Analiza asymetrii, nieregularnosci przebiegu kraw˛edzi i zmian

Transkrypt

Politechnika Warszawska
Rok akademicki 2013/2014
Wydział Elektroniki i Technik Informacyjnych
Instytut Informatyki
PRACA DYPLOMOWA MAGISTERSKA
Piotr Krzysztof Jastrze˛ bski
Analiza asymetrii, nieregularności
przebiegu krawedzi
˛
i zmian wybarwienia
znamion skórnych w procesie
autonomicznego rozpoznawania
czerniaka złośliwego w obrazach
dermatoskopowych
Opiekun pracy:
dr inż. Jakub Janusz Koperwas
Ocena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.........................................
Podpis Przewodniczacego
˛
Komisji Egzaminu Dyplomowego
Specjalność:
Inżynieria systemów
informatycznych
Data urodzenia:
18 maja 1989 r.
Data rozpoczecia
˛
studiów:
1 października 2012 r.
Życiorys
Nazywam sie˛ Piotr Jastrzebski.
˛
Urodziłem sie˛ 18 maja 1989 r. w Radomiu.
W roku 2002 ukończyłem Szkołe˛ Podstawowa˛ nr 3. im. Jana Długosza w Radomiu i rozpoczałem
˛
nauke˛ w Publicznym Gimnazjum nr 23. im. Jana Kochanowskiego w Radomiu. W roku 2005 zaczałem
˛
uczeszczać
˛
do klasy o profilu
matematyczno-fizycznym w VI Liceum Ogólnokształcacym
˛
im. J.Kochanowskiego
w Radomiu. W roku 2008 zdałem mature,
˛ a w lutym 2009 r. rozpoczałem
˛
studia
dzienne na wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej, które ukończyłem w 2012 roku uzyskujac
˛ tytuł inżyniera. W ramach wymiany mie˛ dzynarodowej studiowałem także na uczelni University of Ulsan w Korei
Południowej oraz w Katholieke Universiteit Leuven w Belgii.
.....................................
podpis studenta
Egzamin dyplomowy
Złożył egzamin dyplomowy w dn. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Z wynikiem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ogólny wynik studiów . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Dodatkowe wnioski i uwagi Komisji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
..........................................................................................
Streszczenie
Praca ta prezentuje algorytmy i wyniki otrzymane z aplikacji majacej
˛
na celu wykrywanie i analize˛ charakteru znamion skórnych. Zmiany znamion skórnych niosa˛
ze soba˛ duża˛ doze˛ informacji wykorzystywanych w procesie rozpoznawania czerniaków złośliwych na ich wczesnym stadium rozwoju, co jest o tyle ważne, że wczesne
wykrycie i wykonanie zabiegu chirurgicznego skutkuje prawie 100% szansa˛ na wyzdrowienie pacjenta. W pracy porównane zostały algorytmy bazujace
˛ na znanym
kryterium „ABCDE” z badaniem klasycznym, tj. procedura˛ dermatologiczna˛ wykonywana˛ przez lekarza specjaliste˛ przy użyciu dermatoskopu.
Słowa kluczowe: klasyfikacja obrazów, przetwarzanie obrazów medycznych, rozpoznawanie obiektów, czerniak złośliwy, znamie˛ skórne
Abstract
Title: The analysis of skin lesions asymmetry, border irregularity and colour changes
in the process of malignant melanoma autonomous recognition in dermatoscopic
images
This thesis describes algorithms and results obtained from the application designed to detect and perform analysis of skin lesions. Observed changes are essential
information sources in the process of early recognition of malignant melanoma. The
value of gathered information is very important, due to high probability of full cure
when surgery is performed on early stage of growth. In this thesis classical epiluminescence microscopy examination performed by the qualified physician is confronted
with well-known criterion - ”ABCDE”.
Key words: image classification, medical image processing, object detection, malignant melanoma, skin lesion
Spis treści
1. Wstep
˛ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1.1. Wstep
˛ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1.2. Cele i założenia
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
1.3. Podział pracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
2. Wstep
˛ do dermatologii
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
2.1. Dermatologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
2.2. Choroby skóry . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
2.2.1. Nowotwór . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
2.2.2. Rak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
2.2.3. Czerniak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
2.3. Dermatoskopia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7
2.4. Kryterium ABC(DE) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
2.5. Kryterium „ELM 7 point checklist” . . . . . . . . . . . . . . . . . . . . . . . . .
11
3. Istniejace
˛ rozwiazania
˛
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
3.1. Aplikacje mobilne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
3.2. Urzadzenia
˛
fizyczne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
3.2.1. MoleMax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
3.2.2. handyscope
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
3.2.3. DermLite Connection Kit . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
4. O roli aplikacji osobistych w medycynie . . . . . . . . . . . . . . . . . . . . . . .
20
5. Proces analizy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
5.1. Rozmywanie obrazu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
5.1.1. Filtr Gaussa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
5.1.2. Filtr medianowy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
5.1.3. Wpływ rozmycia na dalsze etapy przetwarzania . . . . . . . . . . . . . .
31
ii
Spis treści
5.2. Wyszarzenie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
5.2.1. Wyszarzenie wykorzystujace
˛ pojedyncza˛ składowa˛ . . . . . . . . . . . .
31
5.2.2. Wyszarzenie jako średnia składowych kolorów . . . . . . . . . . . . . .
33
5.2.3. Wyszarzenie bazujace
˛ na jasności
33
. . . . . . . . . . . . . . . . . . . . .
˛ na średnim świetle białym (desaturacja)
. . . .
33
5.2.5. Dekompozycja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
5.2.6. Wyszarzenie oparte na procesie uczenia . . . . . . . . . . . . . . . . . .
34
5.2.7. Porównanie procesów wyszarzania . . . . . . . . . . . . . . . . . . . . .
35
5.3. Segmentacja obrazu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
5.3.1. Metoda S-ACES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
5.3.2. Segmentacja oparta na progowaniu iteracyjnym . . . . . . . . . . . . .
40
5.3.3. Własna implementacja segmentacji opartej na progowaniu iteracyjnym 40
5.3.4. Ocena jakości zmodyfikowanej segmentacji opartej na progowaniu
iteracyjnym . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
5.4. Wyznaczanie środka cie˛ żkości znamienia . . . . . . . . . . . . . . . . . . . . .
43
5.4.1. Przetwarzanie wstepne
˛
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
5.4.2. Metoda rzutowania średniej luminancji . . . . . . . . . . . . . . . . . .
43
5.4.3. Własna implementacja kompensacji odchylenia krzywej średniej
luminancji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
5.4.4. Własna implementacja analizy szerokości dolin luminancji . . . . . . .
49
5.4.5. Własna implementacja korygowania wartości szerokości dolin
luminancji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
50
5.4.6. Metoda wzorcowa znajdowania centroidu . . . . . . . . . . . . . . . . .
52
5.4.7. Porównanie jakości algorytmów wyznaczania centroidu . . . . . . . . .
52
5.5. Analiza symetrii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
5.5.1. Prosty algorytm wyznaczania symetrii . . . . . . . . . . . . . . . . . . .
57
5.5.2. Ocena symetryczności „False Symmetry” . . . . . . . . . . . . . . . . .
59
5.5.3. Wyniki analizy symetrii . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59
5.6. Analiza przebiegu krawe˛ dzi . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
5.6.1. Analiza z wykorzystaniem entropii warunkowej . . . . . . . . . . . . . .
62
5.6.2. Analiza stosunku powierzchni i obwodu . . . . . . . . . . . . . . . . . .
66
5.6.3. Wyniki analizy regularności krawedzi
˛
. . . . . . . . . . . . . . . . . . .
67
5.7. Analiza koloru . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
5.7.1. Własna implementacja analizy histogramu skwantowanych kolorów .
69
6. Konfrontacja diagnozy automatycznej z diagnoza˛ lekarska˛ . . . . . . . . . . . .
74
6.1. Zbiór testowy i dane referencyjne . . . . . . . . . . . . . . . . . . . . . . . . . .
74
6.2. Testy jakości klasyfikacji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
76
Spis treści
iii
7. Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
7.1. Spełnienie założeń . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
7.2. Perspektywy rozwoju . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
83
A. Środowisko testowe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
B. Dokumentacja projektu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
B.1. Technologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
B.2. Podział projektu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
Bibliografia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
88
1. Wstep
˛
1.1. Wstep
˛
Czerniak złośliwy jest obecnie jednym z nowotworów najcześciej
˛
wystepuj
˛
acych
˛
u ludzi o jasnej karnacji [29]. Zmiany w trybie życia – wystawianie odkrytych cześci
˛
ciała na oddziaływanie promieni UV najcześciej
˛
podczas uprawiania sportów i turystyki [44], zauważalnie zwie˛ kszona emisja tego promieniowania oraz skuteczniejsze
metody diagnostyczne wraz z łatwiejszym do nich dostepem
˛
skutkuja˛ znacznym
wzrostem pozytywnie zdiagnozowanych przypadków czerniaka.
Wzrost zachorowań został zauważony po raz pierwszy w Stanach Zjednoczonych
w roku 1930, gdzie na 100 tys. osób statystycznie przypadała jedna cierpiaca
˛ na
nowotwór skóry. Odsetek ten wzrósł w środku lat osiemdziesiatych
˛
do 6 osób, a w
roku 1991 do 13. Podobne zjawisko narastajacej
˛
liczby chorych zaobserwowano
w tym samym okresie w Europie. W 1995 roku w Austrii na 100 tys. osób przypadało średnio 12 pozytywnie zdiagnozowanych pacjentów, co odpowiada wzrostowi
o 51,8% w ciagu
˛
dziesie˛ ciolecia [11]. Zarówno w Stanach Zjednoczonych jak i Europie zauważalna jest niestety ciagła
˛
tendencja wzrostowa liczby wystapie
˛ ń czerniaków.
Pehamberger i inni [43] w swoich badaniach wskazuje, że równocześnie z biegiem czasu wyleczalność nowotworu skóry siegn
˛ eła
˛ prawie 100%, o ile tylko został
on wykryty dość wcześnie i poddany zabiegowi chirurgicznego usuniecia.
˛
Kiedy na
poczatku
˛
lat sześćdziesiatych
˛
śmiertelność wśród pacjentów spowodowana czerniakami wynosiła aż 70%, to obecnie wskaźnik przeżywalności utrzymuje poziom
70%, co wynika wprost ze wczesnego wykrywania nowotworów [35]. Widać zatem
jak ważna jest wczesna i dokładna diagnostyka.
Standardowe podejście klasyfikacji znamion skórnych w medycynie bazuje na
wykorzystaniu urzadzenia
˛
zwanego dermatoskopem 1 , które jest połaczeniem
˛
lupy
1
W źródłach angloj˛ezycznych cz˛esto nazywanym ELM od angielskiego Epiluminescence microscopy czyli mikroskopia epiluminescencyjna
2
o powie˛ kszeniu 10-20x z ustandaryzowanym źródłem światła. Pozwala to uzyskiwać porównywalne obrazy, które nastepnie
˛
moga˛ być obiektywnie ocenione przez
lekarza specjaliste˛ .
Podje˛ to wiele prób stworzenia narzedzia
˛
automatycznej analizy znamion i oceny
charakteru kancerogennego wykorzystujacych
˛
przetwarzanie i analize˛ obrazu.
Miało to na celu odcia˛żenie lekarza i zwiekszenie
˛
sprawdzalności diagnozy. Niestety, mimo doste˛ pności na rynku kilku urzadze
˛
ń, brak jest obecnie narzedzia,
˛
które byłoby powszechnie dostepne
˛
i wykorzystywanego w codziennej pracy lekarzy
dermatologów.
Ze statystyk zgromadzonych podczas trwania programu SEER [6] dla Narodowych Instytutów Zdrowia [41] wynika, że co dziesiaty
˛ diagnozowany nowotwór to
właśnie nowotwór skóry. Średnio 30 me˛ żczyzn i 18 kobiet na 100000 choruje na
t˛e chorobe˛ . Widać z tego, jak ważna jest wczesna diagnoza i zapewnienie prostej
metody rozpoznawania zagrożenia nowotworem we wczesnej fazie rozwoju.
Głównym założeniem pracy magisterskiej ma być opracowanie i ocena jakości poszczególnych wyników uzyskanych w procesie analizy fotografii znamion na
skórze człowieka oraz znalezienie odpowiedzi na pytanie czy i z jakim poziomem
zaufania można postawić diagnoze˛ znamienia skórnego w sposób całkowicie autonomiczny. W tym celu zaproponowane i zbadane bed
˛ a˛ poszczególne składowe
algorytmy prowadzace
˛ do uzyskania wyniku końcowego.
Najcze˛ ściej wykorzystywanym rozwiazaniem
˛
jest system oceny zwany czesto
˛
skrótowo od pierwszych liter poszczególnych kryteriów składowych ABCDE. Bazuje
on na przesłankach, których specyficzne cechy determinuja˛ podwyższone prawdopodobieństwo przekształcenia sie˛ znamienia w nowotwór. Dokładniejszy opis tego
kryterium znajduje sie˛ w rozdziale 2.4 niniejszej pracy. Owe kryterium posiada taka˛
zalet˛e, że jest łatwo podzielne na podproblemy, a implementacja każdego z nich,
przynajmniej z założenia, nie powinna sprawiać problemów.
Badaniu i konfrontacji z wynikami rzeczywistymi zostana˛ poddane algorytmy
rozmywania obrazu (filtr Gaussa i medianowy), wyszarzania (10 różnych wersji),
wyznaczania centroidów w obrazie, analizy symetrii, analizy nieregularności przebiegu krawe˛ dzi oraz zróżnicowania kolorystycznego zmiany skórnej. Zgodnie z założeniem, jedyna˛ informacja˛ wejściowa˛ bedzie
˛
kolorowa fotografia znamienia skórnego wykonanego z bliskiej odległości.
1.3. Podział pracy
3
Poczatkowe
˛
założenie zakładało implementacje˛ aplikacji mobilnej w jezyku
˛
C++
na platformie TIZEN [10] lub w jezyku
˛
Java na platforme˛ Android [1]. Dość szybko
przekształciło sie˛ ono jednak w studium wykonalności oraz badanie jakości wyników działania składowych elementów aplikacji. Głównym powodem zmiany był
ucia˛żliwy proces testowania oraz mała moc obliczeniowa urzadzenia
˛
mobilnego
przetwarzajacego
˛
dość duży zbiór fotograficznych danych wejściowych.
Ze wzgle˛ du na ewentualna˛ łatwość przeniesienia poszczególnych przygotowanych algorytmów na urzadzenia
˛
mobilne, na potrzeby badania, powstała aplikacja działajaca
˛ na komputerze napisana w jezyku
˛
Java współpracujaca
˛ z biblioteka˛
OpenCV. Ma ona na celu zbiorowe przetwarzanie wielu zdjeć
˛ dermatoskopowych
na raz, tworzenie statystyk, prezentacje˛ wyników działania poszczególnych algorytmów w formie wizualnej oraz analize˛ informacji wyjściowych pod katem
˛
jakościowym oraz porównywanie ich z danymi rzeczywistymi przygotowanymi przez lekarzy.
Założyłem także, o ile tylko wyniki algorytmów czastkowych
˛
bed
˛ a˛ obiecujace,
˛
że
podejme˛ próbe˛ implementacji funkcji stawiania diagnozy końcowej.
1.3. Podział pracy
Niniejsza praca została podzielona na rozdziały, z których każdy obejmuje swoim
zasi˛egiem inna˛ cze˛ ść zagadnienia automatycznej analizy znamion.
Cze˛ ść 1 to niniejszy wste˛ p.
Cze˛ ść 2 pozwala zrozumieć czym tak naprawde˛ jest dermatologia, tłumaczy
terminologie˛ medyczna˛ wykorzystana˛ w pracy oraz przedstawia różnice miedzy
˛
ważnymi z punktu widzenia dermatologów terminami.
Cze˛ ść 3 przedstawia rozwiazania
˛
obecne aktualnie na rynku, zarówno same
aplikacje jak i fizyczne urzadzenia.
˛
Przybliża ich cechy oraz pokrótce ocenia jakość
klasyfikacji przez nie dostarczanych.
Cze˛ ść 4 opisuje motywacje˛ stojac
˛ a˛ za implementacja˛ aplikacji medycznych na
urzadzeniach
˛
mobilnych.
Cze˛ ść 5 dokładnie opisuje poszczególne kroki działania algorytmu klasyfikacji.
Cze˛ ść 6 opisuje proces testowania jakości aplikacji i zgodności diagnozy automatycznej z diagnoza˛ lekarska.
˛
Cze˛ ść 7 podsumowuje prace˛ magisterska,
˛ wieksz
˛
a˛ uwage˛ poświecaj
˛ ac
˛ spełnionym założeniom wste˛ pnym, a także opisuje możliwe dalsze perspektywy rozwoju
aplikacji.
2. Wstep
˛ do dermatologii
2.1. Dermatologia
Dermatologia jest dziedzina˛ medycyny, zarówno diagnostycznej jak i zabiegowej,
zajmujac
˛ a˛ sie˛ schorzeniami skóry i jej przydatków (włosów, paznokci) oraz niektórymi chorobami ogólnoustrojowymi, ujawniajacymi
˛
sie˛ przede wszystkim na skórze
np. łagodne i złośliwe nowotwory jak omawiany czerniak złośliwy. Termin dermatologia wywodzi sie˛ od francuskiego słowa dermologie, które pojawiło sie˛ w 1764
roku, albo zostało zaczerpnie˛ te wprost z łaciny od słowa dermatologia, które pierwszy raz zostało użyte w roku 1777. Samo słowo pochodzi od greckiego „δρµατ oς”
(dermatos), dopełniacza słowa „skóra” – „δρµα” (derma) [38] oraz przyrostka „logia”
od „λoγoς” (logos) czyli przemowa, nauka, wnioskowanie.
2.2. Choroby skóry
Podstawa˛ pracy nad samym algorytmem było zrozumienie pewnych elementów
z dziedziny medycyny. Aplikacja miała za zadanie rozpoznawanie pewnego typu nowotwory skóry. Cz˛estokroć nowotwór utożsamiany jest błednie
˛
z rakiem, który jest
nazwa˛ grupy chorób nowotworowych bed
˛ acych
˛
nowotworami złośliwymi wywodza˛
cymi sie˛ z tkanki nabłonkowej. Charakter rakowiejacy
˛ przejawiaja˛ właściwie jedynie
czerniaki złośliwe i to one sa˛ obiektem badań. Zależności miedzy
˛
ww. chorobami
przedstawiono na rysunku 2.1. Dokładniejszy opis każdej z chorób przedstawiony
został w kolejnych podpunktach.
2.2.1. Nowotwór
Nowotwór (łac. neoplasma) – grupa chorób, w których komórki organizmu dziela˛
si˛e w sposób niekontrolowany przez organizm, a nowo powstałe komórki nowotworowe nie różnicuja˛ sie˛ w typowe komórki tkanki. Niekontrolowany podział komórkowy wynika wprost z mutacji kodujacych
˛
białka genów: protoonkogenów i antyonkogenów. Wynikiem zachodzacych
˛
mutacji jest przerwanie reakcji na sygnały
5
2.2. Choroby skóry
Rysunek 2.1. Podział nowotworów.
2.2. Choroby skóry
6
wysyłane przez organizm. Zapadalność na niektóre nowotwory uzależniona jest od
wyst˛epowania ich wśród członków rodziny. Nowotwory skóry nie należa˛ jednak do
tej grupy. Nowotwory ze wzgledu
˛
na swój charakter można podzielić na złośliwe
i łagodne.
Nowotwór łagodny (niezłośliwy) (łac. neoplasma benignum) jest nowotworem
utworzonym z tkanek zróżnicowanych i dojrzałych, o budowie odbiegajacej
˛
w małym stopniu od histopatologicznego obrazu prawidłowych tkanek. Nie daje on przerzutów, w przypadku prawidłowego usuniecia
˛
nie nastepuje
˛
ponowny jego rozrost.
Tym samym jest on całkowicie wyleczalny.
Nowotwór złośliwy (łac. neoplasma malignum) to nowotwór utworzony z komórek
niedojrzałych, o budowie odbiegajacej
˛
od obrazu prawidłowych tkanek. Cechuje sie˛
bardzo szybkim wzrostem, rozprzestrzenia sie˛ poprzez wrastanie miedzy
˛
komórki
(naciekanie) pobliskich tkanek, co upośledza ich funkcje.
˛ Przez naciekanie komórki
