considerată o etichetă de apartenență la una dintre clasele ce rezultă prin gruparea vectorilor similari. Toți vectorii de date ce au valori asemănătoare vor căpăta o aceeași etichetă de apartenență, formând un grup. Rezultă astfel o partiționarea completă a setului de vectori de trăsături asociați pixelilor imaginii, ceea ce induce partiționarea completă a suportului spațial al imaginii, și deci segmentarea acesteia. [36]

4.1 Clustering Net

Metodele de clustering iterativ distribuie obiectele (vectorii) într-un număr predefinit de clase, repetând testarea unor condiții pentru fiecare obiect al mulțimii; în funcție de îndeplinirea sau nu a respectivelor condiții, partiția existentă la un moment dat este declarată corespunzătoare sau, în urma modicării alocării unor unități, procedeul de verificare se reia. Se poate considera că algoritmii iterativi fac mai multe treceri prin setul de obiecte de partiționat, până la obținerea stabilizării (convergenței) valorii criteriului ce caracterizează calitatea partiției. [36]

Calitatea partiției (a clasificării) este măsurată de suma varianțelor claselor ωj (adică suma distanțelor de la fiecare vector la centrul clasei în care aparține, ceea ce poate fi interpretat și ca o eroare de aproximare a vectorilor din clase prin centrul respectivei clase). Deci funcția criteriu ce trebuie minimizată este: [36]

În urma minimizării lui J trebuie determinate valorile μj (centrele claselor) și valorile binare uij , coeficienții de apartenență ai vectorilor i la clasele j, definiți de:

Determinarea centrelor claselor se poate face simplu, prin anularea derivatei funcției criteriu J în raport cu μj :

de unde rezultă că centrele claselor sunt mediile vectorilor ce aparțin acestora:

Determinarea coeficienților de apartenență uij este însă o problemă de optimizare combinatorială, care nu poate fi rezolvată analitic. Pentru rezolvarea acestei probleme sunt necesare metode iterative. Metoda imediată urmărește să determine, pentru fiecare vector al setului, dacă acesta poate fi mutat dintr-o clasă în alta, astfel ca suma varianțelor claselor să scadă. După fiecare asemenea mutare, este necesară actualizarea mediilor claselor între care s-a făcut schimbul. Iterațiile se repetă până când nici un vector nu mai poate fi mutat. Algoritmul este descris de următoarele etape: [36]

Se alege o partiție aleatoare a setului de obiecte (vectori);

Pentru fiecare vector xi din set, dacă nu este unic în clasa sa ωj, se calculează costul mutării în altă clasă, ωk, k ≠ j;

Vectorul xᵢ este mutat în clasa pentru care costul ck este minim; se recalculează mediile claselor implicate în schimbare ( ωj și ωk );

Dacă cel puțin un vector a fost mutat între două clase, algoritmul se reia de la pasul 2.

Principalul dezavantaj al acestei abordări este faptul că mediile claselor sunt recalculate după fiecare schimbare ce implică fiecare vector al mulțimii considerate, ceea ce are ca efect un volum mare de calcule. O simplificare a metodei provine din observația intuitivă că este normal ca un obiect să fie alocat (să aparțină) clasei de care este cel mai apropiat (în sensul distanței la media acesteia). Folosind acestă observație, realocarea se poate face pentru toate obiectele considerate fără a fi nevoie de recalcularea mediilor claselor pentru fiecare obiect; recalcularea mediilor se va face după fiecare parcurgere completă a mulțimii de obiecte de partiționat. Acest algoritm este numit „Basic ISODATA” (de la „Iterative Self Organizing Data Analysis Technique” – tehnică iterativă cu auto-organizare de analiză a datelor), cunoscut și sub numele de K-means sau C-means („cele k (sau C) medii”). Algoritmul este descris de următoarele etape: [36]

Se alege o partiție aleatoare a setului de obiecte (vectori);

Pentru fiecare vector xi din set, se calculează distanțele sale la mediile tuturor claselor;

În iterația următoare, vectorul xi va fi mutat în clasa la care distanța dk este minimă;

După parcurgerea completă a setului de vectori, se reactualizează mediile claselor;

Dacă (față de iterația anterioară) nici un vector nu a fost mutat în altă clasă (sau media nici unei clase nu s-a modificat), algoritmul se încheie; dacă nu, se reia algoritmul de la pasul 2.

4.2 Clustering Fuzzy Probabilist

Incertitudinea asociată valorilor ce caracterizează punctele imaginii poate avea cauze multiple: cuantizarea valorilor reale ale mărimilor fizice măsurate în scenă, prezența zgomotului sau imposibilitatea observatorilor de a deosebi nivele de gri foarte apropiate. Posibilitatea ca anumite puncte ale imaginii să se situeze simultan în mai multe clase (sau la frontiera acestora) este un caz frecvent întâlnit în imagistica medicală (unde contururile organelor sunt relativ incerte, ca urmare a mișcărilor involuntare ale subiectului în timpul preluării imaginii). Soluția pentru aceste cazuri este relaxarea condiției de nesuprapunere a regiunilor și deci acceptarea faptului că un punct al imaginii poate aparține unei regiuni într-o măsură mai mare sau mai mică. Aceasta conduce la definirea funcției caracteristice a unei regiuni ca o funcție Lukasiewicz, cu valori în intervalul [0; 1], funcție ce exprimă gradul în care un pixel aparține regiunii (sau gradul de apartenență a pixelului la regiune) și la modelarea regiunilor din imagine ca mulțimi nuanțate sau vagi (fuzzy). [36]

Mulțimile vagi, introduse de Zadeh în anii '60 se revendică din teoria logicii nuanțate a lui Lukasiewicz, în care propozițiile nu sunt pe de-a întregul adevărate sau pe de-a întregul false. La modul simplist de interpretare, logica vagă presupune înlocuirea funcțiilor caracteristice binare de descriere a mulțimilor cu funcții ce iau valori în domeniul [0; 1]. În aceste condiții, metodele de clustering deja prezentate capătă noi forme. [36]

Fiecărui vector de trăsături xj atașat unui pixel i se asociază mulțimea de grade de apartenență la cele K clase ale partiției: u1j ; u2j ; … ; uKj , cu uij ∈ [0; 1]. Criteriul cantitativ ce exprimă calitatea partiției și care trebuie optimizat este calitatea aproximării vectorilor de trăsături xj prin centroizii claselor μᵢ, calitate măsurată ca o eroare pătratică. [36]

Optimizarea criteriului de calitate a partiției se face sub constrângerea ca suma gradelor de apartenență a unui punct la toate clasele partiției să fie 1 (și deci punctul să fie partajat între cele K clase ale partiției), deci: [36]

Această formă matematică a constrângerii, care amintește de condiția de normare a unui câmp de probabilități, impune numele de “clustering probabilist”; trebuie totuși avut în vedere că nimic altceva în afara acestei asemănări nu face apel la teoria probabilităților. Cele N constrângeri din (4.6) se vor încorpora prin metoda multiplicatorilor lui Lagrange criteriului J (4.5) de optimizat, rezultând o nouă funcție, J, în necunoscutele uij și μᵢ: [36]

Derivatele parțiale ale funcției J, după necunoscutele μs și ust oarecare, dar fixate, sunt:

Ecuația (4.8) permite determinarea centroizilor (prototipurilor, centrelor) claselor ca:

Ecuația (4.9) conduce la exprimarea gradelor de apartenență ust a vectorilor la clase ca:

Înlocuind expresiile gradelor de apartenență din (4.11) în ecuația ce exprimă constrângerea probabilistă (4.6), se poate obține o expresie pentru multiplicatorii Langrage, λt:

Înlocuind valorile multiplicatorilor Lagrange dați de (4.12) în expresia inițială a gradelor de apartenență (4.9), se obține expresia finală de calcul a acestora:

Soluția finală căutată (centroizii celor K clase și gradele de apartenență a vectorilor de trăsături la acestea) este deci formată din sistemul de ecuații (4.10) și (4.13). Rezolvarea acestui sistem este iterativă, soluțiile nefiind analitice. Algoritmul de clustering astfel obținut este Fuzzy C-Means (FCM) și a fost propus de Bezdeck la începutul anilor '80. Etapele acestui algoritm sunt: [34]

Se inițializează centroizii claselor μᵢ cu valori aleatoare;

Se calculează gradele de apartenență ale vectorilor la clase;

Se recalculează centrele claselor;

Se repetă pașii 2 și 3 atâta timp cât modificările ce intervin în valorile centroizilor sau ale gradelor de apartenență sunt importante.

