Diagnóstico de Melanoma através de Padrões Binários Locais e Decomposição Espacial

Pedro  Santos; Lucas  Maia; Geraldo  Braz; João  Almeida; Anselmo  Paiva

Pedro Santos UFMA
Lucas Maia UFMA
Geraldo Braz UFMA
João Almeida UFMA
Anselmo Paiva UFMA

Resumo

O câncer de pele é a modalidade de câncer com maior incidência na população, e, apesar do melanoma ser uma pequena fatia dessas incidências, costuma ser o tipo de câncer de pele mais severo. Diversos tipos de abordagens na área de detecção e diagnósticos automáticos desse tipo de doença estão sendo exploradas como técnicas de reconhecimento de padrões juntamente com aprendizado de máquina. A maior parte dessas abordagens utiliza principalmente a informação de borda da lesão como fator determinante. Este trabalho busca estudar padrões locais binários associados a decomposição espacial da região da lesão para a detecção de melanoma em imagens dermatoscópicas. O estudo, que compara o desempenho da aplicação de três classificadores diferentes ao problema, atinge como melhor resultado 0,88 de precisão e acurácia para a base PH2, demonstrando a eficiência do método ao problema de detecção de melanoma.

Referências

Ahmed, F., Hossain, E., Bari, A., and Shihavuddin, A. (2011). Compound local binary pattern (clbp) for robust facial expression recognition. In Computational Intelligence and Informatics (CINTI), 2011 IEEE 12th International Symposium on, pages 391– 395, Obuda University, Budapest, Hungary. IEEE.

Bratkova, M., Boulos, S., and Shirley, P. (2009). orgb: a practical opponent color space for computer graphics. IEEE Computer Graphics and Applications, 29(1).

Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.

Cortes, C. and Vapnik, V. (1995). Support vector machine. Machine learning, 20(3):273– 297.

Hering, E. (1880). Zur Erkl¨arung der Farbenblindheit aus der Theorie der Gegenfarben, volume 1. Tempsky.

Masters, B. R., Gonzalez, R. C., andWoods, R. (2009). Digital image processing. Journal of biomedical optics, 14(2):029901.

Mendonça, T., Ferreira, P. M., Marques, J. S., Marcal, A. R., and Rozeira, J. (2013). Ph 2-a dermoscopic image database for research and benchmarking. In Engineering in Medicine and Biology Society (EMBC), 2013 35th Annual International Conference of the IEEE, pages 5437–5440. IEEE.

Ng, A. Y. and Jordan, M. I. (2002). On discriminative vs. generative classifiers: A comparison of logistic regression and naive bayes. In Advances in neural information processing systems, pages 841–848.

Ojala, T., Pietik¨ainen, M., and Harwood, D. (1996). A comparative study of texture measures with classification based on featured distributions. Pattern recognition, 29(1):51– 59.

Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE transactions on systems, man, and cybernetics, 9(1):62–66.

Rosado, L. F. C. M. G. (2009). Sistema automático para diagnóstico de les˜oes cutâneas baseado em imagens dermoscópicas. Universidade do Estado do Rio Grande do Norte, Biblioteca Central Orlando Teixeira, BR-RN.

Soares, H. B. (2008). Análise e classificação de imagens de les˜oes da pele por atributos de cor, forma e textura utilizando máquina de vetor de suporte.

Teague, M. R. (1980). Image analysis via the general theory of moments. JOSA, 70(8):920–930.