nowotworowe sa˛ w stanie zawedrować
˛
wraz z krwia˛ lub limfa˛ w odległe miejsce organizmu, gdzie daja˛ poczatek
˛
przerzutom. Powoduje to, że usuniecie
˛
pierwotnego
nowotworu daje nikłe szanse na wyleczenia, gdyż nowe ogniska chorobowe powoduja˛ nawroty choroby, pogorszenie stanu chorego, co czesto
˛
może prowadzić do
śmierci.
Nowotwór złośliwy (ang. cancer) czesto
˛
jest niepoprawnie utożsamiany z rakiem
(ang. carcinoma), który jest tylko jedna˛ z jego postaci (rak – nowotwór złośliwy
tkanki nabłonkowej). Każdy rak jest nowotworem złośliwym, natomiast nie każdy
nowotwór złośliwy to rak. Inne nowotwory złośliwe to miesak,
˛
potworniak niedojrzały, nowotwór anaplastyczny, chłoniak oraz glejak.
2.2.2. Rak
Rak (łac. carcinoma, z łac. cancer – „rak, krab”, z gr. καρκινoζ – „rak, krab
morski”) – nazwa grupy chorób nowotworowych bed
˛ acych
˛
nowotworami złośliwymi
wywodzacymi
˛
sie˛ z tkanki nabłonkowej.
2.2.3. Czerniak
Czerniak złośliwy (łac. melanoma malignum) – złośliwy nowotwór skóry, błon
śluzowych albo błony naczyniowej gałki ocznej, wywodzacy
˛ sie˛ z komórek barwnikowych wytwarzajacych
˛
melanine˛ – melanocytów.
Czynnikami wpływajacymi
˛
na wystepowanie
˛
czerniaka sa:
˛ długotrwała ekspozycja na słońce i promieniowanie ultrafioletowe, liczne wrodzone znamiona skórne,
2.3. Dermatoskopia
7
znamiona w miejscach drażnienia, jasna karnacja, włosy rude lub blond, niebieski
kolor oczu (te˛ czówki), piegi, skóra pergaminowa (rzadkie schorzenie genetyczne, łac.
xeroderma pigmentosum), czerniak wystepuj
˛
acy
˛ w rodzinie lub wcześniejsze zachorowanie u tego samego pacjenta. Genetyczna predyspozycja zwiazana
˛
jest jednak
jedynie z około 10% zachorowań.
Czerniaki charakteryzuja˛ sie˛ wysokim stopniem złośliwości, szybkim wzrostem
i odpornościa˛ na leczenie. Najczestsz
˛
a˛ metoda˛ leczenia jest usuniecie
˛
czerniaka
wraz z naddatkiem skórnym i wartowniczymi wezłami
˛
chłonnymi. Stosuje sie˛ także
chemioterapie˛ , immunosupresje,
˛ immunoterapie˛ lub terapie˛ genowa.
˛
Na całym świecie od 5 do 7% nowotworów skóry to czerniaki złośliwe. Szczeklik
podaje w [50], iż w roku 2003 w Polsce współczynnik zachorowalności na czerniaka
wynosił 3,8:100 000, co sytuuje go na 16. miejscu wśród wszystkich typów nowotworów złośliwych. Współczynnik umieralności obliczono na 1,5:100 000 u kobiet
i 2:100 000 u me˛ żczyzn . Najwieksza
˛
zachorowalność na czerniaka notowana jest
w Australii (wysokie nasłonecznienie) i wynosi obecnie aż 28,9:100 000 u me˛ żczyzn
i 25,3:100 000 u kobiet. Zapadalność na czerniaka złośliwego w Stanach Zjednoczonych wzrosła ponad 10 razy miedzy
˛
1935 a 1987 rokiem.
Lekarze dermatolodzy podczas badania czerniaków korzystaja˛ z urzadzenia
˛
zwanego dermatoskopem.
2.3. Dermatoskopia
Dermatoskopia (czasem zwana dermoskopia˛ lub ELM od angielskiego Epiluminescence microscopy czyli mikroskopia epiluminescencyjna) jest mikroskopowym
badaniem skóry, które jest metoda˛ bezinwazyjna˛ i bezbolesna.
˛ Sam termin „dermoskopia” został po raz pierwszy użyty przez lekarza dermatologi Goldmana. Urza˛
dzeniem wykorzystywanym podczas dermatoskopii jest dermatoskop. Daje on na
możliwość ogladania
˛
skóry w powiekszeniu
˛
około dziesieciokrotnym
˛
i w oświetleniu
ustandaryzowanym, które pozwala na uwidocznienie głebszych
˛
struktur naskórka.
Rozwój dermatoskopii sie˛ ga w przeszłość do roku 1663, kiedy to została ona zapoczatkowana
˛
przez Kolhausa. W roku 1878 Ernst Abbe odkrył właściwości oleju
imersyjnego i także wtedy zaczał
˛ on być powszechnie stosowany w badaniach mikroskopowych. Wykorzystywanie soczewki imersyjnej pozwalajacej
˛
na umieszczenie oleju imersyjnego (cze˛ sto także alkoholu izopropylowego), zwieksza
˛
zdolność
2.3. Dermatoskopia
8
rozdzielcza˛ urzadzenia
˛
optycznego. Ciecz imersyjna charakteryzujaca
˛
sie˛ współczynnikiem załamania zbliżonym do współczynnika załamania szkła soczewki zapobiegajac
˛ załamaniu sie˛ światła po przejściu przez środowiska o różnych gesto˛
ściach optycznych, a tym samym zwieksza
˛
aperture˛ liczbowa˛ urzadzenia.
˛
Dodatkowo dociśnie˛ cie soczewki do powierzchni skóry powoduje unikniecie
˛
odblasków,
a także skutkuje lokalnym wstrzymaniem przepływu krwi. Powoduje to uwypuklenie szczegółów naskórka, warstwy łacznej
˛
oraz górnej cześci
˛
skóry właściwej. Fotografia 2.2 przedstawia przyrzady
˛ dermatologiczne wykorzystywane powszechnie
przed era˛ komputerów cyfrowych.
Rysunek 2.2. Historyczne przyrzady
˛ wykorzystywane przy badaniu dermatoskopowym.
W nowoczesnych dermatoskopach odchodzi sie˛ od rozwiazania
˛
z wykorzystaniem soczewki imersyjnej a w jej miejsce stosuje sie˛ źródło światła spolaryzowanego. Niemiecki dermatolog, Johann Saphier, jako pierwszy dodał do urzadzenia
˛
wbudowane źródło światła, zaś Goldman upowszechnił użycie dermatoskopu do
oceny barwnikowych znamion skórnych. W roku 2001 kalifornijska firma wytwarzajaca
˛ instrumenty medyczne, 3Gen, wprowadziła na rynek po raz pierwszy dermatoskop ze spolaryzowanym źródłem światła – DermLite. Spolaryzowane oświetlenie przy wykorzystaniu krzyżowo spolaryzowanego wizjera zmniejsza odbicia powierzchni skóry pozwalajac
˛ na dokładniejsze analizowanie jej powierzchni bez konieczności stosowania soczewek imersyjnych. Tym samym, badanie grupy znamion
skórnych pacjenta jest szybsze, gdyż niweluje konieczność każdorazowego nakładania oleju imersyjnego na znamie˛ przed badaniem.
2.3. Dermatoskopia
9
Coraz szerzej stosowana jest w dermatologii dermoskopia komputerowa, zwana
także niekiedy wideodermoskopia˛ lub dermatoskopia˛ cyfrowa.
˛ Metoda ta charakteryzuje sie˛ możliwościa˛ uwidocznienia badanego fragmentu skóry na ekranie komputera i zapisania tego obrazu w formie elektronicznej. Ma to szczególne znaczenie
w badaniu osób, które maja˛ dużo znamion barwnikowych. Podczas badań kontrolnych przeprowadzanych okresowo istnieje możliwość porównania wygladu
˛
każdego
znamienia do jego wygladu
˛
z poprzednich badań. Jeśli znamie˛ sie˛ powieksza,
˛
jego
charakter lub wybarwienie zmienia sie,
˛ podejmuje sie˛ czasami decyzje o jego profilaktycznym usunie˛ ciu.
Dermoskopia jest powszechnie stosowana do oceny znamion barwnikowych. Badania wskazuja,
˛ że prawdopodobieństwo poprawnej klasyfikacji znamienia skórnego przy pomocy dermatoskopu jest około 15 razy wyższe niż w przypadku badania okiem nieuzbrojonym [17, 53]. Metoda ta zwieksza
˛
możliwość rozpoznania
czerniaka złośliwego na bardzo wczesnym etapie rozwoju, wtedy, kiedy można ten
rodzaj nowotworu skutecznie leczyć. Daje ona ok. 95% szansy na to, że mały, rozwijajacy
˛ sie˛ czerniak zostanie wcześnie wykryty. Ponadto dermoskopia ułatwia odróżnienie czerniaka od innych, niegroźnych zmian na skórze, gdyż zawsze moga˛
pojawić sie˛ na skórze zmiany, które nie spełniaja˛ w dermoskopii wszystkich kryteriów czerniaka, ale z powodu niektórych cech charakterystycznych dla czerniaka
budza˛ niepokój. Takie znamiona zawsze profilaktycznie sie˛ usuwa. Badania wskazuja,
˛ że zastosowanie dermatoskopu daje nawet do 20% lepsza˛ czułość i do 10%
lepsza˛ swoistość wyników klasyfikacji charakteru znamion skórnych w porównaniu
do klasycznego badania okiem nieuzbrojonym [14, 53] znacznie zmniejszajac
˛ liczbe˛
koniecznych do wykonania zabiegów chirurgicznych [17, 25].
W ostatnich latach dermoskopia stała sie˛ metoda˛ diagnostyczna˛ bardzo szeroko
stosowana˛ również w innych dziedzinach dermatologii. Daje nie tylko możliwość
badania znamion barwnikowych i wczesnego wykrywania czerniaka, ale również
ogladania
˛
prawie wszystkich innych zmian na skórze. W szczególności metoda ta
może być wykorzystana do badań kapilaroskopii (badanie naczyń krwionośnych
wału paznokciowego) u osób z podejrzeniem choroby Raynauda [40], sklerodermii
lub zapalenia skórno-mie˛ śniowego. Dermoskopia może też być stosowana do ogla˛
dania mieszków włosowych, a w badaniu wideodermoskopowym można zmierzyć
średnice˛ włosów, co jest wykorzystywane w niektórych przypadkach problemów
diagnostycznych dotyczacych
˛
chorób włosów. Nie jest to jednak przedmiotem zainteresowania niniejszej pracy magisterskiej.
2.4. Kryterium ABC(DE)
10
2.4. Kryterium ABC(DE)
Najcze˛ ściej wykorzystywanym kryterium automatycznej analizy charakteru znamion skórnych jest implementacja metody zwanej czesto
˛
skrótowo ABCDE. Kryterium to w postaci ABCD zostało zaproponowane w 1985 roku przez lekarzy z centrum medecznego NYU Langone – Alfreda Kopfa, Roberta Friedmana oraz Darrella
Rige’a w pracy „Early Detection of Malignant Melanoma: The Role of Physician Examination and Self-Examination of the Skin” [33]. Na przestrzeni lat wyewoluowało
ono do postaci ABCDE uwzgledniaj
˛
acej
˛
dodatkowo proces zachodzacych
˛
zmian.
Kryterium to bazuje na przesłankach, których specyficzne cechy determinuja˛
podwyższone prawdopodobieństwo przekształcenia sie˛ znamienia w nowotwór,
w sposób podobny jak czynia˛ to lekarze dermatolodzy. Czesto
˛
w procesie automatycznej analizy pomijane jest kryterium „D” oraz „E” jako trudne do badania
autonomicznego bez specyficznych dedykowanych rozwiaza
˛ ń sprzetowych.
˛
Analiza cech kryterium ABCDE przebiega nastepuj
˛
aco:
˛
— A jak Asymmetry (pol. asymetria) – sprawdzane jest, czy znamie˛ jest równomiernie rozrośnie˛ te w każdym kierunku. Jeśli jedna połowa znacznie różni sie˛ od
drugiej, może to sygnalizować problem. Opis badania [27] tej cechy opiera sie˛
na precyzyjnym znalezieniu osi symetrii i badaniu w jakim stopniu obie strony
sa˛ do siebie podobne.
— B jak Border (pol. krawe˛ dź) – obwiednia znamienia powinna mieć gładki przebieg. W przypadku poszarpanej, nierównomiernej krawedzi
˛
może wskazywać to
na charakter nowotworowy.
— C jak Colour (pol. kolor) – jeśli znamie˛ jest czarne, czerwone, nosi ślady
biało-niebieskawego nalotu a przede wszystkim jest nieregularnie wybarwione
lub liczba widocznych kolorów jest znaczna, może rozwinać
˛ sie˛ w czerniaka.
Analizowany jest kolor znamienia i jego zróżnicowanie na całej powierzchni.
— D jak ...
— Diameter (pol. średnica) – nie powinna ona przekraczać ok. 6 mm. Podczas
klasycznego badania stosuje sie˛ linijki dermatologiczne. Automatyczna estymacja rozmiaru może przebiegać z wykorzystaniem znaczników i markerów
dodatkowych albo pozwalajac
˛ użytkownikowi na samodzielne zmierzenie rozmiaru wyświetlona˛ na ekranie linijka.
˛
— Dermoscopic Structures (pol. struktury dermoskopowe) – obecność pewnych
struktur takich jak grudki, smugi, wybrzuszenia i inne może świadczyć o konieczności dokładniejszego badania charakteru kancerogennego znamienia.
— E jak ...
11
2.5. Kryterium „ELM 7 point checklist”
— Elevation (pol. uwypuklenie) – niewielka wysokość w stosunku do powierzchni skóry jest czynnikiem normalnym, patologiczne znamie˛ ma znacznie wie˛ ksza˛ i zróżnicowana˛ wysokość. Proces analizy powierzchni jest jednak
dość skomplikowany.
— Evolving (pol. proces zmian) – ze wzgledu
˛
na trudność w ocenie poprzedniego
kryterium (Elevation), w publikacjach traktujacych
˛
o automatycznej analizie
znamion skórnych, litera E w nazwie traktowana jest jako analiza procesu
zmian w czasie – widoczne, postepuj
˛
ace
˛
zmiany lub przemieszczanie sie˛
znamienia świadcza˛ o charakterze kancerogennym.
Warto w tym momencie wspomnieć także o drugim, nieco podobnym kryterium
oceny. Jest to metoda dużo rzadziej spotykana i nie tak czesto
˛
wykorzystywana jak
ABCDE. Metoda ta zwana jest ELM 7 point checklist. Została ona zaproponowana
przez Argenziano i innych [12] definiujac
˛ 7-elementowe kryterium oceny bazujace
˛
na uproszczeniu standardowej metody obserwacji szczególnych cech determinuja˛
cych kancerogenność. Metoda ta, czesto
˛
porównywana jest do metody ABCDE jako
pozwalajaca
˛
na stawianie dokładniejszej diagnozy nawet mniej doświadczonemu
specjaliście dermatologowi.
Cechy, które uwzgle˛ dnia metoda ELM 7 point checklist przedstawiono w tablicy
2.1.
Kryterium „ELM 7 point checklist”
Kryteria główne
Nietypowa struktura wybarwienia
Biało-niebieskawa powierzchnia
Nietypowy wzór naczyń krwionośnych
Kryteria poboczne
Nieregularne smugi
Nieregularne wybarwienie
Nieregularnie wystepuj
˛
ace
˛ kuliste zgrubienia
Struktury regresji
Ocena składowa
2
2
2
1
1
1
1
Tablica 2.1. Poszczególne kryteria wraz z ocena.
˛
W procesie analizy, jak widać w tabeli, pod uwage˛ brany jest nie tylko kształt
i tekstura znamienia, ale także analizowana jest jego barwa. Obraz sprawdzany
jest pod katem
˛
obecności wyszczególnionych cech. Jeśli dana cecha została stwierdzona, do końcowego wyniku dodawana jest składowa ocena jej odpowiadajaca.
˛
W podsumowaniu, jeśli wynik wynosi 3 lub powyżej – znamie˛ klasyfikowane jest
12
jako czerniak, jeśli poniżej – jako majace
˛ łagodny charakter i nie jest powodem do
obaw.
Metoda ta mimo swoich wielu zalet jest skomplikowana ze wzgledu
˛
na niejednoznaczności kryteriów. Wiele z nich jest trudnych w implementacji [37], a także
trudnych do porównania z decyzjami dermatologów, gdyż proces ich oceny można
uznać za bardzo subiektywny.
3. Istniejace
˛ rozwiazania
˛
Rozwiazania
˛
starajace
˛ sie˛ zastapić
˛
profesjonalny dermatoskop możemy podzielić na dwie grupy – fizyczne urzadzenia,
˛
które sa˛ w praktyce wideodermatoskopami
cyfrowymi lub zapewniaja˛ podobne cechy oraz na aplikacje mobilne, które wykorzystujac
˛ wbudowana˛ kamere˛ i łatwy dostep
˛ do internetu, przekształcaja˛ smartfona
lub tablet w urzadzenie
˛
medyczne. Niektóre z nich łacz
˛ a˛ obie cechy.
3.1. Aplikacje mobilne
Według iMedicalApps [4] aktualnie na rynku dostepnych
˛
jest kilka aplikacji
o wspólnym charakterze i zapewniajace
˛ podobne funkcjonalności. Jakość wiek˛
szości z nich jest mierna – niektóre sa˛ jedynie lista˛ cech które należy obserwować,
by mieć pewność, że znamie˛ skórne nie przekształci sie˛ w czerniaka złośliwego.
Jedynie trzy aplikacje zapewniaja˛ automatyczna˛ analize˛ znamion skórnych. Podstawowym ich zadaniem jest klasyfikacja znamion skórnych za pomoca˛ kryterium
ABCDE. Niektóre z nich rozszerzone sa˛ o inne dodatkowe możliwości albo jak np.
DoctorMole wykorzystuja˛ technologie˛ Augmented Reality1 prezentujac
˛ wyniki bezpośrednio na obrazie podgladu
˛
kamery.
Aplikacje te oprócz podstawowej funkcji oceny zagrożenia przekształcenia sie˛
zmiany skórnej w nowotwór czesto
˛
posiadajac
˛ dodatkowe opcje jak np.:
— zapamie˛ tywanie i porównywanie fotografii lub wyników badania aktualnego z lista˛ poprzednich
— ustawianie przypomnienia wykonania kolejnego, odsunietego
˛
w czasie badania
(alarm)
— definiowanie (słownie lub w postacie znacznika na modelu trójwymiarowym)
umiejscowienia zmiany w celu łatwiejszej jej późniejszego odnalezienia
— informowanie o czynnikach zwiekszaj
˛
acych
˛
prawdopodobieństwo wystapie
˛ ń nowotworów skórnych, cechach je determinujacych
˛
itp.
Aplikacje z automatycznym procesem analizy:
1
ang. Rzeczywistość rozszerzona
14
— Mole Detective (około 5 000 instalacji) – https://play.google.com/store/
apps/details?id=com.moledetective
— Doctor Mole (około 100 000 instalacji) – https://play.google.com/store/
apps/details?id=com.revsoft.doctormole
— SpotMole (około 50 000 instalacji) – https://play.google.com/store/apps/
details?id=com.spotmole
Aplikacje pozwalajace
˛ na konsultacje˛ z dermatologiem powiazanym
˛
z samym
programem:
— iDoc24 Ask the dermatologist! (około 5 000 instalacji) – https://play.google.
com/store/apps/details?id=com.iDoc24
Aplikacje, w których diagnoza stawiana jest nie w sposób automatyczny, a przez
wykwalifikowanego dermatologa, ciesza˛ sie˛ duża˛ popularnościa˛ w Stanach Zjednoczonych. W artykule „Diagnosing Skin Cancer via iPhone: The Apps to Know” [45]
amerykańskiego magazynu The Atlantic zostało przedstawione zestawienie podobnych do iDoc24 aplikacji przeznaczonych na telefon iPhone. Koszt pojedynczego
zdj˛ecia wysłanego przy pomocy takiej aplikacji nie przekracza jednego dolara.
Aplikacje wymagajace
˛ od użytkownika samodzielnej analizy znamienia na podstawie przedstawionych kryteriów pomocnicznych:
— Skin Mole Analysis (około 1 000 instalacji) – https://play.google.com/
store/apps/details?id=com.opticomdataresearch.skinmoleanalysis
— Skin Scanner (około 100 instalacji) – https://play.google.com/store/apps/
details?id=com.contactos
— Track-A-Mole (około 1 000 instalacji) – https://play.google.com/store/
apps/details?id=com.peakmobiledesigns.trackamole
— Mole Checker (około 500 instalacji) – https://play.google.com/store/
apps/details?id=com.pixidapp.molecheckerzip
Bez wie˛ kszych watpliwości
˛
po testowym korzystaniu z aplikacji przedstawionych
powyżej, można stwierdzić, że najwyższa˛ jakość zapewnia aplikacja Doctor Mole,
która to nie tylko doste˛ pna jest na różne platformy mobilne, ma dobrze wykonany interfejs graficzny, szczegółowy opis poszczególnych czynników ryzyka, ale
także najszybciej i prawdopodobnie najlepiej sprawdza sie˛ w procesie rozpoznawania i klasyfikacji charakteru znamienia. Sama aplikacja została opisana w artykule
„Is that little mole a big problem? Ask Doctor Mole, the smartphone app that checks
for signs of skin cancer” [24] angielskiej gazety Daily Mail oraz na stronie poświe˛
conej nowoczesnym technologiom TechCrunch w artykule „Does This Mole Look
Weird? This App Will Tell You” [15]. Jej popularność, pozytywne opinie i wysoka
15
(a) Wykonywanie fotografii
(b) Zestawienie wpływu czynników
klasyfikacji
(c) Zestawienie poprzednich wyników
(d) Podglad
˛ procesu analizy
Rysunek 3.1. Aplikacja Doctor Mole.
16
(a) Ustawianie przypomnienia o kolejnym badaniu
(b) Element edukacyjny
Mole Detective
(c) Analiza jednolitości koloru znamienia
(d) Element edukacyjny aplikacji Doctor Mole
Rysunek 3.2. Inne aplikacje.
aplikacji
3.2. Urzadzenia
˛
fizyczne
17
liczba ściagnieć
˛
może świadczyć o dobrej jakości aplikacji. Brak jest jednak oficjalnych naukowych testów jakości klasyfikacji aplikacji w porównaniu z diagnozami
lekarskimi. Tym samym, z zachowaniem pewnego marginesu zaufania oraz z braku
alternatywy można by uznać te˛ aplikacje˛ za wzorcowy punkt odniesienia.
3.2. Urzadzenia
˛
fizyczne
Na rynku urzadze
˛
ń medycznych, obok profesjonalnych i wyspecjalizowanych
dermatoskopów cyfrowych (jak np. opisany poniżej MoleMax), istnieja˛ także
urzadzenia-przystawki,
˛
które nie działaja˛ samodzielnie, ale pozwalaja˛ rozszerzyć
funkcjonalność np. telefonu komórkowego.
Najbardziej popularnymi zestawami dermatoskopowymi dla urzadze
˛
ń mobilnych sa˛ handyscope i DermLite.
Głównym założeniem przyświecajacym
˛
ich twórcom było przygotowanie zarówno
fizycznego rozszerzenia telefonu komórkowego jak i całego zaplecza: aplikacji mobilnej cze˛ sto współpracujacej