Folosirea unui algoritm de clustering FCM garantează obținerea unor centroizi (prototipuri) mult mai credibile pentru clasele partiției și permite identificare vectorilor de date a căror apartenență este incertă, caracteristică ce poate fi util¸a în determinarea unor regiuni segmentate uniforme. [36]

4.3 Lucrări științifice

De-a lungul anilor s-a dorit optimizarea algoritmului pe care se bazează sistemul CAD în vederea identificării leziunilor pe imaginile dermatologice. S-au folosit diverse metode prin care să se evidențieze diferite caracteristici, drintre care se vor puncta câteva posibilități de detecție automată a nevilor melanocitari din imaginile dermoscopice digitale.

Una dintre metode o reprezintă utilizarea segmentării prin tehnici de clustering de tip K-means și extragerea a șase caracteristici de variație de culoare din imaginile segementate. S-a utilizat o bază de date de la Universitatea din Wateloo formată din 150 de imagini dintre care 75 de imagini sunt maligne. [37]

Primul pas este redimensionarea imaginilor ceea ce optimizează performanța algoritmului. Apoi se realizează segmentarea imaginilor prin clustering de tip K-means. Se folosește metoda LBP (Local Binary Pattern) pentru a extrage diferite caracteristici de culoare și textură pentru detecția melanomului. Faza de clasificare a sistemului de diagnosticare va folosi caracteristicile extrase anterior pentru a oferi un diagnostic pentru imaginea analizată. Pentru clasificarea imaginilor sunt luate în considerare două abordări: prima consideră o distincție dihotomă între cele două clase (melanom și non-melanom) și atribuie etichetele de clasă 0 și 1, iar a doua abordare oferă o etichetă de clasă și probabilitatea de apartenență la clasa respectivă. [38]

În urma rulării algoritmului, bazat pe combinația caracteristicilor de culoare și textură, se observă o performanță ridică față de rezultatele bazate pe caracteristicile imaginilor binare. [37]

Mulți cercetători au lucrat la abordarea viziunii computerizate pentru detectarea cancerului de piele. Pentru segmentarea leziunilor cutanate din imaginea de intrare, sistemele existente fie sunt utilizate manual, semi-automate sau automate pentru detectarea frontierelor. Caracteristicile pentru efectuarea segmentării leziunilor cutanate utilizate în diverse lucrări sunt: forma, culoarea, textura și luminanța. Multe metode de detectare a frontierelor sunt raportate în literatura de specialitate. [38] [39]

Unele metodele includ segmentarea bazată pe histogramă, segmentare de prăguire urmată de optimizarea operațiilor morfologice.[40]

Diferite tehnici de procesare a imaginii au fost folosite pentru a extrage caracteristici ale leziunilor. Într-un articolul [38], autorul a introdus o metodă automată de detectare a frontierelor globale în imagini dermoscopice pe baza analizei spațiului de culoare și a pragului histogramei globale, care prezintă performanțe ridicate în detectarea frontierei leziunilor melanomului. În alt articol [41], autorii au folosit tehnica de împărțire a imaginii de intrare în diferite regiuni semnificative din punct de vedere clinic care utilizează transformarea distanței euclidiene pentru extragerea caracteristicilor de culoare și textură.

CAPITOLUL 5

DESCRIEREA SISTEMULUI PROPUS

În acestă parte va fi descris atât sistemul propus, detecția automată a structurilor patologice ce apar în imaginile dermatologice digitale, tehnicile de realizare a imaginilor prelucrate, rezultatele obținute în urma aplicării algoritmilor și testarea eficienței sistemului.

Tema lucrării propuse se concentrează pe ideea de detecție și segmentare automată a imaginilor digitale. Algoritmii folosiți sunt strict dedicați pentru detecție deoarece scopul sistemului este de a identifica leziunile potențiale ce prezintă caracteristici diferite față de țesutul din vecinătate.

5.1 Baza de date

Pentru realizarea acestui sistem, s-au folosit imagini din baza de date PH² – A dermoscopic image database for research and benchmarking. [42] Această bază de date poate fi utilizată ca punct de plecare în evaluarea și validarea algoritmilor de segmentare.

Imaginile dermoscopice au fost obținute la Serviciul de Dermatologie al Spitalului Pedro Hispano (Portugalia) în aceleași condiții prin intermediul sistemului Tuebinger Mole Analyzer folosind o mărire de 20x. Sunt imagini color RGB pe 8 biți, cu o rezoluție de 768×560 pixeli. Baza de date PH² conține un total de 200 de leziuni melanocitare, incluzând 80 nevi melanocitari comuni, 80 nevi melanocitari atipici și 40 de melanoame. Numărul relativ mic de melanoame, comparativ cu celelalte două tipuri de leziuni melanocitare, poate fi explicat din două motive principale. În primul rând, numărul de cazuri reale de melanoame este de fapt mult mai mic decât celelalte. În plus, deoarece acestea nu au de obicei o formă bine definită în cadrul imaginii și prezintă multe artefacte de imagine, ele nu sunt întotdeauna potrivite pentru a fi folosite ca ground truth în evaluarea sistemelor CAD.[42]

Pentru fiecare imagine din baza de date sunt disponibile segmentarea manuală, diagnosticul histologic și diagnosticul clinic al leziunii cutanate, precum și identificarea altor criterii dermoscopice importante. Aceste criterii dermoscopice includ evaluarea asimetriei leziunilor și identificarea culorilor și a mai multor structuri diferențiale, cum ar fi rețeaua de pigmenți, puncte, striații, zone de regresie și vălul albastru-albicios.[42]

5.2 Implementarea și metode de realizare a sistemului

Implementarea algoritmilor s-a realizat în MATLAB, platformă optimizată și dedicată pentru rezolvarea problemelor științifice și inginerești. Reprezintă un mediu de calcul numeric și de programare bazat pe folosirea matricilor, plot-area funcțiilor și datelor, implementarea algoritmilor și creare de interfețe.

Această platformă a oferit posibilitatea creării algoritmilor de detecție a structurilor suspicioase și folosirea unei interfețe grafice în vederea afișării imaginilor obținute.

Această lucrare prezintă o metodologie de proiectare și dezvoltare a unui sistem pentru segmentarea automată a leziunii cutanate și generarea unei măști binare care să asigure o separare exactă între zona leziunii și pielea sănătoasă din jur acesteia. Masca binară obținută anterior va fi utilizată pentru extragerea criteriilor dermoscopice importante ale leziunii (asimetrie, contur și variație de culoare).

