Αυτοματοποιημένο σύστημα ψηφιακής ανάλυσης μακροσκοπικών εικόνων δερματοπαθειών

Abstract

Το μελάνωμα είναι η πιο επικίνδυνη μορφή καρκίνου του δέρματος η οποία παρουσιάζει υψηλά ποσοστά θνησιμότητας κυρίως λόγω μεταστατικών όγκων. Η αναγνώριση και κατηγοριοποίηση των μελανωμάτων αποτελεί επίκεντρο μεγάλου αριθμού ερευνών τα τελευταία χρόνια λόγω της σημαντικότητας της έγκαιρης διάγνωσης του. Οι δερματολόγοι σήμερα χρησιμοποιούν εμπειρικούς αλγορίθμους για την αναγνώριση επικίνδυνων δερματοπαθειών ώστε να απλουστεύσουν και να επιταχύνουν την διάγνωση των μελανωμάτων. Αυτοί οι αλγόριθμοι βασίζονται στα μακροσκοπικά χαρακτηριστικά της δερματοπάθειας και ως εκ τούτου είναι άμεσοι και εντελώς μη-επεμβατικοί. Ο πιο διαδεδομένος τέτοιος αλγόριθμος είναι ο ABCD(Ε) που μετράει την ασυμμετρία, τα δαντελωτά όρια, το χρώμα, την διάμετρο και την χώρο-χωρική εξέλιξη της δερματοπάθειας. Το αντικείμενο της παρούσας εργασίας είναι η δημιουργία μιας έξυπνης εφαρμογής ανάλυσης ψηφιακών εικόνων σε περιβάλλον MATLAB η οποία να επεξεργάζεται εικόνες δερματοπαθειών και να τις κατηγοριοποιεί με βαθμό επικινδυνότητας για μελάνωμα ανάλογα με τα μορφολογικά τους χαρακτηριστικά. Η εφαρμογή υλοποιεί αυτόματα την προ-επεξεργασία και την κατάτμηση της εικόνας, καθώς και την μέτρηση των μορφολογικών χαρακτηριστικών της βλάβης. Στη συνέχεια, μετά από κατάλληλη εκπαίδευση του συστήματος, κατηγοριοποιεί την εικόνα σε μελανωματική ή μη μελανωματική. Το σύστημα το οποίο αναπτύχθηκε αναμένεται να υποβοηθήσει το δερματολόγο στη διάγνωση του μελανώματος, να εξοικονομήσει πολύτιμο ιατρικό χρόνο αλλά και να χρησιμοποιηθεί για εκπαιδευτικούς λόγους. Για την κατάτμηση μελετήθηκαν δύο αλγόριθμοι: η στατιστική συγχώνευση περιοχών (Statistical Region Merging) SRM, και ο αλγόριθμος Watershed. Συγκεκριμένα μετρήθηκαν τα ποσοστά ακρίβειας κατάτμησης και ταχύτητας των αλγορίθμων. Για την κατηγοριοποίηση αναπτύχθηκε και εκπαιδεύτηκε σύστημα ασαφή συμπερασμού βασισμένο σε προσαρμοστικό δίκτυο (Adaptive-Network-Based Fuzzy Inference System - ANFIS). Αποδείχτηκε πως σε ένα αρκετά μεγάλο εύρος διαφορετικών εικόνων δερμοσκοπίου και φωτογραφικής μηχανής, οι επιτυχείς κατατμήσεις του αλγορίθμου SRM έφτασαν το 74% ενώ του Watershed το 84%. Ακόμα, για το αυτόματο σύστημα κατηγοριοποίησης επιτεύχθηκε συνολική ακρίβεια κατηγοριοποίησης accuracy = 87%, sensitivity = 94% και specificity = 91%, χρησιμοποιώντας ανεξάρτητα δεδομένα εκπαίδευσης και δεδομένα αξιολόγησης.

Melanoma is the most dangerous form of skin cancer that presents high mortality rated mainly due to metastatic tumors. Because of the importance of early diagnosis, during the recent years there has been a high amount of research focused in the detection and classification of melanomas. Currently, dermatologists classify dangerous skin lesions using empirical algorithms in order to simplify and accelerate the detection of melanomas. These algorithms are based on macroscopic characteristics of the skin lesion and therefore are direct and completely non-invasive. The most common such algorithm is the ABCD(Ε) that measures the asymmetry, border irregularity, color, diameter and spatial evolution of the skin lesion. The objective of this study is the development of a smart application for digital image analysis in the MATLAB environment that processes skin lesion images and categorizes the degree of risk for melanoma based on their morphological characteristics. The application implements automatic pre-processing and image segmentation, as well as the measurement of the lesion’s morphological features. Then, after appropriate training of the system, it categorizes the image as melanoma or nonmelanoma. The system that was developed is expected to assist the dermatologist in the diagnosis of melanoma, to save valuable medical time and also be used for educational purposes. Two segmentation algorithms were studies: the Statistical Region Merging algorithm (SRM) and Watershed algorithm. Specifically, the accuracy rates and the execution time of the algorithms were measured. For the categorization, an Adaptive-Network-Based Fuzzy Inference System (ANFIS) was developed and trained. It was shown that using a wide range of different dermatoscope and regular digital camera images, the successful segmentation rate for the SRM algorithm reached 74% whereas for the Watershed algorithm reached 84%. Moreover, for the automatic categorization system an overall classification accuracy of: accuracy = 87%, sensitivity = 94% and specificity = 91% was achieved using independent training and evaluation data sets.