˛
z serwerem.
Zarówno ich budowa jak i pomysł stojacy
˛ za ich stworzeniem jest podobny, różne
sa˛ jednak typy telefonów współpracujacych
˛
z urzadzeniem.
˛
handyscope wspiera jedynie urzadzenia
˛
Apple, a DermLite – szeroki zakres telefonów i tabletów zarówno
firmy Apple jak i Samsung. DermLite posiada w swojej ofercie także zestawy współpracujace
˛ z cyfrowymi aparatami fotograficznymi.
Porównanie wygladu
˛
poszczególnych urzadze
˛
ń przedstawiono na rysunku 3.3.
3.2.1. MoleMax
Molemax jest urzadzeniem
˛
wyprodukowanym przez firme˛ Derma Medical Systems [9] i był to pierwszy cyfrowy mikroskop epiluminescyjny opracowanym w kooperacji z wydziałem medycznym uniwersytetu w Wiedniu, departamentem dermatologii (pod przewodnictwem dr. Klasusa Wolffa). W 1997 MoleMax został zaprezentowany grupie mie˛ dzynarodowych ekspertów obecnych na światowym kongresie dotyczacym
˛
czerniaka złośliwego, a nastepnie
˛
na światowym kongresie dermatologicznym w Sydney, gdzie wzbudził duże zainteresowanie. Od tamtego momentu MoleMax jest używany w ponad 50 państwach w liczbie ponad 2000 sztuk.
W chwili obecnej MoleMax jest powszechnie uznany jako standard kliniczny cyfrowej dermatoskopii. Dzie˛ ki wykorzystaniu spolaryzowanego źródła światła nie jest
konieczne wykorzystywanie oleju imersyjnego podczas badania, co pozwala uniknać
˛ zniekształceń dociskanych soczewka˛ znamion skórnych.
18
3.2. Urzadzenia
˛
fizyczne
(a) Wyglad
˛ zestawu MoleMax
(b) Manipulator MoleMax HD
(c) handyscope wraz z Apple iPhone
(d) Aplikacja internetowa FotoFinder
Hub
(e) DermLite Connection Kit z Samsung Galaxy S4
(f) DermLite FOTO System
Rysunek 3.3. Porównanie urzadze
˛
ń i technologii dermatoskopowych
3.2. Urzadzenia
˛
fizyczne
19
3.2.2. handyscope
Urzadzenie
˛
handyscope nimieckiej firmy FotoFinder [8] jest w praktyce dermatoskopem dołaczanym
˛
do telefonu iPhone (zarówno dla wersji 4, 4S, 5 a także 5S)
lub odtwarzacza MP3 firmy Apple. handyscope zapewnia powiekszenie
˛
do 20 razy.
Wbudowane źródło światła może działać w dwóch trybach – światła spolaryzowanego jak i jako źródło imersyjne. Dermatoskop ten może służyć zarówno do badań bezkontaktowych jak i kontaktowych. Wbudowane oprogramowanie zapewnia
podwyższony stopień bezpieczeństwa przechowywanych danych, gdyż wykorzystuje
szyfrowanie. Firma FotoFiner zapewnia także opcjonalny dostep
˛ do zdalnego repozytorium w formie „chmury” zwanego FotoFinder Hub. Urzadzenie
˛
wspiera także
szeroki wachlarz aplikacji teledermatologicznych przygotowanych przez firmy trzecie.
3.2.3. DermLite Connection Kit
Linia dermatoskopów DermLite produkowana jest przez amerykańska˛ firme˛
3Gen [7]. Zajmuje sie˛ ona głównie profesjonalnymi dermatoskopami ale także nakładkami na cyfrowe aparaty fotograficzne, produkcja˛ lekarskich urzadze
˛
ń optycznych oraz zestawów rozszerzajacych
˛
funkcje˛ dermatoskopów linii DermLite.
Produkty serii DermLite Connection Kit przygotowane zostały zarówno z myśla˛
o urzadzeniach
˛
Apple: telefony iPhone (4, 4S, 5, 5S, 5C) oraz tablety iPad (3,
4, Air, mini) jak również urzadzenia
˛
firmy Samsung działajacych
˛
pod kontrola˛
systemu Android: telefony Galaxy (S3, S4). Zestaw składa sie˛ jedynie z urzadzenia
˛
fizycznego. Brak jest jednak aplikacji do jego obsługi zapewniajacej
˛
funkcjonalność
archiwizacji czy analizy.
Rozwiazania
˛
firmy 3Gen ciesza˛ sie˛ duża˛ popularnościa˛ ze wzgledu
˛
na wysoka˛
jakość wykonania i renome˛ jaka˛ firma zyskała produkujac
˛ od wielu lat klasyczne
dermatoskopy.
4. O roli aplikacji osobistych w medycynie
Daniel Kraft [2] jest lekarzem i naukowcem z ponad dwudziestoletnim stażem,
posiadaczem wielu mie˛ dzynarodowych patentów. Jest on także właścicielem firmy
IntelliMedicine, która zajmuje sie˛ rozwiazaniami
˛
„medycyny osobistej” skupionej
wokół zapewniania technologii inteligentnej medycyny. W kwietniu 2011 roku na
konferencji TEDx Maastricht w Holandii dał on wykład pod tytułem „Przyszłość
medycyny? Jest na to aplikacja.” [34].
Rysunek 4.1. Daniel Kraft podczas przemowy na konferencji TEDx
To właśnie na tej konferencji poruszył on temat zmian w medycynie postepuj
˛
a˛
cych wraz z rozwojem nowoczesnych technologii. Kraft pokazał jakie zmiany maja˛
21
miejsce i wskazał, że fakt, iż urzadzenie
˛
mobilne bed
˛ ace
˛ cały czas przy użytkowniku
jest w praktyce urzeczywistnieniem idei profilaktyki.
Opisuje on nowoczesna,
˛ przyszłościowa˛ medycyne˛ jako medycyne˛ urzeczywistniajac
˛ a˛ cztery wartości, tzw. 4P (lub PPPPM) - Predictive, Preventive, Personalized,
Participatory (ang. przewidujaca,
˛
zapobiegawcza, spersonalizowana, współdziałajaca
˛ z pacjentem). Jest to medycyna wspierana przez nowe technologie – nowoczesne metody pomiarowe, techniki wizualizacji, metody obliczeniowe i matematyczne
pomagajace
˛ usprawnić proces stawiania diagnozy lub całkowicie autonomicznie
zadecydować o procesie leczenia pacjenta. Szacuje sie,
˛ że w ciagu
˛
nastepnych
˛
10-20 lat medycyna konwencjonalna zostanie zastapiona
˛
przez reaktywna˛ medycyn˛e 4P [30].
Głównymi cechami medycyny 4P sa:
˛
— wykrywanie chorób na ich wczesnym stadium, kiedy proces skutecznego leczenia jest łatwiejszy i tańszy
— trafne kwalifikowanie pacjenta do odpowiednich grup optymalnej terapii
— zmniejszanie efektów ubocznych stosowania leków i terapii poprzez uprzednie
typowanie prawdopodobnych indywidualnych reakcji organizmu
— dokładniejszy wybór tzw. „celów biochemicznych” w procesie pracy nad nowymi
lekami
— redukowanie czasu, kosztu i odsetku niepowodzeń nowo wprowadzanych, innowacyjnych metod leczenia
— przesuwanie nacisku w procesie leczenia z reagowania na zapobieganie
Na przykładzie mobilnej aplikacji dermatologicznej, której proces analizy znamion skórnych mógłby być cześci
˛ a,
˛ można powiedzieć, że spełnia ona wymagania stawiane przed aplikacja˛ 4P. Jest ona implementacja˛ medycyny przewidujacej,
˛
gdyż na podstawie zgromadzonej dokumentacji fotograficznej i wystawionej oceny
jest w stanie zdiagnozować (przewidzieć) dalszy rozwój znamienia. Działa ona także
zapobiegawczo, gdyż bezpośrednio wpływa na wczesne wykrywanie znamion moga˛
cych być czerniakami złośliwymi, kiedy moga˛ one zostać bezpiecznie usuniete.
˛
Aplikacja taka jest także osobista, gdyż zaimplementowana jest na urzadzeniu
˛
mobilnym – jest zawsze przy pacjencie, przechowuje jego osobiste dane i zdjecia,
˛
przypomina o kolejnym badaniu. Dodatkowo współdziała i współpracuje ona z pacjentem.
To niejako na pacjenta przerzucona jest odpowiedzialność za proces przeprowadzenia badania, musi on uzupełnić wynik badania automatycznego dodatkowymi
informacjami takimi jak rozmiar czy uwypuklenie znamienia.
22
Kraft w swoim wystapieniu
˛
stwierdził, że wykorzystywanie interdyscyplinarnych
nowoczesnych technologii rozwijajacych
˛
sie˛ wykładniczo wpływa na nasza˛ przyszłość i zdrowie. Powszechne staja˛ sie˛ takie technologie jak analiza genowa wykonywana bardzo niskim kosztem czy też możliwości wykonywania pote˛ żnych obliczeń bioinformatycznych w połaczeniu
˛
z Internetem i sieciami społecznymi jak np.
grupowe poszukiwanie lekarstwa na raka.
Zarówno z punktu widzenia lekarzy jak i elektroników, bioinżynierów i informatyków zauważalne jest, że istnieje niewykorzystana luka do wpływania na
przyszłość własnego zdrowia i systemu opieki zdrowotnej. Obecne społeczeństwo
marnotrawi zebrane w procesie leczenia informacje, co spowodowane jest przede
wszystkim rozdrobnieniem i brakiem scentralizowanej bazy informatycznej opieki
medycznej. Wynika to wprost z trudnego przebiegu wdrażania innowacji.
Wie˛ kszość wydatków na leczenie przypada na ostatnie 20% życia człowieka.
Kraft zastanawia sie˛ , co byłoby gdyby wydać te pieniadze
˛
rozsadniej,
˛
to znaczy
przeznaczyć je na opieke˛ zdrowotna˛ wcześniejszego okresu. Z pomoca˛ przychodza˛
nowoczesne technologie, a przede wszystkim technologie mobilne. Nie od dziś wiadomo, że nowoczesne kalkulatory, nie wspominajac
˛ o smartfonach czy komputerach, maja˛ moc obliczeniowa˛ wielokrotnie wieksz
˛
a˛ od komputera sterujacego
˛
przebiegiem misji Apollo na ksie˛ życ. Tak nowoczesna˛ technologie˛ wiekszość
˛
ludzi ma na
co dzień w kieszeni nie be˛ dac
˛ świadomym jak pote˛ żnym urzadzeniem
˛
dysponuja.
˛
Na telefony komórkowe dostepnych
˛
jest wiele różnych aplikacji medycznych – do
tego stopnia, że jedna z firm z Wielkiej Brytanii przygotowała rozwiazanie
˛
z podła˛
czonym do iPhone’a czipem, na którym można umieścić próbke˛ moczu i sprawdzić
czy jest sie˛ nosicielem choroby przenoszonej droga˛ płciowa.
˛
Dość rozpowszechnione sa˛ różne rodzaje aplikacji łacz
˛ ace
˛ telefon i diagnostyke,
˛
na przykład – diagnostyka daltonizmu, badanie słuchu, mierzenie czasu reakcji,
koordynacji, te˛ tna, poziomu cukru we krwi na urzadzeniu
˛
z systemem Android lub
na iPhone’ie i potencjalne przesłanie tego do lekarza by zarówno on jak i pacjent
lepiej poznał swój organizm. Nie jest tajemnica,
˛ że komputery, zgodnie z prawem
Moore’a, przyspieszaja˛ coraz bardziej, a wraz z tendencja˛ do zrównoleglania zadań,
moc obliczeniowa be˛ dzie szybko wzrastać.
Te doste˛ pne na rynku urzadzenia
˛
to przykład zmiany paradygmatu. Ludzkość zmierza do integracji biomedycyny, informatyki, technologii bezprzewodowych
i przenośnych – zmierza w strone˛ ery medycyny cyfrowej.
23
Aktualnie lekarze maja˛ już dostep
˛ do cyfrowych stetoskopów, do których istnieje
odpowiednia aplikacja mobilna. Może kiedyś bed
˛ a˛ one zastepowane
˛
przez urzadze˛
nia podobne do trikordera znanego z serii Star Trek. Już teraz głowica ultrasonografu przewyższa i wypiera stetoskop. Ich cena jest na tyle niska, że powszechnie
dost˛epne sa˛ tanie rozwiazania
˛
bed
˛ ace
˛ bardzo ważnym i silnym narzedziem
˛
diagnostycznym. Problemem jest jedynie integracja ich z powszechnie używanymi smartfonami czy komputerami.
Nowoczesne technologie bez elektronicznego ewidencjonowania danych medycznych sa˛ niczym nieuzasadnionym wydatkiem. W Stanach Zjednoczonych wcia˛ż dotyczy to mniej niż 20% dokumentacji, zaś np. w Holandii, jest to wartość wyższa
niż połowa i wcia˛ż wzrasta.
Kiedy placówki medyczne przestawia˛ sie˛ na łaczenie
˛
danych medycznych, udost˛epniajac
˛ je elektronicznie, możliwe bedzie
˛
gromadzenie tych informacji. Wtedy
też każdy uprawniony lekarz bedzie
˛
mógł mieć dostep
˛ do danych swoich pacjentów
przez telefon komórkowy gdziekolwiek by sie˛ nie znajdował. Już teraz nie trzeba w
wielu przypadkach udawać sie˛ do lekarza. Tylko podczas około 20% wizyt wymaga
dotykania pacjenta. Znajdujemy sie˛ aktualnie w epoce wizyt wirtualnych – od wizyt przez Skype, które oferuje Americal Well, do Cisco, które opracowało bardzo
skomplikowany system wideokonslutacji.
Możliwość interakcji ze swoim lekarzem znacznie ostatnio sie˛ zmieniła. Pacjent
może wysłać poprzez telefon komórkowy zdjecie
˛
cześci
˛
ciała, która mu dolega, a lekarz może prowadzić diagnostyke˛ ta˛ sama˛ droga.
˛ Można także wykorzystać współczesna˛ technologie˛ gier, jak Microsoft Kinect, i przekształcić ja˛ tak, by umożliwić
diagnozowanie, na przykład, w rozpoznawaniu udaru, używajac
˛ prostego czujnika
ruchu. Istnieja˛ bezprzewodowe mankiety do mierzenia ciśnienia. Cała gama tych
technologii jest łaczona.
˛
Na rynku dostepne
˛
sa˛ zegarki, które posiadaja˛ funkcje˛
mierzenia akcji serca, monitory snu Zeo, krokomierze, cały zestaw tanich narzedzi,
˛
które umożliwia wpływanie na wglad
˛ i własne zdrowie.
Kiedy zaczniemy łaczyć
˛
te informacje, dowiemy sie˛ lepiej co z nimi robić i jak
lepiej zrozumieć swoje własne problemy, schorzenia, zdrowie i samopoczucie. Możliwe, że w przyszłości be˛ dziemy mieli urzadzenia
˛
w ubraniach, które bed
˛ a˛ nas monitorować przez cała˛ dobe˛ . Podobnie do systemu monitorowania stanu w samochodach, tak i w przypadku ludzi bedzie
˛
to informacja „sprawdź swoje ciało”, udaj do
odpowiedniego miejsca i poddaj opiece medycznej.
Ta nowa technologia i jej połaczenie
˛
z dotychczasowa˛ medycyna˛ paradoksalnie może umożliwić bliższy kontakt z pacjentami, a nie go ograniczyć. Daje ona
24
wi˛ecej czasu na praktykowanie w medycynie istotnego elementu ludzkiego dotyku,
wzmocnionego przez te technologie.
Co z innymi wartościami zmieniajacymi
˛
sie˛ wykładniczo, jak np. minimalizacja?
˛
Proces leczenia powinien sie˛ zmieniać – być lepszy i efektywniejszy. To w tym kierunku zmierzamy – wcia˛ż jednak nowoczesna medycyna jest na poczatku
˛
tej drogi.
Integracja technologii wykładniczych, jest jednym z przykładów. Myślac
˛ o trendach
technologicznych i tym jak wpłynać
˛ na zdrowie i medycyne,
˛ wchodzimy w epoke˛
miniaturyzacji, decentralizacji i personalizacji. Przez połaczenie
˛
tych rzeczy, jeśli
zaczniemy myśleć jak je zrozumieć i wykorzystać, wzmocnimy pozycje˛ pacjenta,
wyposażymy lekarza, poprawimy dobrostan populacji i zaczniemy leczyć dobrze
czujace
˛ sie˛ osoby na długo przed zachorowaniem.
Kraft zwraca w swoim wystapieniu
˛
uwage,
˛ że czesto
˛
dochodzi do sytuacji, kiedy
pacjent przychodzi do lekarza z choroba˛ w poczatkowym
˛
stadium. Rokowanie jest
dobre – cze˛ sto można go całkowicie wyleczyć. Niekiedy jednak jest zdecydowanie za
późno i jest to na przykład rak w zaawansowanym trzecim lub czwartym stadium.
Łacz
˛ ac
˛ te technologie, wejdziemy w ere,
˛ która˛ bedzie
˛
można nazwać medycyna˛
stadium zerowego.
Daniel Kraft bardzo celnie podsumował swoje wystapienie
˛
– „Jako lekarz od
nowotwór, wolałbym w przyszłości zostać bez pracy.”
5. Proces analizy
Diagram zależności procesu analizy znamion skórnych uwzgledniaj
˛
acy
˛ poszczególne składowe kryterium ABCDE oraz pomocnicze algorytmy przetwarzania obrazu przedstawiono na rysunku 5.1.
Rysunek 5.1. Schemat zależności miedzy
˛
algorytmami składowymi omawianej
aplikacji medycznej
5. Proces analizy
26
Zgodnie z założeniem wstepnym,
˛
w procesie analizy obrazu podczas stwierdzenia, że w obszarze zainteresowania znajduje sie˛ badane znamie,
˛ aplikacja wykonuje
seri˛e lub pojedyncze zdje˛ cie. W celu późniejszego łatwiejszego przetwarzania aplikacja powinna wyznaczać obszar zainteresowania za pomoca˛ znacznika podczas
wykonywania fotografii. Obszar ten bedzie
˛
nastepnie
˛
przetwarzany, a wyniki analizy moga˛ być prezentowane bezpośrednio na ekranie.
Wymagania funkcjonalne tej aplikacji jasno określaja˛ charakter i rodzaj wejściowych danych – sa˛ to zdje˛ cia skóry wykonane z niewielkiej odległości.
Pierwszym krokiem jest najcześciej
˛
przetwarzanie wstepne
˛
– wyszarzenie i rozmycie, gdyż ważne jest uprzednie usuniecie
˛
zaszumienia obrazu i zredukowanie
liczby nieistotnych detali do czego doskonale nadaje sie˛ filtr Gaussa (czesto
˛
wykorzystywany w procesach analizy i przetwarzania obrazu), filtr medianowy lub inne
podejścia wyostrzajace
˛ obraz i usuwajace
˛ szum.
Naste˛ pnym krokiem powinna być segmentacji obrazu w celu wyznaczenia obszaru skóry i znamienia.
Niezależnie od powyższych, kontynuowany jest proces znajdowania centroidu,
czyli środka cie˛ żkości znamienia.
Uprzednio wyznaczony obszar znamienia bedzie
˛
także wykorzystywany w procesie analizy badania symetryczności i regularności krawedzi.
˛
Na kolorowej wersji obrazu analizowany jest także rozkład kolorów za pomoca˛
histogramu wyznaczonego za pomoca˛ maski binarnej obszaru zmiany skórnej.
Badanie rozmiaru może być problematyczna˛ cześci
˛ a˛ analizy: możliwe byłoby wykorzystanie do tego celu znacznika rozmiaru, np. w formie listwy z szachownica˛ lub
bazowanie na pomiarach użytkownika, ułatwionych przez wyświetlona˛ na ekranie
urzadzenia
˛
linijka.
˛ Nie zostało ono jednak ujete
˛ w niniejszej pracy.
Końcowa diagnoza automatyczna może być zdefiniowana jako wynik funkcji
oceny, której argumentami sa˛ poszczególne kryteria (np. alternatywa, koniunkcja,
zliczanie przesłanek) albo może zostać zaprezentowana jako lista poszczególnych
czynników kancerogennych, co wydaje sie˛ mieć wieksz
˛
a˛ sprawdzalność diagnozy
i pozwala na bardziej obiektywna˛ ocene.
˛
W niniejszej pracy istotniejsze jednak wydaje sie˛ stwierdzeni z jaka˛ dokładnościa˛
potrafia˛ działać klasyfikacja i jaka˛ miare˛ informacji niosa˛ wyniki poszczególnych
składowych programu.
27
5.1. Rozmywanie obrazu
W dalszej cze˛ ści pracy opisane zostanie działanie algorytmów przetwarzania
obrazu wykorzystane w aplikacji medycznej i stanowiace
˛ podstawe˛ dla całej dalszej
analizy.
W obszarze fotografii znamion skórnych oprócz samego znamienia znajduja˛ sie˛
cz˛esto też cze˛ sto przebarwienia, włosy czy inne struktury skórne. Jako, że powinny
być one traktowane jako szum w obrazie, ważne jest znalezienie takiej metody,
która te elementy z obrazu usuwa nie powodujac
˛ zmian koloru, krawedzi
˛
i obszaru
znamienia.
Wydaje sie˛ , że rozmywanie obrazu nie ma dużego wpływu na proces analizy
znamion skórnych. Z powodzeniem stosowane sa˛ rozwiazania
˛
zarówno korzystajace
˛
z rozmycia Gaussa – [18, 20, 36], filtra medianowego – [20, 55], jak i adaptacyjnego
filtra Wienera [55].
Porównujacy
˛ wyniki ustaliłem, że w niniejszym procesie rozpoznawania i analizy
znamion skórnych najlepiej sprawdziło sie˛ jednak rozmycie wykorzystujace
˛ filtr
medianowy o rozmiarze maski 21.
5.1.1. Filtr Gaussa
Filtr Gaussa to dolnoprzepustowy filtr bazujacy
˛ na pierwszej pochodnej funkcji
Gaussa. Funkcja ta dla jednego wymiaru opisana jest wzorem:
G(x) = √
1
2πσ 2
x2
e− 2σ2 ,
(5.1)
a dla przestrzeni dwuwymiarowej:
G(x, y) =
1 − x2 +y2 2
e 2σ .
2πσ 2
(5.2)
Filtr ten znalazł szerokie zastosowanie w przetwarzaniu obrazów, gdyż wspomaga inne algorytmy redukujac
˛ szum i usuwajac
˛ szczegóły. Ułatwia także znajdowanie cech obrazu z pominie˛ ciem fałszywych odpowiedzi. W praktyce jest to splot
macierzy obrazu z macierza˛ filtra Gaussa, gdzie współczynniki maski wyliczane sa˛
z równania rozkładu normalnego zakładajac
˛ że centralny element ma współrzedne
˛
x = 0 i y = 0 oraz jednakowa˛ wariancje˛ σx = σy = σ. Dodatkowo rozmycie Gaussa
skutkuje zmniejszeniem wysokoczestotliwościowych
˛
elementów obrazu, tym samym dajac
˛ efekt podobny do rezultatu zastosowania filtru dolnoprzepustowego.
28
Macierz rozmycia Gaussa może być dowolna˛ macierza˛ kwadratowa.
˛ We wzorze 5.3
przedstawiono macierz filtra 5 × 5 używanego w bibliotece OpenCV, wykorzystywanego do obróbki obrazu ze współczynnikiem σ = 1.4. Zgodnie z dokumentacja˛ [31]
implementacji OpenCV filtru Gaussa, odchylenie standardowe jest pierwszym z sześciu parametrów metody. Im jest ono wieksze,
˛
tym mniej „fałszywych” elementów
zostanie rozpoznanych, jednocześnie wydłużajac
˛ czas samego splotu.