Măsurarea obiectivă a calității segmentării regiunilor se va realiza cu ajutorul următorilor parametrii:

TP (corect pozitive): suma elementelor pozitive găsite ca pozitive;

FP (fals pozitive): suma elementelor negative găsite ca pozitive;

FN (fals negative): suma elementelor pozitive găsite ca negative;

TN (Ignorate în mod corect): suma elementelor negative găsite ca negative;

Cei mai obișnuiți evaluatori de performanță în domeniul medical sunt:

Senzitivitatea măsoară cât de mult un clasificator poate recunoaște exemple pozitive.

Senzitivitate = TP / (TP+FN) = Reamintire (Recall); (5.1)

Specificitatea măsoară cât de mult un clasificator poate recunoaște exemple negative.

Specificitate = TN / (TN+FP); (5.2)

Acuratețea este raportul dintre deciziile corecte făcute de un clasificator.

Acuratețe = (TN+TP) / (TP+FP+TN+FN); (5.3)

Precizia este raportul dintre exemplele pozitive prezise care sunt într-adevăr pozitive.

Precizie = TP / (TP+ FP); (5.4)

F-measure este valoarea medie a armonicei dintre reamintire și precizie.

F-measure = 2* (( Precizie * Reamintire) / ( Precizie + Reamintire)); (5.5)

Gmean este valoarea medie geometrică dintre senzitivitate și specificitate.

Gmean = ; (5.6)

5.2.1 Spațiul de culoare

Se vor utiliza trei spații de culoare RGB, L*a*b și YCbCr, pentru a identifica care dintre cele trei este cea mai eficientă se va face o comparație între valorile medii ale lui F-measure pentru fiecare spațiu de culoare în parte.

Imaginile RGB dermoscopice citite au trei canale: roșu, verde și albastru, deoarece conform principiului amestecării culorilor adiționale, prin amestecarea acestor trei se poate obține orice altă culoare. Apoi, imaginile color le vom converti în următoarele spații de culoare L*a*b (L * pentru luminozitatea, iar a * și b * pentru componentele de culoare verde-roșu și albastru-galben) și YCbCr (Y pentru intensitatea luminii culorii iar, Cb și Cr reprezintă componenta albastră și cea roșie minus o valoare de referință) . Pentru a extrage informațiile dorite, trebuie ca imaginea color să fie împărțită în cele trei canale de culoare în funcție de tipul de reprezentare (RGB, L*a*b și YCbCr) pentru a procesa valorile intensității pixelilor.

5.2.2 Segmentarea imaginilor

Pentru a segmenta imaginile se utilizează algoritmul Fuzzy C-means clustering (FCM) funcție predifinită MATLAB numită fcm. Această funcție are sintaxa următoare: [centers,U] = fcm(data,Nc), unde: data reprezintă o matrice cu Nd linii (Nd este numărul de puncte din data), iar numărul de coloane este egal cu dimensiunea din data; Nc reprezintă numărul de clase; centers reprezintă centrele finale ale clusterului returnate ca o matrice cu Nc rânduri ce conțin coordonatele fiecărui centru de cluster și numărul de coloane este egal cu dimensiunea din data care a fost grupată. [43]

Într-o primă etapă se utilizează o segmentare FCM cu 2 clase pentru spațiul de culoare RGB. De asemenea, se presupune că în toate cele 200 de imagini nevul este poziționat central și se utilizează o fereastră centrată de 30×30. Pentru a optimiza valorile parametrilor calculați se elimină toate cele patru colțuri ale măștii obținute. Algoritmul se rulează separat pentru setul 1 de imagini (80 nevi melanocitari comuni), setul 2 de imagini (80 nevi melanocitari atipici) și pentru setul 3 de imagini (40 de melanoame).

Apoi, se modifică numărul de clase de la 2 până la 5 pentru imaginile dermoscopice cu spațiu de culoare RGB și se rulează algoritmul, obținându-se un set de valori medii a evaluatorilor de performanță descriși mai sus. Pentru calcularea acestora se folosesc măștile ground truth din baza de date PH², pentru a se putea compara măștile segmentate obținute de algoritmul propus. În urma unei comparații a valorilor medii obținute în Tabel 5.2 se poate observa că segmentarea cu 2 clase este cea mai eficientă, de aceea în continuare se va lucra cu 2 clase.

Se testează eficiența algoritmului, cu numărul optim de clase egal cu 2, prin modificare dimensiunii ferestrei din 30×30, în 42×42 și apoi, în 62×62. După cum se observă în Tabel 5.3 valorile medii ale evaluatorilor de performanță sunt egali pentru fiecare caz studiat, aratând că dimensiunea ferestrei nu modifică eficiența algoritmului. Se va continua studiul cu o fereastră centrată de 42×42.

Pentru spațiile de culoare L*a*b și YcbCr se procedează la fel ca pentru spațiul de culoare RGB, doar că vom rula algoritmul cu o fereastră centrată de 42×42, strict pentru numărul de clase egal cu 2 și 3. Valorile medii obținute în Tabel 5.4 arată că numărul de clase cel mai eficient este cel egal cu 2.

În urma rulării algoritmului s-a constatat două probleme. Prima problemă o constituie faptul că nu toți nevii sunt poziționați în centrul imaginii, după cum s-a presupus inițial. În acest caz leziunea și țesutul cutanat sănătos sunt segmentate invers față de imaginile în care nevul este poziționat central. Pentru a corecta această problemă se va calcula procentul celei mai mari măști a unei imagini cu nev centrat, acest procent fiind de 75%. Apoi, se calculează pentru fiecare imagine din baza de date procentul măștii obținute în urma segmentării, iar dacă acest procent este mai mare de 75%, atunci se inversează masca și se continuă cu eliminarea celor 4 colțuri.

După cum se observă în Figura 5.1, segmentarea imaginilor care nu au leziunea poziționată în mijlocul imaginii este corectată.

A doua problemă observată este prezența firelor de păr care conectează leziunea de colțurile imaginii, ceea ce determină algoritmul să afișeze o mască binară egală cu zero. Pentru a rezolva această situație se realizează o funcție de netezire ce va elimina părul și alte artefacte din imaginea binară segmentată. Se folosește o funcție open-close cu ajutorul funcțiilor predefinite în Matlab imerode și imdilate.

După cum se observă în Figura 2, segmentarea imaginilor ce prezintă păr a fost netezită corespunzător și masca rezultată este corectată.

Se rulează algoritmul îmbunătățit pentru cele trei spații de culoare RGB, L*a*b și YCbCr, cu două clase și cu o fereastră centrată 42×42, pentru a putea vedea ce spațiu de culoare este optim. După cum se observă în Tabel 5.5 valoarea medie a F-measure arată că L*a*b este spațiul de culoare optim. În continuare se lucrează cu spațiul de culoare L*a*b.

5.2.3 Extragere criterii dermoscopice

După segmentarea imaginilor, se folosește regula ABCD pentru a extrage caracterisicile descriptorilor măștilor obținute. S-au ales din fiecare set de imagini, doar măștile obținute corect. Din primele două seturi au fost selectate 142 de imagini binare (benigne), iar din ultimul set au fost selectate 19 imagini binare (maligne). Se vor calcula trei dintre cei patru descriptori ai regulii ABCD, și anume: simetrie, contur și variație de culoare și se va calcula TDS (factor total dermatoscopic). Nu se extrage caracteristica de diametru deoarece nu există informații în baza de date referitoare la cât reprezintă un pixel în milimetri.