2

5
4
2

4 9 12

1 
5 12 15
B=
59 

4 9 12

9
4

2
4
4
5


12 5
∗A
9

4

4
2
(5.3)
Wyniki porównujace
˛ zmiane˛ stopnia rozmycia i wpływ na zachowanie informacji
w obrazie w zależności od rozmiaru maski filtra Gaussa przedstawiono na rysunku
5.2.
5.1.2. Filtr medianowy
Filtr medianowy jest kolejna˛ implementacja˛ algorytmu usuwajacego
˛
zakłócenia
z obrazu. Warto rozważyć go obok filtrowania Gaussa, gdyż może sie˛ okazać, że
wyniki uzyskane przy jego zastosowaniu bed
˛ a˛ lepsze dla celów aplikacji analizujacej
˛
znamiona skórne. Najlepsze rezultaty daje on dla obrazów z szumem typu
„pieprz i sól”. Sam algorytm nie jest trudny w implementacji i bazuje na prostych
założeniach.
Niech macierz ze wzoru 5.4 bedzie
˛
„oknem” filtra o rozmiarze maski n. Wartość
n jest z reguły nieparzysta (najcześciej:
˛
3, 5 albo 7), gdyż wartość f0,0 reprezentuje
piksel dla którego wykonywana jest operacja przekształcania filtrem.


f
f0,−1 f1,−1 
 −1,−1

 f−1,0

f−1,1
f0,0
f1,0 
f0,1
f1,1


(5.4)
Wynikiem działania tego filtru jest przypisanie pikselowi f0,0 wartości środkowej
wszystkich pikseli pod maska,
˛ czyli dla podanej maski 3x3 bedzie
˛
to taka wartość
punktu, że 4 punkty maja˛ wartość wieksz
˛
a˛ a 4 kolejne, wartość od niego mniejsza.
˛
Do wyszukiwania mediany można z powodzeniem wykorzystać algorytmu Hoare’a.
Filtr medianowy pozwala na eliminacje szumu z obrazu bez znacznego rozmycia obrazu, tak charakterystycznego dla filtrów dolnoprzepustowych, co może skutkować
lepszym filtrowaniem zdje˛ ć dermatologicznych.
29
(a) Obraz wejściowy
(b) GaussianBlur(3)
(c) GaussianBlur(5)
(d) GaussianBlur(7)
(e) GaussianBlur(9)
(f) GaussianBlur(11)
(g) GaussianBlur(13)
(h) GaussianBlur(15)
(i) GaussianBlur(17)
(j) GaussianBlur(19)
(k) GaussianBlur(21)
(l) GaussianBlur(23)
Rysunek 5.2. Wpływ zmiany rozmiaru maski filtra Gaussa
30
Wyniki porównujace
˛ zmiane˛ stopnia rozmycia i wpływ na zachowanie informacji
w obrazie w zależności od rozmiaru maski filtra medianowego przedstawiono na
rysunku 5.3.
(b) MedianBlur(3)
(c) MedianBlur(5)
(d) MedianBlur(7)
(e) MedianBlur(9)
(f) MedianBlur(11)
(g) MedianBlur(13)
(h) MedianBlur(15)
(i) MedianBlur(17)
(j) MedianBlur(19)
(k) MedianBlur(21)
(l) MedianBlur(23)
Rysunek 5.3. Wpływ zmiany rozmiaru maski filtra medianowego
31
5.2. Wyszarzenie
5.1.3. Wpływ rozmycia na dalsze etapy przetwarzania
W literaturze zajmujacej
˛
sie˛ tematem rozpoznawania znamion skórnych najcze˛
ściej wykorzystywanym filtrem jest filtr medianowy. Potrafi on lepiej niż filtr Gaussa
odfiltrować zakłócenia w obrazie nie tracac
˛ z niego zbyt wiele informacji.
Dla zastosowań dermatologicznych rozmiar filtra należy dobrać eksperymentalnie, ale dobrym zwyczajem jest wybranie rozmiaru startowego równego
1
10
mniej-
szego z wymiarów obrazu.
Porównanie efektu procesu rozmywania filtru medianowego z maska˛ o rozmiarze
21 przedstawiono na rysunku 5.4.
5.2. Wyszarzenie
Modyfikacja obrazu polegajaca
˛
na przejściu z dziedziny koloru (w przypadku
tego projektu 2563 ≈ 1, 7 mln kolorów) na skale˛ szarości (256 rozróżnialnych poziomów) jest ważnym etapem przetwarzania wstepnego,
˛
gdyż może przyspieszyć
i ułatwić proces dalszej analizy.
Wste˛ pnie wydawało sie˛ , że dobór procesu wyszarzania obrazu może mieć wpływ
na przebieg i otrzymywane wyniki analizy znamion. Znane sa˛ różne implementacje
tego zagadnienia: w [39] wykorzystano desaturacje,
˛ w [55] wyszarzanie oparte na
wzorze 5.7. Stosowane sa˛ także inne metody opisane w [28, 51]. Przetestowano
dziesie˛ ć, opisanych poniżej, metod wyszarzania. W toku prac okazało sie˛ jednak,
że wybór jednej z nich, nie ma dużego wpływu na cały proces. Najlepsze rezultaty
oferuje wyszarzanie oparte na procesie uczenia i takie też zostało zastosowane.
5.2.1. Wyszarzenie wykorzystujace
˛ pojedyncza˛ składowa˛
Najprostsza,
˛ najłatwiejsza˛ w implementacji i najszybsza˛ metoda˛ zamiany koloru
na skale˛ szarości jest wybranie jednej składowej RGB jako reprezentanta. Wartość
odpowiadać be˛ dzie wartości piksela w skali szarości. Jest to rozwiazanie
˛
najprostsze i paradoksalnie majace
˛ duży potencjał, o ile znamy a priori charakter obrazów
wejściowych.
Ze wzgle˛ du na zróżnicowanie danych wejściowych dermatologicznych jego użycie wydaje sie˛ nieuzasadnione. Warto jednak nadmienić, że wiele tanich aparatów
cyfrowych, ze wzgle˛ du na budowe˛ matrycy CCD, właśnie w taki sposób dokonuje
utrwalenia zdje˛ ć w trybie monochromatycznym.
(gray = R)∨(gray = G)∨(gray = B)
(5.5)
32
5.2. Wyszarzenie
(a) Znami˛e melanocytowe
(b) Rozmyty obraz znamienia melanocytowego
(c) Nawracajace
˛
znami˛e melanocytowe
(d) Rozmyty obraz nawracajacego
˛
znamienia melanocytowego
(e) Czerniak guzkowy
(f) Rozmyty obraz czerniaka guzkowego
Rysunek 5.4. Wyniki działania filtru medianowego z maska˛ o rozmiarze 21.
33
5.2. Wyszarzenie
5.2.2. Wyszarzenie jako średnia składowych kolorów
Wyszarzenie uśredniajace
˛ składowe RGB (wzór 5.6) to, zaraz po wykorzystaniu
jednej składowej koloru, najbardziej prymitywna metoda zamiana obrazów barwnych na skale˛ szarości. Jest szybka, prosta w implementacji i generuje równomiernie odzwierciedlony obraz. Nie bierze jednak pod uwage˛ właściwości ludzkiego oka.
gray =
R+G+B
3
(5.6)
˛ na jasności
Wyszarzenie bazujace
˛ na jasności (jasność – ang. luminance / luminosity /
luma) jest bardziej zaawansowana˛ metoda˛ niż metoda średnich. Również jak poprzednia wykorzystuje uśrednianie wartości, ale nadaje poszczególnym składowym
pewne wagi. Wpływ poszczególnych kolorów składowych wynika wprost z umiejet˛
ności człowieka do rozróżniania w różnym stopniu poszczególnych barw. Ludzkie
oko jest bardziej wyczulone na kolor zielony niż czerwony, a czerwony niż niebieski,
tym samym maja˛ one różne, odpowiednio zmniejszajace
˛ sie˛ wagi.
Przejście z przestrzeni RGB na skale˛ szarości zgodne z modelem wykorzystywanym w systemach wizyjnych typu PAL i NTSC (najcześciej
˛
stosowanym w programach graficznych) przedstawiono wzorem 5.7, a nowoopracowane dla standardu
HDTV wzorem 5.8, który jeszcze bardziej faworyzuje zielona˛ składowa˛ koloru.
gray = 0.299·R + 0.587·G + 0.114·B
(5.7)
gray = 0.213·R + 0.715·G + 0.072·B
(5.8)
Zastosowanie jednej z powyższych formuł zmian przestrzeni barw skutkuje bardziej „dynamiczna”
˛ skala˛ szarości.
˛ na średnim świetle białym (desaturacja)
Jedna˛ ze składowych opisu koloru wykorzystujacego
˛
model HLS (ang. Hue Lightness Saturation) jest L – średnie światło białe.
Przejście z przestrzeni RGB na skale˛ szarości wymaga zatem zamiany dziedziny
RGB na HLS. Proces desaturacji polega niejako na wyzerowaniu składowej saturacji S. Sprowadza to kolor (H – odcień, barwa – ang. Hue) do pozycji najmniejszego
wysycenia. Wtedy wartościa˛ decydujac
˛ a˛ o tym jak wyglada
˛
dany piksel jest składowa L obliczana wzorem 5.9.
34
5.2. Wyszarzenie
gray = L =
max(R, G, B) + min(R, G, B)
2
(5.9)
Wykorzystanie desaturacji skutkuje najmniej zróżnicowanym zakresem odcieni
skali szarości.
5.2.5. Dekompozycja
Niejako prostsza˛ forma˛ desaturacji jest dekompozycja. Polega ona na uwzgled˛
nieniu jedynie maksymalnej (minimalnej) wartości składowej koloru danego piksela. Ta metoda nie ma raczej zastosowania w zagadnieniu analizy obrazów dermatologicznych gdyż efekt jej działania ma charakter, który można by opisać jako
artystyczny. Dekompozycja maksymalna i minimalna zostały przedstawione wzorem odpowiednio 5.10 i 5.11.
gray = max(R, G, B)
(5.10)
gray = min(R, G, B)
(5.11)
Wykorzystanie dekompozycji maksymalnej skutkuje powstaniem obrazu o bardzo jasnej skali szarości, a minimalnej o ciemnej skali szarości.
5.2.6. Wyszarzenie oparte na procesie uczenia
Niekiedy zdarza sie˛ , że luminancja obliczona na podstawie stałych współczynników, jak np. we wzorze 5.7 nie daje dobrych wyników. Ze wzgledu
˛
na specyficzne
potrzeby analizy znamion skórnych dobrze dobrany zestaw wag funkcji zmiany
koloru na luminancje˛ warunkuje zachowanie wiekszej
˛
ilości informacji – różnica
mi˛edzy znamieniem a skóra˛ jest wyraźniejsza. Tym samym wagi powinny zostać
dobrane do omawianego problemu.
Aby obliczyć własny zestaw wag dla poszczególnych składowych kolorów należy
dysponować zbiorem uczacym.
˛
Na potrzeby pracy magisterskiej i analizy wpływu
etapu wyszarzenia zbiór uczacy
˛ pochodzi ze zbioru testowego znamion i bazuje na
informacjach zgromadzonych już w samym procesie analizy.
Wagi obliczane sa˛ na podstawie wartości składowych RGB z okna o rozmiarze 21x21 pikseli, którego środek znajduje sie˛ w centrum znamienia oraz takiego
35
5.2. Wyszarzenie
samego okna położonego w lewym górnym rogu obrazu. Dla uproszczenia implementacji obecność w pierwszym oknie tylko pikseli znamienia oraz w drugim tylko
pikseli skóry została sprawdzona empirycznie.
Wykorzystujac
˛ wzory 5.12, 5.13 oraz 5.14 wyliczane sa˛ poszczególne sumy
składowych RGB.
X
20
20 X
20
X
20 X
tumorRed(i, j) −
skinRed(i, j)
sumRed = i=0 j=0
i=0 j=0
(5.12)
X
20
20 X
20
X
20 X
sumGreen = tumorGreen(i, j) −
skinGreen(i, j)
i=0 j=0
i=0 j=0
(5.13)
X
20
20 X
20
X
20 X
sumBlue = tumorBlue(i, j) −
skinBlue(i, j)
i=0 j=0
i=0 j=0
(5.14)
Naste˛ pnie, wagi poszczególnych kolorów obliczane sa˛ na podstawie wzorów 5.15,
5.16 oraz 5.17 z wykorzystaniem uprzednio obliczonych sum składowych.
weightRed =
sumRed
sumRed + sumGreen + sumBlue
weightGreen =
weightBlue =
sumGreen
sumBlue
(5.15)
(5.16)
(5.17)
Na podstawie ww. obliczeń uzyskano dla zbioru wejściowego nastepuj
˛
ace
˛ wagi:
— weightRed: 0.129
— weightGreen: 0.565
— weightBlue: 0.306,
który, jak widać, nieco odbiega od powszechnie używanych wag.
5.2.7. Porównanie procesów wyszarzania
Na bazie zgromadzonych informacji i z przeprowadzonych testów widać, że najlepsze wyniki daje segmentacja oparta na procesie uczenia, czyli ta, która poszczególnym wartościom składowych RGB przypisuje odpowiednie wagi.
36
5.2. Wyszarzenie
Sa˛ to różnice na tyle małe, że można przyjać,
˛ że sam proces wyszarzania ma
minimalny wpływ na jakość dalszych kroków analizy znamion skórnych.
Dla łatwiejszego porównania różnic w wyszarzanym obrazie na rysunku 5.5
przedstawiono zestawienie efektów działania algorytmów wyszarzajacych
˛
opisanych
w tym rozdziale.
(b) Desaturacja
(c) R
(d) G
(e) B
(f) max(R,G,B)
(g) min(R,G,B)
(h) mean(R,G,B)
(i) Luminancja I
(j) Luminancja II
(k) Proces uczenia
Rysunek 5.5. Znamiona skórne i proces wyszarzenia
37
5.3. Segmentacja obrazu
Proces segmentacji obrazu jest o tyle kluczowy, że od jego dokładności zależy jakość wyników kolejnych kroków algorytmu – analizy koloru oraz analizy symetryczności. Dobrze wykonana segmentacja pozwala wyznaczyć powierzchnie˛ znamienia
do celów przetwarzania, a także w końcowym etapie prezentacji wyników ułatwia
wizualizacje˛ przebiegu krawe˛ dzi, jak pokazano na rysunku 5.6. Istnieje wiele podejść do tego zagadnienia: segmentacja oparta na progowaniu iteracyjnym [21],
adaptacyjnym [16], metoda automatycznej segmentacji opartej na kolorze [52], wykorzystujaca
˛ strategie˛ rozmyta˛ [26, 46] czy też tzw. „S-ACES”.
Rysunek 5.6. Proces segmentacji i wyznaczania obszaru znamienia.
W procesie oceny jakości segmentacji znane sa˛ różne miary. Klasyczna˛ miara˛
jest czułość i precyzja. Do każdego piksela obrazu można przyporzadkować
˛
jedna˛
z czterech wartości: prawdziwie dodatni, fałszywie dodatni, fałszywie ujemny, prawdziwie ujemny (ang. true positive – TR, false positive – FP, false negative – FN, true
negative – TN) w zależności od tego, jaki powinien być jego stan (w statystyce nazywany „złotym standardem”) oraz jaki wynik zwraca algorytm.
Czułość (ang. sensitivity) czesto
˛
nazywana odsetkiem prawdziwie dodatnich
(ang. true positive rate, TPR) jest miara˛ możliwości algorytmu do identyfikowania
dodatnich wyników. Określana jest ona wzorem 5.18.
sensitivity =
TP
TP + FN
(5.18)
Precyzja (ang. precision) czesto
˛
nazywana wartościa˛ predykcyjna˛ dodatnia˛ (ang.
positive predictive value, PPV) jest miara˛ stopnia zgodności wyników z wynikami
oczekiwanymi.
precision =
TP
TP + FP
(5.19)
Swoistość (ang. specificity) czesto
˛
nazywana odsetkiem prawdziwie ujemnych
(ang. true negative rate, TNR) jest miara˛ podobna˛ do czułości, ale odnosi sie˛ do
przypadków negatywnych. Ukazuje możliwości algorytmu do identyfikowania ujemnych wyników. Określana jest ona wzorem 5.20.
38
specif icity =
TN
TN + FP
(5.20)
Dodatkowo, cze˛ sto pojawia sie˛ w przypadku analizy znamion skórnych pojecie
˛
bł˛edu segmentacji. Bład
˛ segmentacji zwany także błedem
˛
wzglednym
˛
pola (ang.
Border Error, BE) wyznaczany jest wzorem:
borderError =
gdzie
automaticBorder
area(automaticBorder⊕manualBorder)
· 100%,
area(manualBorder)
jest
powierzchnia˛
wyznaczona˛
przez
(5.21)
algorytm,
a manualBorder wyznaczona˛ przez lekarza. Symbol ⊕ jest symbolem operacji
wzajemnego wykluczania (XOR), czyli w tym przypadku niezgodności decyzji
skóra-znamie˛ z obrazem wzorcowym.
Istnieje także równoważna postać błedu
˛
segmentacji wykorzystujaca
˛ wartości
statystyczne, jak we wzorze 5.22.
borderError =
FN + FP
FN + TP
(5.22)
5.3.1. Metoda S-ACES
Image S-ACES1 jest cze˛ ścia˛ podejścia zaproponowanego w [49] zwanego skrótowo LBESA [48] i bazujac
˛ a˛ na rozwiazaniu
˛
ACHM2 [39, 47].
Sama metoda bazuje na algorytmie [48]. Model składa sie˛ z zestawu warunków
poczatkowych,
˛
równania opisujacego
˛
proces ewolucji oraz warunków końcowych.
Równanie ewolucyjne opisane jest wzorem 5.23.
2
r(s, t) = eas−4a t {C1 cosα(s), C2 sinα(s)} ,
|ds|
,
2
α(s) = ca,
gdzie a =
s = współczynnik przestrzeni, który opisuje pewna˛ krzywa,
˛
ds = współczynnik zmiany wartości s,
t = parametr czasu wykorzystywanym do opisu krzywych,
2π
(okres funkcji krzywych).
p=
ca
1
2
ang. Shrinking Active Contour model on the Exact Solution
ang. Active Convex Hull Model
(5.23)
39
Warunki poczatkowe
˛
przyjete
˛ przez autorów sa˛ nastepuj
˛
ace:
˛
4a2 t = 0.001,
c = 1000,
C1 = C2 = R =
p
nc2 + nr2 ,
gdzie nc = liczba kolumn w obrazie,
nr = liczba wierszy w obrazie,
Dla takich warunków poczatkowy
˛
algorytm w stadium poczatkowym
˛
okala cały
obszar obrazu, stopniowo ze zmiana˛ parametru t, tak, że t > 0.001/4a2 zacieśnia
obszar obwiedni ku środkowi.
Jeśli na obrazie faktycznie znajduje sie˛ obszar znamienia, warunkiem końcowym przy t → ∞ jest :
r(s, t) = r(s, t + ∂t)
jeśli
(5.24)
∂Img
(r(s, t)) > ε
∂t
oraz t > 0.001/4a2 ,
gdzie ε = wartość zadana przez użytkownika,
Img = obraz.
Podejście zaprezentowane powyżej jest w praktyce zespołem dośrodkowo przesuwajacych
˛
sie˛ krzywych i nazywane jest S-ACES. Autorzy sugeruja,
˛ że winno być
ono stosowane wraz z algorytmem muszlowym [47, 48], który to pomaga w przypadku wielu znamion na jednej fotografii lub kiedy znamie˛ umieszczone jest nie
na środku fotografii. W procesie analizy aplikacja˛ mobilna˛ sam sposób robienia
zdj˛ecia (widoczny znacznik środka fotografii) wymusza na użytkowniku poprawne
centrowanie znamienia na zdjeciu.
˛
Dla fotografii kolorowej o rozmiarze 733x504 algorytm S-ACES uruchomiony na
komputerze z procesorem Core duo 2.16 GHz potrzebował średnio 0.262 sekundy