5.2.3.1 Asimetrie

În cazul melanomului, nevul melanocitar este în majoritatea timpului asimetric. Algoritmul se bazează pe împărțirea măștii în două părți (A și B), prima dată cu o axă verticală, apoi cu o axă orizontală, și de asemenea după axele celor două diagonale, principală și secundară, după cum se observă în Figura 5.3 . Pentru a obține factorul de asimetrie trebuie, mai întâi, să se determine aria lui A și aria lui B și să se calculeze modulul diferenței dintre cele două arii. Acest pas se repetă pentru fiecare dintre cele 4 axe.

PPo

Factorul de asimetrie se calculează prin media aritmetică a celor patru diferențe de arii obține, împărțită la aria totală a măștii:

În urma rulării algoritmului se studiază valorile obținute. Pentru a evalua eficiența calculării factorilor de asimetrie se vor alege diferite praguri cuprinse între [0.37 , 0.69], pentru a accentua valorile obținute în două cazuri: atunci când toate leziunile maligne sunt identificate correct (FN=0) și când aproximativ toate leziunile benigne sunt selectate correct(FP=0). Apoi, se va compara fiecare valoare obținută cu pragul ales, iar dacă valoarea obținută este mai mare decât pragul respectiv atunci nevul melanocitar este malign, altfel este benign.

În urma acestor comparații se vor calcula suma elementelor negative găsite ca pozitive (FP), suma elementelor pozitive găsite ca negative (FN), suma elementelor negative găsite ca negative (TN) și suma elementelor pozitive găsite ca pozitive (TP) pentru toate cele 161 de imagini binare.

5.2.3.2 Contur (Borders)

Medicii dermatologii iau în considerare în analiza lor marginile neregulate ale leziuniilor. Cazurile de melanom de obicei conțin frontiere foarte neregulate. În această secțiune, se va realiza detecția frontierei nevilor melanocitari cu ajutorul măștilor obținute după segmentare și a imaginilor digitale inițiale.

Algoritmul propus utilizează un filtru trece jos gaussian pentru a media pixelul curent cu valorile vecinilor săi, observabil prin netezirea („blur”) a imaginii de ieșire. Apoi pe imaginea obținută se calculează gradientul pe cele două direcții, orizontal () și vertical (). Se filtrează imaginea RGB pe cele două direcții, orizontal și vertical și se va calcula intensitatea gradientul după formula (5.8) și aceste valori se sumează pentru toate punctele de contur.

În urma rulării algoritmului se studiază valorile obținute. Pentru a evalua eficiența calculării factorilor de detecție a conturului se vor alege diferite praguri cuprinse între [1.6 , 7.6] pentru a accentua valorile obținute în două cazuri: atunci când toate leziunile maligne sunt identificate correct (FN=0) și când aproximativ toate leziunile benigne sunt selectate corect(FP=0). Apoi, se va compara fiecare valoare obținută cu pragul ales, iar dacă valoarea obținută este mai mare decât pragul respectiv atunci nevul melanocitar este malign, altfel este benign.

În urma acestor comparații se vor calcula suma elementelor negative găsite ca pozitive (FP), suma elementelor pozitive găsite ca negative (FN), suma elementelor negative găsite ca negative (TN) și suma elementelor pozitive găsite ca pozitive (TP) pentru toate cele 161 de imagini binare.

5.2.3.3 Variație de culoare

Un semn precoce al melanomului este apariția variațiilor de culoare. Deoarece celulele de melanom se extind, acestea au adesea nuanțe de maro sau negru, în funcție de producția de pigment de melanină la diferite adâncimi ale pielii. Descriptorii de culoare sunt în principal parametrii statistici calculați din diferite spații de culoare.

În algoritmul prezentat, variația de culoare a imaginii RGB a fost calculată folosind spațiul de culoare L*a*b. Apoi, s-a extras fiecare dintre cele trei canale de culoare L, a și b. Din masca binară obținută în urma segmentării se extrag pixelii corespunzători leziunii și se calculează valoare medie a acestora în fiecare dintre cele trei canale de culoare.

Apoi, se calculează suma dintre diferența canalului de culoare și valoarea medie calculată anterior împărțite la pixelii corespunzători leziunii din masca binară.

În final, se obține factorul de variație de culoare astfel:

În urma rulării algoritmului se studiază valorile obținute. Pentru a evalua eficiența calculării factorilor de variație de culoare se vor alege diferite praguri cuprinse între [0.1 , 6.5] pentru a accentua valorile obținute în două cazuri: atunci când toate leziunile maligne sunt identificate correct (FN=0) și când aproximativ toate leziunile benigne sunt selectate correct (FP=0). Apoi, se va compara fiecare valoare obținută cu pragul ales, iar dacă valoarea obținută este mai mare decât pragul respectiv atunci nevul melanocitar este malign, altfel este benign.

În urma acestor comparații se vor calcula suma elementelor negative găsite ca pozitive (FP), suma elementelor pozitive găsite ca negative (FN), suma elementelor negative găsite ca negative (TN) și suma elementelor pozitive găsite ca pozitive (TP) pentru toate cele 161 de imagini.

5.2.3.4 Factor total dermoscopic (TDS)

Pentru a calcula cele trei criterii dermoscopice meționate în subcapitolele anterioare se va calcula un factor total dermoscopic după următoarea formulă:

unde A reprezintă factorul de simetrie, B reprezintă factorul de contur și C reprezintă factorul de variație de culoare.

După obținerea valorilor TDS, pentru a evalua eficiența calculării se aleg diferite praguri cuprinse între [1.8 , 5.1]. Apoi, se va compara fiecare valoare obținută cu pragul ales, iar dacă valoarea obținută este mai mare decât pragul respectiv atunci nevul melanocitar este malign, altfel este benign.

În urma acestor comparații se vor calcula suma elementelor negative găsite ca pozitive (FP), suma elementelor pozitive găsite ca negative (FN), suma elementelor negative găsite ca negative (TN) și suma elementelor pozitive găsite ca pozitive (TP) pentru toate cele 161 de imagini.

5.3 Rezultate

În urma efectuării și rulării algoritmilor pentru segmentarea automată prin tehnici de clustering cu 2 clase, a nevilor melanocitari, în spațiul de culoare L*a*b și aplicării criteriilor dermoscopice, rezultatele obținute sunt descrise în tabelele de mai jos. S-au contorizat suma elementelor negative găsite ca pozitive (FP), suma elementelor pozitive găsite ca negative (FN), suma elementelor negative găsite ca negative (TN) și suma elementelor pozitive găsite ca pozitive (TP) pentru toate cele 161 de imagini, selectate în urma rezultatelor obținute după segmentare. De asemenea s-a calculat eroarea totală pentru fiecare prag fixat după formula:

Se studiază valorile obținute din Tabel 5.6. și graficele din Figura 5.4, respectiv Figura 5.5. și se constată că pragul optim în urma rulării algoritmului de asimetrie, excluzându-se marginile intervalului, este egal cu 0,45 având cea mai mică eroare 85,80%. Gradul de performanță pentru pragul optim este de 68,42% pentru detecția corectă a nevilor maligni și 45,77% pentru cei benigni. Se mai poate observa că atunci când toate leziunile maligne sunt identificate corect (FP=0) se obține FN=120, ceea ce înseamnă că 120 de nevii au fost selectați greșit ca fiind maligni. Pentru cazul invers atunci când toate leziunile benigne sunt identificate corect FN=0 se obține FP=19 ceea ce arată că toate leziunile maligne sunt indentificate ca fiind benigne. Aceste valori arată pierderile necesare pentru a obține o acuratețe de 100% în identificare nevilor maligni, cât și a celor benigni.