na wyznaczenie obwiedni.
40
5.3.2. Segmentacja oparta na progowaniu iteracyjnym
Metoda progowania iteracyjnego wykorzystujaca
˛ wyznaczanie wartości średniej
średnich bazuje na założeniu, że obraz wejściowy składa sie˛ z obiektu właściwego
– znamienia oraz regionu wokół niego – tła. Wynika z tego, że każdy pojedynczy
piksel należy albo do podzbioru pikseli znamienia albo do podzbioru tła.
Punktem wyjścia algorytmu jest ustawienie progu poczatkowego
˛
T0 , który zdefiniowany jest wzorem: T0 =
γj +γk
2 .
Wartości γj oraz γk sa˛ odpowiednio indeksem
wartości minimalnej i maksymalnej w histogramie.
Kolejne iteracje algorytmu polegaja˛ na obliczaniu współczynników µ1 oraz µ1
(wzór 5.25). Sa˛ one niejako punktami reprezentujacymi
˛
tło i znamie.
˛ Nast˛epnie
obliczana jest ich średnia – Tk =
µ1 +µ2
2 .
Warunek równości Tk = Tk−1 powoduje
zatrzymanie algorytmu, a wartość Tk zostaje uznana za końcowa˛ wartość progowa.
˛
Tk
P
µ1 =
γ
P
iγi
i=0
Tk
P
i=0
, µ2 =
γi
iγi
i=Tk +1
γ
P
(5.25)
γi
i=Tk +1
5.3.3. Własna implementacja segmentacji opartej na progowaniu iteracyjnym
Klasyczne progowanie iteracyjne pozostawia niekiedy w obrazie pewne artefakty
nie b˛edace
˛ cze˛ ścia˛ znamienia. Dzieje sie˛ tak, gdy widoczne sa˛ w obrazie wejściowym
różne zakłócenia, jak np. włosy, obce elementy czy rzucany przez aparat cień.
Na bazie zgromadzonych doświadczeń i na podstawie indywidualnych cech,
które posiadaja˛ zdje˛ cia dermatoskopowe, wypracowałem lepsze rozwiazanie.
˛
Na rysunku 5.7 przedstawiony jest proces segmentacji obrazu wykorzystujacy
˛
zmodyfikowane podejście progowania iteracyjnego.
Krokami poprawy iteracyjnej segmentacji wstepnej:
˛
1. Obraz wejściowy po wste˛ pnym progowaniu zostaje wczytany. Punkt zaznaczony
na czerwono jest punktem startowym wypełniania.
2. Proces Wypełnianiem kolorem białym z rogu obrazu powoduje pozostawienie
zakłóceń (wysp wewne˛ trznych), które obecne były wewnatrz
˛
obszarów wyróżnionych.
3. Zanegowanie logiczne (NOT) obrazu powoduje odwrócenie kolorów i powstanie
maski.
41
Rysunek 5.7. Proces poprawy segmentacji wstepnej
˛
4. Suma logiczna (OR) obrazu wejściowego i maski zanegowanych wysp wewnetrz˛
nych powoduje powstanie obrazu pośredniego. Widoczny jest brak zakłóceń wewnatrz
˛
kształtów, na czerwono zaznaczono centroid znamienia.
5. Wypełnianie, tym razem kolorem czarnym, z punktem startowym o współrzed˛
nych uprzednio wyliczonego centroidu znamienia, powoduje pozostawienie jedynie wysp zewne˛ trznych.
6. Ponowne zanegowanie obrazu przetwarzanego.
7. Iloczyn logiczny (AND) obrazu przejściowego i zanegowanego obrazu wysp zewne˛ trznych daje obraz końcowy wolny od zakłóceń wewnatrz
˛
znalezionego obrazu jak i obiektów obcych nie połaczonych
˛
ze znamieniem.
W procesie poprawy segmentacji wykorzystane zostały funkcje biblioteki
OpenCV.
Oprócz
prostych
funkcji
logicznych
wykonywanych
(Core.bitwise_not, Core.bitwise_and, Core.bitwise_or)
na
obrazie
wykorzystana
została funkcja Imgproc.floodFill powoduje ona wypełnienie obszaru od zadanego punktu testujac
˛ poszczególne sasiaduj
˛
ace
˛ piksele pod katem
˛
spełnialności
warunku podobieństwa. Na potrzeby obrazu binarnego test ogranicza sie˛ do
sprawdzenia, czy piksel rozważany ma taka˛ sama˛ wartość jak piksel poczatkowy
˛
(seed point).
42
Na zestawieniu rysunków 5.8 widać, jak dla poszczególnych znamion skórnych
może przebiegać proces poprawy jakości i z jakimi zakłóceniami potrafi sobie poradzić. Sa˛ to zarówno „dziury” w obszarze znamienia jak i wyspy leżace
˛ na jego tle –
zakłócenia na powierzchni skóry.
(a) Rozprzestrzeniajacy
˛
si˛e
powierzchownie
czerniak złośliwy
(b) Efekt progowania
(c) Usuni˛ecie
obiektów
obcych
(d) Czerniak złośliwy
(e) Efekt progowania
(f) Usuni˛ecie
obiektów
obcych
(g) Czerniak złośliwy
(h) Efekt progowania
(i) Usuni˛ecie
obiektów
obcych
Rysunek 5.8. Proces poprawy jakości
5.3.4. Ocena jakości zmodyfikowanej segmentacji opartej na progowaniu
iteracyjnym
Proces zmodyfikowanej segmentacji opartej na progowaniu iteracyjnej daje najlepsze rezultaty spośród wcześniej wymienionych.
5.4. Wyznaczanie środka cieżko
˛
ści znamienia
43
W tabeli 5.1 przedstawiono wyniki uzyskanej segmentacji automatycznej 41
obrazów wejściowych skonfrontowanej z obszarami wyznaczonymi przez lekarzy.
Liczba porzadkowa
˛
odpowiada numerowi obrazu zgodnie z tabela˛ 6.1. Miara˛ jakości
w tym przypadku oprócz precyzji i czułości (zdefiniowanych odpowiednio wzorami
5.19 oraz 5.18) jest wspomniana wcześniej wartość procentowa błedu
˛
wzglednego
˛
pola (wzór 5.22).
Na potrzeby testów stworzone zostały wizualizacje otrzymanych obszarów skonfrontowane z obszarami wyznaczonymi przez jednego z lekarzy. Na zestawieniu 5.9
widać jak kolorem zielonym oznaczone sa˛ piksele prawdziwie dodatnie, czerwonym – fałszywie dodatnie, niebieskim – fałszywie ujemne, a czarnym – prawdziwie
ujemne. Daje to przejrzysty obraz jakości klasyfikacji bed
˛ acy
˛ uzupełnieniem danych liczbowych.
5.4. Wyznaczanie środka cie˛ żkości znamienia
Od dokładności wyznaczenia centroidu w obrazie zależy jakość innych klasyfikatorów w procesie analizy. Na jego podstawie analizowana jest przede wszystkim
symetria oraz regularność krawedzi
˛
znamienia.
Skóra i znamie˛ skórne zazwyczaj znacznie różnia˛ sie˛ luminancja˛ [55] zatem
znalezienie środka nie wymaga wcześniejszego wyznaczania obszaru znamienia.
Środek ten można wyznaczyć bezpośrednio z fotografii wejściowej.
5.4.1. Przetwarzanie wstepne
˛
Aby posiłkować sie˛ metoda˛ oparta˛ na luminancji, kolorowy obraz wejściowy
musi zostać przekonwertowany na odpowiednik w skali szarości. Metody konwersji
zostały opisane w cze˛ ści 5.2. Wybór jednej z nich, w przeciwieństwie do innych
algorytmów analizy, nie wpływa znacznie na jakość wyznaczania pozycji środka
i każda z nich daje porównywalne rezultaty.
5.4.2. Metoda rzutowania średniej luminancji
Prosta˛ metoda˛ pozwalajac
˛ a˛ na wyznaczenie środka cie˛ żkości (centroidu) jest
rzutowanie średniej luminancji każdej z kolumn i każdego wiersza obrazu analizowanego. Rzutowanie jest zdefiniowane jako:
Column(j) =
nc
1 X
Img(j, k)
nc k=1
(5.26)
44
˛
ści znamienia
Lp.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
Min
Max
Średnia
SD
Precyzja
87%
100%
100%
86%
98%
100%
100%
100%
50%
100%
100%
96%
100%
97%
98%
99%
99%
99%
92%
100%
100%
100%
83%
99%
99%
100%
99%
99%
97%
88%
99%
99%
97%
100%
100%
100%
98%
100%
100%
99%
100%
50%
100%
96.833%
8.459%
Lekarz I
Czułość
78%
62%
69%
52%
78%
63%
70%
75%
94%
73%
51%
75%
82%
82%
89%
79%
78%
73%
68%
86%
47%
73%
88%
69%
90%
56%
62%
77%
90%
96%
77%
75%
89%
79%
78%
91%
90%
83%
99%
90%
89%
47%
99%
77.678%
12.461%
BE
33%
37%
30%
55%
22%
36%
29%
24%
99%
26%
48%
27%
17%
19%
11%
20%
21%
26%
37%
13%
52%
26%
28%
30%
9%
43%
37%
22%
11%
16%
22%
24%
12%
20%
21%
8%
10%
16%
0%
9%
10%
0%
99%
26.340%
16.827%
Precyzja
89%
100%
100%
92%
99%
100%
100%
100%
60%
99%
100%
96%
99%
99%
99%
100%
99%
100%
95%
99%
100%
100%
86%
99%
99%
100%
99%
100%
98%
90%
100%
97%
98%
99%
99%
99%
98%
100%
99%
98%
100%
60%
100%
97.549%
6.658%
Lekarz II
Czułość
82%
65%
64%
48%
70%
63%
71%
74%
95%
80%
47%
70%
87%
77%
91%
75%
85%
67%
73%
90%
47%
71%
77%
68%
90%
43%
68%
66%
91%
91%
67%
79%
86%
76%
79%
91%
90%
78%
96%
96%
90%
43%
96%
76.422%
13.742%
Tablica 5.1. Jakość procesu segmentacji
BE
27%
34%
35%
55%
30%
36%
28%
25%
67%
20%
52%
31%
12%
22%
9%
24%
15%
32%
30%
9%
52%
28%
34%
31%
9%
56%
32%
33%
9%
18%
32%
22%
15%
23%
20%
8%
10%
21%
3%
5%
9%
3%
67%
26.366%
14.802%
˛
ści znamienia
(a) Czerniak złośliwy
(b) Analiza poprawności procesu segmentacji
(c) Rozprzestrzeniajacy
˛
si˛e powierzchownie czerniak złośliwy
(d) Analiza poprawności procesu segmentacji
(e) Sztuczny przypadek testowy
(f) Analiza poprawności procesu segmentacji
Rysunek 5.9. Znamiona skórne i analiza segmentacji.
45
˛
ści znamienia
nr
1 X
Row(k) =
Img(j, k)
nr j=1
46
(5.27)
gdzie Img(j, k) = wartość obrazu w punkcie (j, k),
nc = liczba kolumn w obrazie,
nr = liczba wierszy w obrazie,
Różnica luminancji pomie˛ dzy znamieniem a skóra˛ jest dobrze odzwierciedlana
przez średnia˛ w kolumnie lub w wierszu, a szum w obrazie i inne małe obiekty sa˛
przez nia˛ kompensowane i nie wpływaja˛ znacznie na wynik rzutowania. Poziome
i pionowe rzutowanie be˛ dzie uwzgledniało
˛
tylko rozległe cześci
˛
na fotografii. Tym
samym, metoda ta pozwala na wyznaczanie środka bez znajomości dokładnego
położenia granic (krawe˛ dzi) zmiany skórnej.
Jeśli w obrazie wejściowym widoczne bedzie
˛
znamie˛ skórne wykres rzutowania
powinien być krzywa˛ o łódkowatym kształcie „∪”, jak na rysunku 5.10.
W ogólnym przypadku środek znamienia może być znaleziony przez wyznaczenie
najniższego punktów krzywych rzutowania, jednakowoż przy specyficznym oświetleniu znamienia, rzutowanie odchylone jest niekiedy w jedna˛ strone,
˛ jak pokazano na rysunku 5.11. Może powodować to powstawanie przekłamań w zwracanych
współrze˛ dnych na osi X i Y.
Metoda bazujaca
˛ na wyznaczaniu współrzednych
˛
X i Y środka cie˛ żkości znamienia jako wartości minimalnej średniej luminancji odpowiednio w kolumnie i wierszu
nazywana be˛ dzie dalej metoda˛ A.
5.4.3. Własna implementacja kompensacji odchylenia krzywej średniej
luminancji
Problem odchylenia krzywej średnich luminancji skutkujacy
˛ nieprawidłowym
wyznaczaniem pozycji centroidu może zostać rozwiazany
˛
przez kompensacje˛ jej
przebiegu przy użyciu prostej najlepszego dopasowania najmniejszych kwadratów.
Po takiej operacji wykres jest wypoziomowany, a przebieg funkcji zachowuje swój
kształt. Efekt takiego poziomowania widoczny jest na rysunku 5.12.
Można przyjać,
˛ że dla każdego losowego jednowymiarowego sygnału, takiego,
że yi = f (xi ) równanie prostej najlepszego dopasowania może zostać wyznaczone
˛
ści znamienia
Rysunek 5.10. Rozkład jasności fotografii znamienia.
Rysunek 5.11. Wykres średniej luminancji w kolumnach/wierszach
47
48
˛
ści znamienia
metoda˛ najmniejszych kwadratów. Współczynnik kierunkowy prostej (a) bed
˛ acy
˛
wyznacznikiem stopnia jej nachylenia określony jest wzorem:
N
P
a=
i=1
N
P
xi ·yi − x̄·ȳ
,
(5.28)
xi ·xi − x̄·x̄
i=1
gdzie x̄ – średnia wartość xi , a ȳ – średnia wartość yi .
Punkt przecie˛ cia prostej z osia˛ OY (b) wyrażony jest:
b = ȳ − ax̄
(5.29)
Zatem ogólny wzór prostej widocznej na rysunku 5.12 wyrażony jest wzorem
f (x) = ax + b.
Rysunek 5.12. Prosta najlepszego dopasowania
Proces kompensacji odchylenia polega na odjeciu
˛
od wartości we wszystkich
punktach funkcji średniej luminancji, wartości prostej najlepszego dopasowania
w tym punkcie. Skutkuje to wypoziomowaniem krzywej wykresu funkcji luminancji, jak widać na rysunku 5.13.
Rysunek 5.13. „Wyprostowany” wykres średniej luminancji
Metoda˛ bazujac
˛ a˛ na tym samym założeniu, co metoda A (znajdowaniu minimalnej wartości funkcji), ale operujacej
˛
na skompensowanym zbiorze wartości bedzie
˛
w dalszej cze˛ ści nazywana metoda˛ B.
˛
ści znamienia
49
5.4.4. Własna implementacja analizy szerokości dolin luminancji
Samo znalezienie minimum nie zawsze okazuje sie˛ właściwym centroidem znamienia. Dzieje sie˛ tak, np. kiedy w obrazie znajduje sie˛ niewielki, ale mocno wybarwiony obiekt nie be˛ dacy
˛ znamieniem.
Zmodyfikowane podejście uwzgledniaj
˛
ace
˛ taka˛ możliwość potraktowania zakłócenia jako właściwego centroidu polega na znalezieniu najszerszej „studni” w rozkładzie średnich luminancji.
Krokiem poczatkowym
˛
jest odnalezienie wartości maksymalnej i minimalnej.
Wartości te posłuża˛ do wyznaczenia wartości progowej, która˛ z powodzeniem można
ustalić jako punkt środkowy miedzy
˛
wartościa˛ maksymalna˛ i minimalna.
˛ Nowo
powstałe linie na rysunku 5.14 pokazuja˛ wartości skrajne i wyznaczona˛ miedzy
˛
nimi linie˛ progowania.
Rysunek 5.14. Wartości skrajne i wartość środkowa rozpietości
˛
średniej luminancji
Rozkład średniej luminancji zostaje sprogowany wzgledem
˛
wartości środkowej
rozpie˛ tości luminancji i przypomina ten, przedstawiony na rysunku 5.15.
Rysunek 5.15. Sprogowane wartości funkcji wraz z zaznaczonymi środkami długości studni
Idea stojaca
˛
za ta˛ modyfikacja˛ algorytmu polega na znalezieniu najszerszej
„studni” w tak przygotowanym zestawie danych, a nastepnie
˛
wyznaczeniu jej
środka. Takie podejście cechuje sie˛ wysoka˛ jakościa˛ umiejscowienia centroidu,
a metoda wyznaczania go nazywana bedzie
˛
dalej metoda˛ C.
˛
ści znamienia
50
Czasami jednak wie˛ ksze zacienienie w obrazie, ciało obce czy linijka, która cze˛
sto jest cze˛ ścia˛ fotografii medycznych, powoduja˛ zakłamania w znalezieniu centroidu.
5.4.5. Własna implementacja korygowania wartości szerokości dolin
luminancji
Metoda ta wykorzystuje znane podejście rzutowania średniej luminancji wzbogacone o kompensacje˛ odchylenia krzywej średniej luminancji, analize˛ szerokości
znalezionych dolin oraz korygowanie ich szerokości w zależności od położenia w obrazie.
Korygowanie szerokości uprzednio obliczonych szerokości dolin luminancji
usuwa problem wyste˛ powania obcych elementów na fotografii, który czesto
˛
przejawia sie˛ w postaci znacznego zacienienia obrazu powstałego przy nieprawidłowym
wykonywaniu zdje˛ cia. Taki szum powoduje zakłamania w wyznaczaniu pozycji
środka cie˛ żkości znamienia, które bazuje na złożeniu, że na zdjeciu
˛
wejściowym
jedynym obiektem poza skóra˛ jest samo znamie.
˛
Zwykle jest tak, że obserwowane znamie˛ skórne znajduje sie˛ w środku fotografii.
Tym samym szansa znalezienia go w tym obszarze powinna być wyższa. Nadanie
wag wartościom szerokości studni liniowo zależnych od odległości od środka (funkcja v-kształtna, zwana także trójkatn
˛ a)
˛ powoduje znaczna˛ poprawe˛ wyników. Wartości szerokości „studni” wyrażone w pikselach mnożone sa˛ przez wartość funkcji w punkcie środkowym studni. Funkcja ta przyjmujaca
˛
argumenty z zakresu
D
width
− width
2 ; 2
E
(albo
D
E
height
− height
) i zwracajaca
˛ wartości h0; 1i opisana jest wzo2 ;
2
rem:
2
|x| + 1,
(5.30)
size
gdzie size – rozmiar (zależnie, szerokość albo wysokość) obrazu. Schemat obraf (x) = −
zujacy
˛ wartość funkcji korygujacej
˛
w dziedzinie współrzednej
˛
X przedstawiono na
rysunku 5.16.