Se studiază valorile obținute din Tabel 5.7. și graficele din Figura 5.6, respectiv Figura 5.7. și se constată că pragurile optime în urma rulării algoritmului de contur, excluzându-se marginile intervalului, sunt cuprinde între 2,4 și 2,8 având cele mai mici erori cuprinse între 60,53 – 61,19 %. Gradul de performanță pentru pragul optim egal cu 2,4 este de 89,47% pentru detecția corectă a nevilor maligni și 50% pentru cei benigni. Se mai poate observa că atunci când toate leziunile maligne sunt identificate corect (FP=0) se obține FN=108, ceea ce înseamnă că 108 de nevii au fost selectați greșit ca fiind maligni. Pentru cazul invers atunci când aproximativ toate leziunile benigne sunt identificate corect FN=2 se obține FP=19 ceea ce arată că toate leziunile maligne sunt indentificate ca fiind benigne. Aceste valori arată pierderile necesare pentru a obține o acuratețe de 100% în identificare nevilor maligni, cât și a celor benigni.

Se studiază valorile obținute din Tabel 5.8. și graficele din Figura 5.8, respectiv Figura 5.9. și se constată că pragul optim în urma rulării algoritmului de variație de culoare, excluzându-se marginile intervalului, este egal cu 1 având cea mai mică eroare 96,33%. Gradul de performanță pentru pragul optim este de 68,42% pentru detecția corectă a nevilor maligni și 34,50% pentru cei benigni. Se mai poate observa că atunci când toate leziunile maligne sunt identificate corect (FP=0) se obține FN=141, ceea ce înseamnă că 141 de nevii au fost selectați greșit ca fiind maligni. Pentru cazul invers atunci când aproximativ toate leziunile benigne sunt identificate corect FN=7 se obține FP=19 ceea ce arată că toate leziunile maligne sunt indentificate ca fiind benigne. Aceste valori arată pierderile necesare pentru a obține o acuratețe de 100% în identificare nevilor maligni, cât și a celor benigni.

Se studiază valorile obținute din Tabel 5.9. și graficele din Figura 5.10, respectiv Figura 5.11. și se constată că pragul optim în calculării TDS, excluzându-se marginile intervalului, este egal cu 2,3 având cea mai mică eroare 70,5%. Gradul de performanță pentru pragul optim este de 89,47% pentru detecția corectă a nevilor maligni și 38,02% pentru cei benigni. Se mai poate observa că atunci când toate leziunile maligne sunt identificate corect (FP=0) se obține FN=118, ceea ce înseamnă că 118 de nevii au fost selectați greșit ca fiind maligni. Pentru cazul invers atunci când aproximativ toate leziunile benigne sunt identificate corect FN=10 se obține FP=19 ceea ce arată că toate leziunile maligne sunt indentificate ca fiind benigne. Aceste valori arată pierderile necesare pentru a obține o acuratețe de 100% în identificare nevilor maligni, cât și a celor benigni.

Astfel, gradul de performanță cel mai ridicat al acestui sistem îl reprezintă detecția conturului în urma căruia se obține cea mai mică eroare de 60,53% (FN 10% și FP 50%) urmat de TDS cu o eroare de 72,5% (FN 10% și FP 62%).

CONCLUZII

Prin tema propusă, s-a dorit realizarea și dezvoltarea unui sistem de segmentare prin tehnici de clustering a imaginilor dermoscopice color și detecție automată a nevilor melanocitari ce ar putea să prezinte o anomalie. Pentru identificarea metodei optime cu o precizie și eficiență crescută, au fost urmate mai multe etape ce au fost prezentate în capitolul 5 . Pe baza acestora am concluzionat următoarele aspecte:

Imaginile din baza de date PH² sunt imagini ce prezintă structuri greu de identificat, deoarece variația de culoare este foarte mare și frontiera este neregulată în cazul melanomului ceea ce îngreunează precizia algoritmilor de detecție.

S-a observat în capitolul anterior că segmentarea cu 2 clase este cea mai potrivită în cazul nevilor melanocitari și că spațiul de culoare L*a*b oferă cele mai bune rezultate în urma rulării algoritmului propus.

Prin compararea rezultatelor algoritmilor de calcul ai criteriilor dermoscopice ABCD arată că detecția conturului (borders) este cea mai performantă metodă cu o eroare totală de 60,53%. Fiind urmată de TDS, detecția asimerie și detecția variației de culoare.

Îmbunătățiri ce pot fi aduse ulterior sistemului de detecție automată a structurilor patologice din imaginile mamografice digitale sunt punctate mai jos:

Performanța algoritmilor poate fi îmbunătățită prin schimbarea locației în care sunt compilați. Acest lucru să nu mai fie local ci să se realizeze pe un server. Local având loc doar încărcarea imaginilor și afișarea rezultatelor transmise de către server.

Îmbunătățirea calculării criteriilor dermatologice bazate pe regula ABCD.

Optimizarea algoritmilor astfel încât timpul de execuție să fie cât mai mic, în vederea afișării rezultatelor rapid.

BIBLIOGRAFIE

[1] http://www.who.int/ , accesat la data de 12.05.2018

[2] https://www.researchgate.net/publication/10809896_The_problem_of_false-positive _ diagnosis _in_melanoma_screening_The_impact_of_dermoscopy, accesat la data de 12.05.2018

[3]https://journals.lww.com/jdnaonline/fulltext/2011/07000/Anatomy_and_Physiology_of_the_Skin.3.aspx , accesat la data de 19.05.2018

[4] Cezar Th. Niculescu, Radu Carmaciu, Bogdan Voiculescu, Carmen Salavastru, Cristian Nita, Catalina Ciornei, Anatomia si fiziologia omului – Compendiu Editura: Corint, pagina 217, accesat la data de 19.05.2018

[5] https://www.myvmc.com/anatomy/human-skin/ , accesat la data de 20.05.2018

[6] https://cunoastereacorpuluiuman.wordpress.com/author/andracristina02/, accesat la data de 20.05.2018

[7]https://www.researchgate.net/publication/5790549_Structural_Characteristics_of_the_Aging_Skin_ A_Review/figures?lo=1, accesat la data de 20.05.2018

[8] https://thesocialmag.net/medical/dermis/, accesat la data de 24.05.2018

[9] Biochemistry and Physiology of the Skin Vol 2. New York and Oxford: Oxford University Press, 1983: 1255-95, accesat la data de 27.05.2018

[10] http://www.sfatulmedicului.ro/Cancer-de-piele/cancerul-de-piele-sau-melanomul_779, accesat la data de 31.05.2018

[11] https://www.cancer.net/cancer-types/skin-cancer-non-melanoma/overview, accesat la data de 31.05.2018

[12] http://cancerdepiele.ro/wp/informatii-pentru-pacienti/carcinomul-bazocelular/lang/ro/ , accesat la data de 02.06.2018

[13] https://www.cancer.net/cancer-types/skin-cancer-non-melanoma/introduction , accesat la data de 02.06.2018

[14]http://www.britishskinfoundation.org.uk/SkinInformation/AtoZofSkindisease/BasalCellCarcinoma.aspx , accesat la data de 03.06.2018

[15] DANIEL L. STULBERG, M.D., BLAIN CRANDELL, ROBERT S. FAWCETT, Diagnosis and Treatment of Basal Cell and Squamous Cell Carcinomas, link: https://www.aafp.org/afp/2004/1015/p1481.html , accesat la data de 03.06.2018

[16] http://cancerdepiele.ro/wp/informatii-pentru-pacienti/carcinomul-spinocelular/lang/ro/ , accesat la data de 03.06.2018

[17] http://www.skintherapyletter.com/skin-cancer-treatment/squamous-cell-carcinoma/ , accesat la data de 04.06.2018

[18]https://www.skincancer.org/skin-cancer-information/squamous-cell-carcinoma/scc- treatment-options , accesat la data de 05.06.2018

[19] https://oncopedia.ro/tipuri-de-cancer/cancer-de-la-a-la-z/cancerul-de-piele/generalitati/, accesat la data de 06.06.2018

[20]http://www.pcds.org.uk/clinical-guidance/superficial-spreading-melanoma-and- melanoma-in-situ , accesat la data de 07.06.2018

[21] https://www.proteinatlas.org/learn/dictionary/pathology/melanoma+3 , accesat la data de 07.06.2018

[22] https://www.healthline.com/health/skin-cancer/nodular-melanoma#pictures , accesat la data de 07.06.2018

[23] http://melanocytepathology.com/kickstart-course/classical-cases/nodular-melanoma , accesat la data de 07.06.2018

[24] https://www.dermnetnz.org/topics/lentigo-maligna-and-lentigo-maligna-melanoma/, acccesat la data de 09.06.2018

[25] http://melanocytepathology.com/kickstart-course/classical-cases/lentigo-maligna-melanoma, accesat la data de 09.06.2018

[26] http://www.journalmc.org/index.php/JMC/article/view/533/318, accesat la data de 09.06.2018

[27] https://onlinelibrary.wiley.com/doi/pdf/10.3322/caac.20074. accesat la data de 11.06.2018

[28] http://www.bad.org.uk/for-the-public/skin-cancer/melanoma-leaflets/abcd-easy-guide-to-checking-your-moles, accesat la data de 11.06.2018

[29] https://www.cancer.org/cancer/melanoma-skin-cancer/treating.html, accesat la data de 11.06.2018

[30] https://www.dermestetica.ro/tratamente/dermatologie/dermatoscopie-cutanata/, accesat la data de 15.06.2018

[31] https://www.dreamstime.com/stock-photography-dermatologist-examines-birthmark-dermatoscope-test-mole-professional-dermoscopy-image30359882, accesat la data de 15.06.2018

[32] https://www.fotofinder.de/en/home/, accesat la data de 16.06.2018

[33] https://www.dermnetnz.org/topics/spectrophotometric-analysis-of-skin-lesions/, accesat la data de 15.06.2018

[ 34] http://www.panchromos.com/stories/astronclinica/, accesat la data de 15.06.2018

[35 ] https://www.self.com/story/health-melafind-melanoma-detection-tool, accesat la data de 16.06.2018

[36] Constantin Vertan, Mihai Ciuc, Tehnici fundamentale de prelucrare și analiza imaginilor, Editura MatrixRom 2007, accesat la data de 20.06.2018

[37] https://pdfs.semanticscholar.org/724e/21f82c4eeb5a25ef125ca0b78547bf533844.pdf, accesat la data de 21.06.2018

[36-38] R. Garnavi, Computer-aided diagnosis of melanoma, Ph.D. dissertation University of Melbourne, Australia (2011), accesat la data de 21.06.2018

[39] M.E. Celebi, H. Iyatomi, G. Schaefer, W.V. Stoecker, Lesion border detection in dermoscopy images Computerised Medical Imaging and Graphics, accesat la data de 21.06.2018

[40] R. Garnavi, M. Aldeen, M.E. Celebi, A. Bhuiyan, C. Dolianitis, G. Varigos, Automatic segmentation of dermoscopy images using histogram thresholding on optimal color channels International, accesat la data de 22.06.2018

[41] M. Celebi, H. Kingravi, B. Uddin, H. Iyatomi, Y. Aslandogan, W. Stoecker, R. Moss, A methodological approach to the classification of dermoscopy images, accesat la data de 22.06.2018

[42] Teresa Mendonça, Pedro M. Ferreira, Jorge Marques, Andre R. S. Marcal, Jorge Rozeira, PH² – A dermoscopic image database for research and benchmarking, 35th International Conference of the IEEE Engineering in Medicine and Biology Society, July 3-7, 2013, Osaka, Japan, accesat la data de 24.06.2018

[43] https://www.mathworks.com/help/fuzzy/fcm.html, accesat la dat de 24.06.2018

ANEXE

Acestă secțiune cuprinde codul programelor in matlab

% Algoritm segmentare fcm cu 2 clase pentru spațiul de culoare RGB

close all;clear all;

director_img=dir(['E:\Facultate\Anul 4\Licenta\Lucrare licenta\Imagini_set1\*.bmp']);

director_masca=dir(['E:\Facultate\Anul 4\Licenta\Lucrare licenta\Masti_set1\*.bmp']);

NF = size(director_img,1);% Numara imaginile din director

NF1=size(director_masca,1);

Output_folder='E:\Facultate\Anul 4\Licenta\Lucrare licenta\Parte practica \RGB \W=31\Img_set1 _2clase\ ';

Inputs = {director_img.name}';

Outputs=Inputs;

offset=1;

for n = 1:NF

filename=strcat('E:\Facultate\Anul 4\Licenta\Lucrare licenta\Imagini_set1\',director_img(n).name);

ima=imread(filename);

filename1=strcat('E:\Facultate\Anul 4\Licenta\Lucrare licenta\Masti_set1\', director_masca(n).name);

masca=imread(filename1);

[L,C,p]=size(ima);

assert(size(ima, 3) == 3, 'Image is not RGB');

r=ima(:,:,1);g=ima(:,:,2);b=ima(:,:,3);

data=double([r(:) g(:) b(:)]);

for k=2; %Numarul claselor

[mu,mask]=fcm(data,k);

w=21;

for cls=1:k

T=reshape(mask(cls,:),L,C);

Ponderi(cls)=sum(sum(T(round(L/2)-w:round(L/2)+w, round(C/2)-w:round(C/2)+w)));

end

[v,pos]=max(Ponderi);

M=mat2gray(mask(pos,:));% Converteste matricea in imagine

M=reshape(M,[L C]);

I = imadjust(M,stretchlim(mask),[]);

level = graythresh(I);

BWJ = im2bw(I,level);

BWJ=netezire(BWJ);

figure,imagesc(BWJ);

S=bwlabel(BWJ);

eticheta=S(1:5,1:5);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(1)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(1)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(1)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(1:5,end-4:end);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(2)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(2)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(2)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(end-4:end,1:5);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(3)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(3)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(3)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(end-4:end,end-4:end);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(4)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(4)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(4)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

% Eliminare colturi

BWJnou=BWJ;

for h=1:4

p=find(S==eticheta_de_cautat(h));

BWJnou(p)=0;

end

nrpixeli1 = sum(BWJnou(:) == 1);

nrpixeli_masca=nrpixeli1/length(BWJnou(:));

if( nrpixeli_masca>0.75)

BWJnou=1-BWJnou;

end

BWJnou=netezire(BWJnou);

figure,imagesc(BWJnou);