Dla przykładowego obrazu przedstawionego na rysunku 5.16 zostało przygotowane w tabeli 5.2 zestawienie zbioru danych pokazujacy
˛ proces korygowania pozycji centroidu.
Dokładnie widać, jak wartość funkcji korygujacej
˛
ma wpływ na końcowa˛ wartość szerokości studni. Te studnie, położone najbliżej środka wykresu (oznaczonego
w tabeli potrójna˛ krawe˛ dzia)
˛ sa˛ modyfikowane w najmniejszym stopniu, nie zmieniaja˛ swojej pozycji w rankingu lub ewentualnie sa˛ w nim promowane. Odcinki
51
˛
ści znamienia
Rysunek 5.16. Trójkatna
˛
funkcja korygujaca
˛
Długość poczatkowa
˛
[px]
Wartość funkcji w środku
Długość skorygowana [px]
Kolejność poczatkowa
˛
Kolejność po skorygowaniu
Tendencja
40
0.1
4
II
VII
5&
25
0.4
10
IV
V
1&
25
0.6
15
IV
IV
≈
100
0.9
90
I
I
≈
30
0.7
21
III
II
1%
10
0.6
6
V
VI
1&
40
0.4
16
II
III
1&
10
0.3
3
V
VIII
3&
40
0.1
4
II
VII
5&
Tablica 5.2. Wpływ funkcji korygujacej
˛
na szerokość studni
położone na krańcach dziedziny, tj. przy krawedziach
˛
obrazu sa˛ modyfikowane
znacznie i ich pozycja w rankingu spada.
Warto zauważyć, że zbiór wartości zwracanych przez funkcje˛ korygujac
˛ a˛ powoduj˛e, że po jej działaniu szerokość studni bedzie
˛
nie wieksza
˛
(równa dla studni
o środku położonym idealnie w środku szerokości/wysokości obrazu) niż jej poczatkowa
˛
wartość.
W procesie korygowania można również zastosować funkcje faworyzujace
˛ jeszcze bardziej obiekty centralnie położone np. funkcje˛ rozkładu Gaussa, ale powoduje
ona wyste˛ powanie efektu odwrotnego do zamierzonego – znajduje praktycznie jedynie obiekty położone blisko środka nie baczac
˛ na ich rozmiar. Schemat obrazujacy
˛
wartość funkcji Gaussa majacej
˛
za zadanie korygowanie pozycji centroidu przedstawiono na rysunku 5.17.
Rysunek 5.17. Korygujaca
˛ funkcja o rozkładzie Gaussa
52
˛
ści znamienia
Metoda bazujaca
˛ na funkcji trójkatnej,
˛
która˛ śmiało można nazwać najlepsza˛
spośród dotychczasowych metod wyznaczania centroidu znamienia nazywana be˛
dzie metoda˛ D.
5.4.6. Metoda wzorcowa znajdowania centroidu
Na bazie wyznaczonej przez lekarzy maski znamienia skórnego obliczane jest
właściwe położenie środka cie˛ żkości znamienia. Punkt ten wykorzystywany jest
później w procesie analizy jakości wyznaczania pozycji centroidu innymi metodami.
Wykorzystywane sa˛ do tego wyliczone momenty obrazu mji .
m10
m01
,y =
,
m00
m00
gdzie (x, y) jest punktem środka cie˛ żkości obrazu.
x=
(5.31)
Momenty przestrzenne obrazu wyrażone sa˛ wzorem:
mji =
X
(grey(x, y) · xj · y i )
(5.32)
x,y
5.4.7. Porównanie jakości algorytmów wyznaczania centroidu
W zestawieniu rysunków 5.19 obrazujacych
˛
proces poprawy jakości wyznaczania centroidu widać, jak zmieniało sie˛ jego położenie w zależności od zastosowanej
metody. Punkt znalezionego centroidu znamienia oznaczono zgodnie z rysunkiem
5.18:
— czerwona˛ kropka˛ – metoda A bazujaca
˛ na rzutowaniu średniej luminancji
— pomarańczowa˛ kropka˛ – metoda B bed
˛ aca
˛ rozwinieciem
˛
metody B wykorzystujaca
˛ dodatkowa˛ kompensacje˛ odchylenia krzywej rzutowania
— żółta˛ kropka˛ – metoda C działajaca
˛
jak metoda B ale analizujaca
˛
dodatkowo
szerokość dolin luminancji
— zielona˛ kropka˛ – metoda D dodatkowo, w stosunku do metody C, korygujac
˛ a˛
wartość szerokości doliny luminancji w zależności od odległości od środka
Na obrazach widoczna jest także wartość średniej luminancji w kolumnie
lub wierszu (odpowiednio kolor ciemno-czerwony lub ciemno-niebieski), prosta
najlepszego dopasowania służaca
˛
do kompensacji różnic oświetlenia (kolor różowy lub błe˛ kitny) oraz właściwa krzywa wartości luminancji (kolor jasno-różowy
i jasno-błe˛ kitny). Wartości tych funkcji wykorzystane zostały w procesie odnajdowania centroidu.
53
5.5. Analiza symetrii
Rysunek 5.18. Legenda wizualizacji procesu wyznaczania centroidu znamienia
Miara˛ jakości wyznaczania centroidu była odległość miedzy
˛
centroidem znalezionym metoda˛ D a centroidem referencyjnym otrzymanym z obliczeń momentów masek binarnych przygotowanych przez lekarzy. Kilka przykładów wizualizacji
wzgl˛ednego położenia tych punktów przedstawiono na zbiorze rysunków 5.20.
Jak wspomniano wcześniej, metoda D okazała sie˛ najlepsza˛ metoda˛ spośród
wszystkich dotychczasowo wspomnianych. Średnia różnica odległości miedzy
˛
centroidem znalezionym a referencyjnym wynosiła około 8 pikseli przy odchyleniu
standardowym próby bliskim 6. W porównaniu do metody A (średnia 44, odchylenie
standardowe 44) jest to rezultat bardzo dobry.
Zestawienie wyników poszczególnych metod przedstawiono w tabeli 5.3, a szczegółowe wyniki porównania metody D dla 41 obrazów testowych w tabeli 5.4.
Metoda
A
B
C
D
Lekarz I
Średnia
SD
44.073 px 43.576
32.268 px 24.308
11.171 px 15.673
8.732 px
6.367
px
px
px
px
Lekarz II
Średnia
SD
44.463 px 43.529
32.341 px 24.210
10.634 px 15.260
8.244 px
5.423
px
px
px
px
Wszystkie wyniki
Średnia
SD
44.268 px 43.553 px
32.305 px 24.259 px
10.902 px 15.470 px
8.488 px
5.919 px
Tablica 5.3. Statystyki dla poszczególnych metod znajdowania centroidów
Ważnym kryterium oceny znamienia skórnego jest stwierdzenie jego symetryczności. Najcze˛ ściej oceniana jest symetria wzgledem
˛
osi znamienia, a sposób, w jaki
czynia˛ to lekarze dermatolodzy polega na stwierdzeniu braku lub istnienia umownego faktu symetryczności bez przypisywania do niej jakiejkolwiek wartości liczbowej.
54
(a) Łojotokowe rogowacenie z krwawieniem
(b) Znajdowanie centroidu
(c) Czerniak złośliwy
(d) Znajdowanie centroidu
(e) Czerniak złośliwy
(f) Znajdowanie centroidu
Rysunek 5.19. Znamiona skórne i proces odnajdywania centroidu
55
(a) Czerniak złośliwy
(b) Rozprzestrzeniajacy
˛
(c) Pigmentowane rogowacenie łojotokowe
(d) Znami˛e bł˛ekitne
(e) Znami˛e Spitz
(f) Sztuczny przypadek testowy
Rysunek 5.20. Porównanie punktów środka cie˛ żkości (zielony – rzeczywisty, biały
– wyznaczony algorytmicznie)
56
Lp.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
Min
Max
Średnia
SD
Lekarz I
12 px
2 px
4 px
22 px
11 px
3 px
6 px
5 px
9 px
2 px
13 px
12 px
5 px
31 px
1 px
9 px
17 px
2 px
12 px
10 px
11 px
12 px
11 px
17 px
7 px
6 px
20 px
2 px
11 px
12 px
2 px
5 px
7 px
1 px
14 px
10 px
2 px
10 px
2 px
5 px
3 px
1 px
31 px
8.732 px
6.367 px
Lekarz II
8 px
2 px
7 px
23 px
10 px
3 px
3 px
3 px
7 px
1 px
13 px
10 px
8 px
20 px
4 px
8 px
17 px
3 px
12 px
8 px
10 px
10 px
14 px
16 px
4 px
5 px
16 px
2 px
10 px
15 px
3 px
7 px
7 px
1 px
14 px
10 px
3 px
11 px
3 px
5 px
2 px
1 px
23 px
8.244 px
5.423 px
Tablica 5.4. Odległość mie˛ dzy faktycznym a znalezionym centroidem (metoda D)
57
Na potrzeby aplikacji, która nie polega na wartościach logiki boolowskiej czy
rozmytej, algorytm powinien jednak zwracać liczbowa˛ wartość miary symetrii.
5.5.1. Prosty algorytm wyznaczania symetrii
Algorytm [27] zaproponowany przez Toma Gibare˛ jest prostym w implementacji,
aczkolwiek skutecznym algorytmem wyznaczania symetrii obrazów.
Rysunek 5.21. Analiza symetrii.
Kroki algorytmu
1. Centroid – Do odnalezienia współrzednych
˛
centroidu znamienia wykorzystywany jest algorytm z punktu 5.4
2. „Promień” znamienia – Odległość od centroidu znamienia do najdalej położonego
od niego punktu obszaru znamienia nazywana bedzie
˛
„promieniem” znamienia.
Wartość ta posłuży do wyznaczenia poszczególnych długości promieni okregów
˛
próbkowania.
58
3. „Okre˛ gi próbkowania” – Wyznaczenie zbioru n okregów
˛
o środku w punkcie
ci˛eżkości i promieniu mniejszym niż promień maksymalny uzależniony jest od
promienia maksymalnego. Długość tego promienia dzielona jest na n równych
odcinków. Sa˛ to odległości miedzy
˛
kolejnymi okregami
˛
próbkowania.
4. „Promienie próbkowania” – Wyznaczenie zbioru m (gdzie m przyste i m > n) promieni wychodzacych
˛
z centroidu obrazu. Próbkowanie punktów pojedynczych
okre˛ gów ze stała˛ rozdzielczościa˛ katow
˛
a˛ tworzacych
˛
wektor binarny wartości
pikseli każdego okre˛ gu. m musi być parzyste, gdyż splot wektorów parzystej
długości daje wynik nieparzysty.
5. Splot wektorów – Dla każdego spośród m promieni (dla każdego kata),
˛
n otrzymanych uprzednio wektorów splatanych jest samych ze soba˛ w celu utworzenia
nowego zbioru wektorów. Odpowiada to niejako wartości miary symetrii wzgle˛
dem kata
˛ przypisanego do każdego elementu. Splot wektorów symetrycznych
jest zawsze symetryczny, a analiza zgodności elementów lustrzanych wzgledem
˛
elementu środkowego jest wartościa˛ miary symetrii całego wektora.
6. Sumowanie wszystkich wyników dla danego kata
˛ – W każdym kroku sumowane
sa˛ wszystkie wyniki dla każdego spośród n wektorów w celu otrzymania ogólnej
oceny symetrii dla każdego rozważanego kata
˛
7. Usunie˛ cie wszystkich katów,
˛
których funkcja oceny nie przekracza przyjetego
˛
progu i która nie jest lokalnym maksimum.
8. Spośród pozostałych wartości katów
˛
obliczenie średniej ważonej z wagami ocen
dla katów
˛
przyległych.
9. Katy
˛ wynikowe, razem ze współrzednymi
˛
centroidu opisuja˛ zbiór osi wzdłuż
których współczynnik symetrii jest wysoki
Parametry algorytmu
Najważniejszymi parametrami wywołania algorytmu sa:
˛
1. Rozdzielczość katowa
˛
– liczba próbek przypadajacych
˛
na półkole
2. Aliasing katowy
˛
– najmniejszy dozwolony kat
˛ pomiedzy
˛
wyznaczonymi osiami
symetrii. Katy
˛ mniejsze niż zadana wartość sa˛ łaczone
˛
w jeden wiekszy
˛
3. Liczba promieni – liczba różnych promieni, które nastepnie
˛
używane sa˛ do
próbkowania
4. Próg – minimalna wartość oceny danego kata
˛ (dziesietnie
˛
w skali 0 ÷ 1), który
musi uzyskać, żeby był dalej rozważany jako kandydat
59
Wartości zwracane
Algorytm analizy symetrii zwraca liste˛ wartości katów
˛
prostych dzielacych
˛
znami˛e na półpłaszczyzny symetrii. Lista ta jest lista˛ katów
˛
wyrażonych w stopniach
b˛edacych
˛
wartościa˛ kata
˛ mie˛ dzy dodatnia˛ półosia˛ OX a prosta˛ z zakresu h0o ; 180o ).
Katy
˛ maja˛ wartości dodatnie jeśli zorientowane sa˛ na płaszczyźnie przeciwnie do
ruchu wskazówek zegara. Wartości z listy sa˛ nastepnie
˛
konfrontowane z decyzja˛ lekarza. W procesie analizy uwzgledniona
˛
zostaje znaleziona wartość kata
˛ najbliższa
tej, która˛ wyznaczył lekarz.
Wartość błe˛ du decyzji może być wyrażona bezwzgledn
˛ a˛ różnica˛ miar kata
˛ wyrażonego w stopniach, jak we wzorze 5.33
angleDif f erence = |automaticAngle − manualAngle|
(5.33)
lub błe˛ dem opisanym wzorem 5.34
angleError =
|automaticAngle − manualAngle|
· 100%
90o
(5.34)
5.5.2. Ocena symetryczności „False Symmetry”
Algorytm oceny współczynnika symetrii bazuje na jej porównywaniu wzgledem
˛
głównych osi symetrii. Autorzy w [49] wykorzystuja˛ metode˛ oceny wzgledem
˛
głównych osi najmniejszego prostokata
˛ okalajacego
˛
obszar L (rysunek 5.22 a). Nastep˛
nym krokiem jest przerzucenie obrazu wewnatrz
˛
wzgledem
˛
jednej z osi, co pozwala
na znalezienie obrazu lustrzanego SL (rysunek 5.22 b). Nastepnie,
˛
obszar oznaczony na rysunku 5.22 c) jako A, opisany wzorem zależności A = L
S
SL , który po-
krywa właściwe znamie˛ i obszary puste wykorzystywany jest do wyznaczania współczynnika symetrii, gdyż zawiera on zarówno cześć
˛ właściwa˛ oryginalnej powierzchni
jak i obszary wolne – SL . Obszary wolne nazywane sa˛ False Symetry i wykorzystywane do wyliczania współczynnika symetrii danego wzorem: Sym = 1 − (F S/A).
Przyjmuje on wartości od 0 do 1, takie, że im wyższa wartość, tym bardziej symetryczne jest znamie˛ .
5.5.3. Wyniki analizy symetrii
Wartości zwracane przez algorytm wyznaczania symetrii zostały skonfrontowane
z osiami symetrii wykreślonymi przez lekarzy. W przypadku, kiedy znamie˛ było
60
Rysunek 5.22. Analiza symetryczności znamienia.
na tyle niesymetryczne, że nie można było określić jego osi zostawało oznaczone
odpowiednio kolorowym krzyżykiem.
W tabeli 5.5 przedstawiono wyniki analizy 41 fotografii znamion skórnych.
Uwzgle˛ dniono zarówno odległość katow
˛
a˛ miedzy
˛
prosta˛ wyznaczona˛ przez algorytm
jak również i bład
˛ oparty na wzorze 5.34. W przypadku jeśli zarówno specjalista
jak i program identyfikowały znamie˛ jako skrajnie asymetryczne otrzymywało ono
etykiete˛ „Asymetryczność”. Kiedy porównane wyniki były niezgodne – stwierdzono
asymetryczność, a aplikacja odnalazła osie symetrii albo odwrotnie, próbka etykietowana była jako „Niezgodność diagnozy”.
Parametry wywołania algorytmu:
1. Rozdzielczość katowa
˛
– 64
2. Aliasing katowy
˛
– 10o ≈ 0.17rad
3. Liczba promieni próbkowania – 10
4. Próg – 0.9
Jak widać w tabeli wyników algorytm wykrywał oś symetrii ze średnia˛ dokładnościa˛ około 15 stopni i odchyleniem standardowym rzedu
˛
25 stopni. To dość duży
rozrzut wartości, tym bardziej, że najwiekszy
˛
bład
˛ dochodził do 84 stopni. Na niedokładność duży wpływ ma liczba okregów
˛
i promieni próbkowania. Zageszczaj
˛
ac
˛
t˛e siatke˛ , można spodziewać sie˛ znacznie lepszych wyników przy jednoczesnym
wzroście czasu wykonania.
Dla porównania, metoda wykorzystujaca
˛ deskryptory Fouriera [23] w procesie
analizy symetrii dla 30 obrazów testowych osiagn
˛ eła
˛ zgodność z decyzjami lekarskimi rze˛ du 68% (przyje˛ ta tolerancja ±15o ). Na podstawie takiego samego założenia
zaimplementowana metoda cechuje sie˛ zgodnościa˛ 52% (odpowiednio 51% i 53%
dla Lekarza I i II).
61
Lp.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
Min
Max
Średnia
SD
Lekarz I
Odl. katowa
˛
Bład
˛
o
2
2%
0o
0%
29o
32%
Niezgodność diagnozy
5o
5%
79o
87%
1o
1%
1o
1%
57o
63%
2o
2%
83o
92%
Asymetryczność
7o
7%
6o
6%
80o
88%
4o
4%
44o
48%
16o
17%
66o
73%
2o
2%
4o
4%
84o
93%
13o
14%
12o
13%
2o
2%
1o
1%
o
1
1%
0o
0%
1o
1%
3o
3%
5o
5%
0o
0%
84o
93%
14.878o
16.268%
26.438o
29.239%
Lekarz II
Odl. katowa
˛
Bład
˛
o
2
2%
1o
1%
12o
13%
0o
0%
39o
43%
12o
13%
10o
11%
23o
25%
0o
0%
59o
65%
4o
4%
Asymetryczność
7o
7%
6o
6%
78o
86%
1o
1%
34o
37%
19o
21%
3o
3%
69o
76%
76o
84%
8o
8%
73o
81%
6o
6%
9o
10%
3o
3%
79o
87%
3o
3%
42o
46%
2o
2%
1o
1%
2o
2%
6o
6%
0o
0%
79o
87%
16.805o
18.366%
25.266o
27.934%
Tablica 5.5. Odległość katowa
˛
i bład
˛ miedzy
˛
faktyczna˛ a znaleziona˛ osia˛ symetrii
62
5.6. Analiza przebiegu krawedzi
˛
Zestawienie rysunków 5.23 prezentuje przykładowe wizualizacje procesu odnajdywania symetrii znamienia skórnego.
˛