S=bwlabel(BWJnou);

eticheta=S(1:5,1:5);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(1)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(1)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(1)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(1:5,end-4:end);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(2)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(2)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(2)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(end-4:end,1:5);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(3)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(3)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(3)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(end-4:end,end-4:end);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(4)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(4)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(4)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

% Eliminare colturi

BWJnou=BWJnou;

for h=1:4

p=find(S==eticheta_de_cautat(h));

BWJnou(p)=0;

end

y=Evaluate(masca,BWJnou)

idx = n; % index

Outputs{k} = regexprep(Outputs{n}, 'big', ['small_' num2str(idx)]);

imwrite(BWJnou, [Output_folder Outputs{n}],'bmp');

xlswrite('Rezultate.xlsx',y, 'RGB 2 clase ',sprintf('D%d',offset));

offset = offset + size(y,1);

end

end

% Algoritm segmentare fcm cu 2 clase pentru spațiul de culoare L*a*b

close all;clear all;

director_img=dir(['E:\Facultate\Anul 4\Licenta\Lucrare licenta\Imagini_set1\*.bmp']);

director_masca=dir(['E:\Facultate\Anul 4\Licenta\Lucrare licenta\Masti_set1\*.bmp']);

NF = size(director_img,1);% Count of Images in the directory

NF1=size(director_masca,1);

Output_folder='E:\Facultate\Anul 4\Licenta\Lucrare licenta\Parte practica\L_a_b\W=21\Img_set1_3clase\ ';

Inputs = {director_img.name}';

Outputs=Inputs;

offset=1;

for n = 1:NF

filename=strcat('E:\Facultate\Anul 4\Licenta\Lucrare licenta\Imagini_set1\',director_img(n).name);

ima=imread(filename);

filename1=strcat('E:\Facultate\Anul 4\Licenta\Lucrare licenta\Masti_set1\', director_masca(n).name);

masca=imread(filename1);

[L,C,p]=size(ima);

assert(size(ima, 3) == 3, 'Image is not RGB');

imanou=rgb2lab(ima);

l=imanou(:,:,1);

a=imanou(:,:,2);

b=imanou(:,:,3);

data=double([l(:),a(:),b(:)]);

for k=2; %Număr clase

[mu,mask]=fcm(data,k);

w=21;

for cls=1:k

T=reshape(mask(cls,:),L,C);

Ponderi(cls)=sum(sum(T(round(L/2)-w:round(L/2)+w, round(C/2)-w:round(C/2)+w)));

end

[v,pos]=max(Ponderi);

M=mat2gray(mask(pos,:));% Converteste matricea in imagine

M=reshape(M,[L C]);

I = imadjust(M,stretchlim(mask),[]);

level = graythresh(I);

BWJ = im2bw(I,level);

BWJ=netezire(BWJ);

S=bwlabel(BWJ);

eticheta=S(1:5,1:5);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(1)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(1)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(1)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(1:5,end-4:end);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(2)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(2)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(2)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(end-4:end,1:5);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(3)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(3)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(3)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(end-4:end,end-4:end);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(4)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(4)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(4)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

% Eliminare colturi

BWJnou=BWJ;

for h=1:4

p=find(S==eticheta_de_cautat(h));

BWJnou(p)=0;

end

nrpixeli1 = sum(BWJnou(:) == 1);

nrpixeli_masca=nrpixeli1/length(BWJnou(:));

if( nrpixeli_masca>0.75)

BWJnou=1-BWJnou;

end

BWJnou=netezire(BWJnou);

S=bwlabel(BWJnou);

eticheta=S(1:5,1:5);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(1)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(1)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(1)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(1:5,end-4:end);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(2)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(2)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(2)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(end-4:end,1:5);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(3)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(3)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(3)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(end-4:end,end-4:end);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(4)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(4)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(4)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

% Eliminare colturi

BWJnou=BWJnou;

for h=1:4

p=find(S==eticheta_de_cautat(h));

BWJnou(p)=0;

end

y=Evaluate(masca,BWJnou)

idx = n; % index number

Outputs{k} = regexprep(Outputs{n}, 'big', ['small_' num2str(idx)]);

imwrite(BWJnou, [Output_folder Outputs{n}],'bmp');

xlswrite('Rezultate.xlsx',y, 'L*a*b 2 clase ',sprintf('D%d',offset));

offset = offset + size(y,1);

end

end

% Algoritm segmentare fcm cu 2 clase pentru spațiul de culoare YCbCr

close all;clear all;

director_img=dir(['E:\Facultate\Anul 4\Licenta\Lucrare licenta\Imagini_set1\*.bmp']);

director_masca=dir(['E:\Facultate\Anul 4\Licenta\Lucrare licenta\Masti_set1\*.bmp']);

NF = size(director_img,1);% Count of Images in the directory

NF1=size(director_masca,1);

Output_folder='E:\Facultate\Anul 4\Licenta\Lucrare licenta\Parte practica\YCbCr\W=21\Img_set1_2clase\ ';

Inputs = {director_img.name}';

Outputs=Inputs;

offset=1;

for n = 1:NF

filename=strcat('E:\Facultate\Anul 4\Licenta\Lucrare licenta\Imagini_set1\',director_img(n).name);

ima=imread(filename);

filename1=strcat('E:\Facultate\Anul 4\Licenta\Lucrare licenta\Masti_set1\', director_masca(n).name);

masca=imread(filename1);

[L,C,p]=size(ima);

assert(size(ima, 3) == 3, 'Image is not RGB');

imYCbCr = rgb2ycbcr(ima);

Y = imYCbCr(:,:,1);

Cb = imYCbCr(:,:,2);

Cr= imYCbCr(:,:,3);

data=double([Y(:),Cb(:),Cr(:)]);

for k=2; %Numar clase

[mu,mask]=fcm(data,k);

w=21;

for cls=1:k

T=reshape(mask(cls,:),L,C);

Ponderi(cls)=sum(sum(T(round(L/2)-w:round(L/2)+w, round(C/2)-w:round(C/2)+w)));

end

[v,pos]=max(Ponderi);

M=mat2gray(mask(pos,:));% Converteste matricea in imagine

M=reshape(M,[L C]);

I = imadjust(M,stretchlim(mask),[]);

level = graythresh(I);

BWJ = im2bw(I,level);

BWJ=netezire(BWJ);

S=bwlabel(BWJ);

eticheta=S(1:5,1:5);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(1)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(1)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(1)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(1:5,end-4:end);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(2)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(2)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(2)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(end-4:end,1:5);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(3)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(3)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(3)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(end-4:end,end-4:end);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(4)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(4)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(4)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

% Eliminare colturi

BWJnou=BWJ;

for h=1:4

p=find(S==eticheta_de_cautat(h));

BWJnou(p)=0;

end

nrpixeli1 = sum(BWJnou(:) == 1);

nrpixeli_masca=nrpixeli1/length(BWJnou(:));

if( nrpixeli_masca>0.75)

BWJnou=1-BWJnou;

end

BWJnou=netezire(BWJnou);

S=bwlabel(BWJnou);

eticheta=S(1:5,1:5);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(1)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(1)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(1)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(1:5,end-4:end);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(2)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(2)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(2)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(end-4:end,1:5);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(3)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(3)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(3)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

eticheta=S(end-4:end,end-4:end);

M=max(eticheta(:));

if (M==0)

M=1;

end

Hist=hist(eticheta(:),0:M);

[maxHist,posmaxhist]=max(Hist);

if posmaxhist>1

eticheta_de_cautat(4)=posmaxhist-1;

else

p=find(eticheta>0);

if isempty(p)

eticheta_de_cautat(4)=0;

else

[maxHist,posmaxhist]=max(Hist(2:end));

eticheta_de_cautat(4)=posmaxhist;

end

end

clear eticheta M maxHist Hist posmaxhist

% Eliminare colturi

BWJnou=BWJnou;

for h=1:4

p=find(S==eticheta_de_cautat(h));

BWJnou(p)=0;

end

y=Evaluate(masca,BWJnou)

idx = n; % index

Outputs{k} = regexprep(Outputs{n}, 'big', ['small_' num2str(idx)]);

imwrite(BWJnou, [Output_folder Outputs{n}],'bmp');

xlswrite('Rezultate.xlsx',y, 'YCbCr 2 clase ',sprintf('D%d',offset));

offset = offset + size(y,1);

end

end

% Funcție ce calculează evaluatori de performanță în domeniul medical

function EVAL = Evaluate(ACTUAL,PREDICTED)

idx = (ACTUAL()==1);

p = length(ACTUAL(idx));

n = length(ACTUAL(~idx));

N = p+n;

tp = sum(ACTUAL(idx)==PREDICTED(idx));

tn = sum(ACTUAL(~idx)==PREDICTED(~idx));

fp = n-tn;

fn = p-tp;

tp_rate = tp/p;

tn_rate = tn/n;

accuracy = (tp+tn)/N;

sensitivity = tp_rate;

specificity = tn_rate;

precision = tp/(tp+fp);

recall = sensitivity;

f_measure = 2*((precision*recall)/(precision + recall));

gmean = sqrt(tp_rate*tn_rate);

EVAL = [accuracy sensitivity specificity precision recall f_measure gmean];

% Funcție de netezire

function netez= netezire(img_segmentata)

BWe=imerode(img_segmentata,ones(7));

BWeo=imdilate(BWe,ones(7));

BWeo_1=imdilate(BWeo,ones(7));

netez=imerode(BWeo_1,ones(7));

% Algoritm ce calculează criteriile dermatologice bazate pe regula ABCD

close all;clear all;

director_masca=dir(['E:\Facultate\Anul 4\Licenta\Lucrare licenta\Parte practica\L_a_b\netezire\Extragere criterii ABCD\Masti\Img_masti\*.bmp']);

director_img=dir(['E:\Facultate\Anul 4\Licenta\Lucrare licenta\Parte practica\L_a_b\netezire\Extragere criterii ABCD\Imagini\Imagini\*.bmp']);

NF1=size(director_masca,1);

offset=1;

for n = 1:NF1

filename1=strcat('E:\Facultate\Anul 4\Licenta\Lucrare licenta\Parte practica\L_a_b\netezire\Extragere criterii ABCD\Masti\Img_masti\', director_masca(n).name);

masca=imread(filename1);

filename=strcat('E:\Facultate\Anul 4\Licenta\Lucrare licenta\Parte practica\L_a_b\netezire\Extragere criterii ABCD\Imagini\Imagini\',director_img(n).name);

ima=imread(filename);

% Asimetrie

[linii, coloane, nr_canale_culoare] = size(masca);

arie_sus = sum(sum(masca(1:linii/2,:)));

arie_jos = sum(sum(masca(linii/2+1:end,:)));

diferenta1 = abs(arie_sus – arie_jos);

arie_st = sum(sum(masca(1:coloane/2,:)));

arie_dr = sum(sum(masca(coloane/2+1:end,:)));

diferenta2 = abs(arie_st – arie_dr);

S=0;

for l=1:linii

for c=1: min(l,coloane)

S=S+ masca(l,c);

end

end

SS=0;

for l=1:linii

for c=1:coloane-l

SS=SS+ masca(l,c);

end

end

arie=sum(masca(:));

diferenta = ((sum(diferenta1+diferenta2+S+SS))/4)/arie;

% Borders (Contur)

contur = masca-imerode(masca,ones(3));

G=fspecial('gaussian',30,2);

[dx, dy]=gradient(G);

deltax=imfilter(double(ima),dx,'symmetric');

deltay=imfilter(double(ima),dy,'symmetric');

bordergrad=sqrt(deltax.*deltax + deltay.*deltay);% Calculare gradient de magnitudine

indexedge=find(contur);

B1=mean(bordergrad(indexedge));

% Variație de culoare

imagine_Lab=rgb2lab(ima);

[L,C,p]=size(imagine_Lab);

l=imagine_Lab(:,:,1);

a=imagine_Lab(:,:,2);

b=imagine_Lab(:,:,3);

LVector = find(masca);

LMean = mean(l(LVector));

aMean = mean(a(LVector));

bMean = mean(b(LVector));

masca=double(masca);

% Calcul delta pentru fiecare canal L*a*b

deltaL = sum(sum((l-LMean).*masca));

deltaa = sum(sum((a-aMean).*masca));

deltab = sum(sum((b-bMean).*masca));

delta = sqrt((deltaL .^ 2 + deltaa .^ 2 + deltab .^ 2)/sum(sum(masca)));

xlswrite('Rezultat_ABCD.xlsx',diferenta, 'Asimetrie ',sprintf('D%d',offset));

xlswrite('Rezultat_ABCD.xlsx',B1, 'Contur ',sprintf('D%d',offset));

xlswrite('Rezultat_ABCD.xlsx',delta, 'Variatie culoare ',sprintf('D%d',offset));

offset = offset + size(diferenta,1);

end

Următoarea secțiune cuprinde rezultatele segmentării pentru fereastră centrată 30×30, spațiul de culoare RGB cu 2 clase pentru setul 1, 2 și 3 de imagini

Următoarea secțiune cuprinde rezultatele segmentării pentru fereastră centrată 30×30, spațiul de culoare RGB cu 3 clase pentru setul 1, 2, și 3 de imagini

Următoarea secțiune cuprinde rezultatele segmentării pentru fereastră centrată 30×30, spațiul de culoare RGB cu 4 clase pentru setul 1, 2 și 3 de imagini

Următoarea secțiune cuprinde rezultatele segmentării pentru fereastră centrată 30×30, spațiul de culoare RGB cu 5 clase pentru setul 1, 2 și 3 de imagini

Următoarea secțiune cuprinde rezultatele segmentării pentru fereastră centrată 42×42, spațiul de culoare RGB cu 2 clase pentru setul 1, 2 și 3 de imagini

Următoarea secțiune cuprinde rezultatele segmentării pentru fereastră centrată 42×42, spațiul de culoare L*a*b cu 2 clase pentru setul 1, 2 și 3 de imagini

Următoarea secțiune cuprinde rezultatele segmentării pentru fereastră centrată 42×42, spațiul de culoare YCbCr cu 2 clase pentru setul 1, 2 și 3 de imagini

Următoarea secțiune cuprinde rezultatele segmentării pentru fereastră centrată 42×42, spațiul de culoare RGB cu 2 clase și cu filtru de netezire pentru setul 1, 2, 3 de imagini

Următoarea secțiune cuprinde rezultatele segmentării pentru fereastră centrată 42×42, spațiul de culoare L*a*b cu 2 clase și cu filtru de netezire pentru setul 1, 2, 3 de imagini

Următoarea secțiune cuprinde rezultatele segmentării pentru fereastră centrată 42×42, spațiul de culoare YCbCr cu 2 clase și cu filtru de netezire pentru setul 1, 2, 3 de imagini