5.6.1. Analiza z wykorzystaniem entropii warunkowej
Jedna˛ z metod badanie nieregularności przebiegu krawedzi
˛
znamienia jest metoda zaprezentowana przez E.Claridge i innych w [13, 22]. Bazuje ona na wykorzystaniu entropii warunkowej opisu krawedzi
˛
znamienia. Testy pokazały, że ta
metoda pozwala na dokładne wyznaczenie miary nieregularności i poprawnie klasyfikuje charakter zmian skórnych z czułościa˛ (ang. sensitivity) na poziomie 70%
oraz swoistościa˛ (ang. specificity) na poziomie 84%.
Poje˛ cie entropii może być rozumiana jako miara informacji, stopień niepewności lub nieprzewidywalności sekwencji. Jej wartość jest wprost proporcjonalna do
niepewności. Tym samym losowy ciag
˛ ma entropie˛ wyższa˛ niż ten, którego kolejne
elementy sa˛ łatwe do przewidzenia. Klasyczne rozumienie terminu entropii to tak
zwana entropia Shannona, wyrażona wzorem 5.35.
H(x) = −
X
pr (x)log2 pr (x)
(5.35)
x∈X
W pracy Aribisala i Claridge sposób liczenia entropii warunkowej został dopasowany do wymagań problemu analizy znamion skórnych.
Klasycznie rozumiana entropia łaczna,
˛
gdzie X i Y sa˛ zbiorami zmiennych losowych, takich, że x ∈ X oraz y ∈ Y , a pr (x) jest prawdopodobieństwem wystapie˛
nia losowego zdarzenia x wyrażana jest jako H(X, Y ). Jest to miara niepewności
prawdopodobieństwa łacznego
˛
pr (x, y) i wyraża sie˛ wzorem 5.36. Z kolei entropia
warunkowa zajścia zdarzenia Y pod warunkiem zdarzenia X (H(Y /X)) opisywane
jest wzorem 5.37.
H(X, Y ) = −
X X
pr (x, y)log2 pr (x, y)
(5.36)
pr (x, y)log2 pr (y/x)
(5.37)
x∈X y∈Y
H(Y /X) = −
X X
x∈X y∈Y
Dla H(X) 0 równanie 5.38 wskazuje na malenie entropii przy wystapieniu
˛
warunkowości.
H(X, Y ) = H(X) + H(Y /X)
(5.38)
63
˛
(a) Znami˛e melanocytowe
(b) Analiza symetrii znamienia melanocytowego
˛
(d) Analiza symetrii rozprzestrzeniajacego
˛
si˛e powierzchownie czerniaka
złośliwego
(e) Postać barwnikowa raka podstawnokomórkowego
(f) Analiza symetrii postaci barwnikowej raka podstawnokomórkowego
Rysunek 5.23. Znamiona skórne i analiza symetrii
64
˛
Entropia jako miara niepewności ma jednak pewne wady, przede wszystkim jest
nieczuła na pozycje˛ wzgle˛ dna˛ elementów w ciagu,
˛
tj. ciag
˛ okresowy jest taki sam
co do wartości entropii jak losowy ciag
˛ z alfabetu. Wynika to z faktu, iż obliczenia
entropii zależne jest od liczby elementów ciagu
˛
należacych
˛
do każdej z kategorii
alfabetu.
Entropia warunkowa może być obliczona zgodnie ze wzorem 5.37. Wprost ze
wzoru wynika, że do obliczeń konieczne sa˛ dwa ciagi
˛ X i Y . Takie podejście jest
zwane SBCE 3 . W opozycji do tej metody wyliczenia entropii autorzy zaproponowali
sposób bioracy
˛ pod uwage˛ wzgledne
˛
położenie elementów ciagu
˛
wobec siebie. Tak
zdefiniowana entropia została nazwana przez nich EBCE 4 .
Niech X = x1 , x2 , . . . , xn bedzie
˛
losowa˛ sekwencja˛ znaków o długości n. EBCE
zostało zdefiniowane jako entropia warunkowa elementów z alfabetu X nastepuj
˛
a˛
cych po poprzednich elementach i oznaczone we wzorze 5.39 jako He (X). W ogólnym rozumieniu EBCE jest podobne do SBCE, ale różnia˛ sie˛ one miedzy
˛
soba˛
na dwóch płaszczyznach. Przede wszystkim wartość EBCE, w przeciwieństwie do
SBCE zależna jest od wzajemnego położenia elementów ze zbioru X. Poza tym EBCE
może być obliczone jedynie dla jednego ciagu,
˛
podczas gdy SBCE wymaga aż dwóch
sekwencji.
He (X) = −
t=n
X
pr (xt , (xt−1 , . . . , xt−m+1 ))logpr (xt /(xt−1 , xt−2 , . . . , xt−m+1 )),
(5.39)
t=m
gdzie n = długość X,
m = długość różnych podciagów
˛
X.
Przypadek dla m = 2 przedstawiono w równaniu 5.40.
He = −
t=n
X
pr (xt , xt−1 )logpr (xt /xt−1 )
(5.40)
t=2
Podobnie jak inne sposoby obliczania entropii, He jest wprost proporcjonalne do
nieprzewidywalności sekwencji i wartość He dla ciagu
˛ regularnego wynosi 0.
Obliczanie EBCE przy wykorzystaniu równania 5.39 wymaga dobrze dobranego m, rozmiaru kubełka r oraz odpowiednio zdefiniowanej zmiennej losowej qt .
3
4
ang. Sequence Based Conditional Entropy
ang. Element Based Conditional Entropy
65
˛
qt = (xt /(xt−1 , xt−2 , . . . , xt−m+1 ))
(5.41)
Autorzy wskazuja,
˛ że udało im sie˛ uzyskać odpowiednio zdefiniowana˛ wartość
qt przy pomocy zmian parametrów m oraz r. Najlepsze rezultaty osiaga
˛
sie,
˛ przy
założeniu, że Her (m0 → mf ), a wartość r jest stała, gdy m0 oraz mf sa˛ odpowiednio
minimalna˛ i maksymalna˛ wartościa˛ m, gdzie 2 ¬ m ¬ n, a n jest długościa˛ ciagu.
˛
Chcac
˛ np. obliczyć qt dla m = 3, gdzie zbiorem jest X = {x1 , x2 , x3 , x4 , x5 },
należy wyznaczyć zbiór wszystkich podciagów
˛
ciagu
˛
(S) na podstawie wzoru 5.42.
B˛edzie to zatem S = {x1 x2 x3 , x2 x3 x4 , x3 x4 x5 }. Tym samym q3 ze wzoru 5.43 bedzie
˛
reprezentowane jako q3 = {x3 − x1 , x4 − x2 , x5 − x3 }.
S=
i=n−m+1
Y
{xi xi+1 xi+2 . . .xi+m−1 }
(5.42)
i=1
qt = (xt /(xt−1 , xt−2 , . . . , xt−m+1 )) = (xt − xt−m+1 )
(5.43)
Według standardowo przyjetego
˛
podejścia, znamie˛ skórne, którego kontur jest
eliptyczny uznawane jest za prawidłowe. Na bazie tego założenia przyjeto,
˛
że elipsa
b˛edzie kształtem wzorcowym znamion poprawnych. Rysunek 5.25 pokazuje kontur
wyznaczony z fotografii rzeczywistych znamion: a) prawidłowego oraz b) o charakterze patologicznym. Można zatem przyjać,
˛ że dla normalnego znamienia punkty
wzdłuż jego krawe˛ dzi charakteryzuja˛ sie˛ wysoka˛ przewidywalnościa˛ umiejscowienia, a punkty krawe˛ dzi znamienia patologicznego bed
˛ a˛ miały znacznie niższa˛ miare˛
pewności współrze˛ dnych. Jako, że nieregularność wzrasta wraz z nieprzewidywalnościa,
˛ zatem można przyjać,
˛ że miara nieregularności jest tożsama mierze nieprzewidywalności.
Na potrzeby zmodyfikowanego podejścia wykorzystujacego
˛
analize˛ entropii warunkowej, zbiór punktów tworzacych
˛
krawedź
˛
zmiany reprezentowana jest jako
jednowymiarowy ciag
˛ współrzednych
˛
biegunowych tych punktów. Środkiem biegunowego układu współrze˛ dnych jest środek cie˛ żkości znamienia. Ciag
˛ O opisany
jest jako O = O1 , O2 , . . . , OM , gdzie Oi , i = 1, . . . , M jest itym punktem krawedzi
˛
znamienia.
W biegunowym układzie współrzednych
˛
elipsa reprezentowana jest przez wykres
funkcji sinus, jak na rysunku 5.25. Autorzy przyjeli,
˛ że każda zmiana skórna bedzie
˛
reprezentowana właśnie przez sygnał sinusoidalny o rozmiarze 200 próbek. Po zebraniu 50 zestawów danych wejściowych, kontury te posłużyły do wygenerowania
danych testowych przez dodanie do nich szumu Gaussa o odchyleniu standardowym od 1 do 10:
˛
66
Rysunek 5.24. Przykładowa reprezentacja obwiedni a) prawidłowa, b) nieregularna.
1. 50 zestawów niezmienionych
2. 50 zestawów z dodanym szumem Gaussa do każdej z 200 próbek każdego
sygnału
3. 50 zestawów z dodanym szumem Gaussa do połowy spośród wszystkich próbek
każdego sygnału (100)
4. 50 zestawów z dodanym szumem Gaussa do 20 spośród 200 próbek każdego
sygnału
5. 50 zestawów z dodanym szumem Gaussa do 20 spośród 200 próbek każdego
sygnału (szum skupiony w pewnym otoczeniu)
Tak przygotowane zestawy, widoczne na rysunku 5.25 reprezentuja˛ zbiór znamion prawidłowych (1) oraz znamion z nieprawidłowościami (2,3,4,5).
5.6.2. Analiza stosunku powierzchni i obwodu
Znacznie powszechniej stosowana˛ metoda˛ wyznaczania nieregularności krawe˛
dzi znamienia (prawdopodobnie ze wzgledu
˛
na łatwość obliczeń) jest metoda wykorzystujaca
˛ wartości obwodu i powierzchni znamienia skórnego. W przeciwieństwie
67
˛
Rysunek 5.25. Reprezentacja obwiedni znamion w biegunowym układzie współrzednych.
˛
do metody poprzedniej bazuje ona na założeniu, że najbardziej regularna˛ forma˛ obwiedni zmiany skórnej jest okrag
˛ i tym samym jej przypisuje wartość najmniejsza˛
do uzyskania – 1.
Wartość indeksu nieregularności obliczana jest na podstawie wzoru 5.44.
borderIrregularity =
L
,
4πP
(5.44)
gdzie L to obwód znamienia, a P to jego powierzchnia.
Istnieja˛ także miary nieregularności krawedzi,
˛
które bazuja˛ na analizie stosunku
powierzchni i obwodu jako jednej ze składowych algorytmu. Przykładem jest miara
nieregularności Lee, McLeana i Atkinsa [36].
5.6.3. Wyniki analizy regularności krawedzi
˛
Analiza stosunku powierzchni i obwodu jest powszechna˛ miara˛ oceny przebiegu
krawe˛ dzi. Jest ona jednak trudniej interpretowalna. Umownie przyjmuje sie,
˛ że
znamiona o indeksie powyżej 1.5 maja˛ nieregularny przebieg krawedzi.
˛
W tabeli 5.6 przedstawiono wyniki analizy krawedzi
˛
dla 41 znamion testowych.
Na potrzeby implementacji analizy symetrii wykorzystujacej
˛
entropie˛ warunkowa,
˛ na rysunku 5.26 przedstawiona została wizualizacja krawedzi.
˛
Obszar znamienia wyznaczony został czerwona˛ obwiednia.
˛ Na zielono, o ile
algorytm analizy symetrii zakwalifikował znamie˛ jako symetryczne, narysowana
68
˛
Lp.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
Min
Max
Indeks nieregularności
1.28
1.17
1.17
1.44
1.37
1.21
1.26
1.37
1.16
1.26
1.96
1.8
1.25
2.54
1.28
1.27
1.37
2.08
1.33
1.2
1.25
1.28
2.43
3.51
1.53
1.16
2.15
1.16
1.25
1.45
1.11
1.23
1.26
1.52
1.18
1.26
1.27
1.51
1.16
1.24
1.11
1.11
3.51
Tablica 5.6. Zestawienie indeksu nieregularności krawedzi
˛
5.7. Analiza koloru
69
jest elipsa o półosiach równych najkrótszej i najdłuższej odległości od centroidu do
obwiedni. Elipsa zorientowana jest dłuższa˛ osia˛ wzdłuż wyznaczonej osi symetrii.
Analiza wartości punktów elipsy i znamienia przedstawione w biegunowym
układzie współrze˛ dnych miała być punktem odniesienia w procesie wykorzystujacym
˛
entropie˛ warunkowa.
˛ Jednakże, ze wzgledu
˛
na skróty myślowe zastosowane
przez autorów publikacji, nie byłem w stanie odtworzyć ich algorytmu. Efektem
ubocznym pracy nad rozwiazaniem
˛
problemu jest umieszczony w prawym górnym
rogu wykres punktów obwiedni znamienia (kolor niebieski) i wyznaczonej elipsy
(kolor zielony), który dobrze obrazuje stan oczekiwany i zastany.
5.7. Analiza koloru
Zgodnie z kryteriami dermatologicznymi wybarwienie znamienia skórnego nie
przesadza
˛
o jego charakterze. Ważniejsza jest jednolitość kolorystyczna – obecność
dwóch i wie˛ cej kolorów w obrebie
˛
znamienia wskazuje na jego podejrzany charakter.
Jednak zwykła analiza histogramów poszczególnych składowych RGB koloru
jest nie najwłaściwsza˛ metoda.
˛ Także rozważanie histogramu koloru o rozpie˛ tości
barwnej rze˛ du 16 milionów nie pozwoli na otrzymanie miarodajnych wyników. Rozwiazaniem
˛
jest analiza histogramu, który odzwierciedla rozkład kolorów w obrazie
ze zredukowana˛ ich liczba.
˛ Warto zaznaczyć, że istnieja˛ także bardziej skomplikowane rozwiazania
˛
jak np. wykorzystujace
˛ proces uczenia [19] lub analize˛ statystyczna˛ [32].
5.7.1. Własna implementacja analizy histogramu skwantowanych kolorów
Pierwszym krokiem analizy znamienia jest ograniczenie obszaru poszukiwań
tylko do obszaru wyznaczonego uprzednio w procesie segmentacji. Usuwa to z pola
widzenia duża˛ cze˛ ść skóry i inne zakłócenia. Nastepnie,
˛
w każdym obrazie wejściowym 8-bitowa dziedzina koloru zamieniana jest na 64 grupy barw. Pomysł opiera
si˛e na założeniu, że wartość każdej składowej z zakresu 0 − 255 można skwantować
wykorzystujac
˛ 4 poziomy kwantyzacji:
— 0 – zakres h0; 64)
— 1 – zakres h64; 128)
— 2 – zakres h128; 192)
— 3 – zakres h192; 256)
70
5.7. Analiza koloru
(a) Nabyte znami˛e melanocytowe
(b) Analiza przebiegu kraw˛edzi
(c) Czerniak złośliwy
(d) Analiza przebiegu kraw˛edzi
(e) Czerniak złośliwy
(f) Analiza przebiegu kraw˛edzi
Rysunek 5.26. Proces badania regularności krawedzi
˛
71
5.7. Analiza koloru
Przestrzeń barw zostaje podzielona na 64 grupy, do której można słownie przypisać subiektywnie nadana˛ nazwe˛ koloru, jak w tablicy 5.7.
Kubełek R
0
0
0
0
Kubełek G
0
0
0
0
3
0
3
3
Kubełek B
0
1
2
3
...
0
...
3
Nazwa koloru
Czarny
Granatowy
Ciemnoniebieski
Niebieski
Licznik
x
y
z
a
Czerwony
b
Biały
c
Tablica 5.7. Tablica skwantowanych kolorów z odpowiadajacymi
˛
im reprezentacjami słownymi oraz licznikiem wystapie
˛ ń.
Na potrzeby analizy histogramu i wizualizacji wyników, każdej ze składowych
RGB pojedynczego piksela została przypisana wartość środkowa przedziału do którego została ona zakwalifikowana. Odbywa sie˛ to zgodnie ze wzorem. 5.45.
singleChannel[i, j] = bsingleChannel[i, j]/nc ∗ n + n/2,
(5.45)
gdzie n jest liczba˛ przedziałów.
Na rysunku 5.27 przedstawiono jak orientacyjnie wyglada
˛ reprezentacja możliwych do otrzymania kolorów dla poszczególnych przedziałów. Zbiór spodziewanych
w procesie analizy kolorów w praktyce ograniczony jest do górnej połowy rysunku.
Rysunek 5.27. Podział przestrzeni barw na kubełki
Kiedy w obszarze zainteresowania obrazu pozostaje już tylko znamie˛ skórne
o zredukowanej liczbie barw nastepuje
˛
analiza histogramu.
Każdy piksel obrazu wejściowego zostaje zakwalifikowany do jednej z 64 grup,
a odpowiadajacy
˛
jej licznik zostaje zwiekszony
˛
o jeden. Kiedy wszystkie piksele
5.7. Analiza koloru
72
obrazu zostana˛ już odwiedzone najwieksza
˛
wartość licznika wskazuje na najcześciej
˛
wyst˛epujacy
˛ w obrazie zakres koloru.
Na potrzeby klasyfikacji przyjeto,
˛
że o liczbie znaczacych
˛
kolorów bedzie
˛
świadczyć liczba kolorów, których liczność w obszarze znamienia skórnego przekracza
średnia˛ wartość wszystkich grup. Uznaje sie,
˛ że jeśli liczba kolorów znaczacych
˛
obszaru znamienia jest wie˛ ksza niż dwa może mieć ono charakter kancerogenny.
Wizualizacje˛ procesu analizy kolorów przedstawiono na rysunku 5.28
73
5.7. Analiza koloru
(a) Znami˛e nietypowe
(b) Analiza koloru znamienia nietypowego
˛
(d) Analiza koloru rozprzestrzeniaja˛
cego si˛e powierzchownie czerniaka
złośliwego
(e) Rogowacenie łojotokowe
(f) Analiza koloru rogowacenia łojotokowego
Rysunek 5.28. Znamiona skórne i wizualizacja procesu analizy rozkładu koloru
6. Konfrontacja diagnozy automatycznej
z diagnoza˛ lekarska˛
Niejako uzupełnieniem analizy jakości poszczególnych klasyfikatorów jest próba
postawienia automatycznej diagnozy końcowej stwierdzajacej,
˛
czy dane znamie˛
skórne ma podejrzany charakter i skłonność do przekształcenia sie˛ w czerniaka
złośliwego. Taka decyzja nastepnie
˛
konfrontowana jest z profesjonalna˛ diagnoza˛
lekarska.
˛ Miara jakości takiego rozwiazania
˛
może zasugerować sens wdrożenia
rozwiazania
˛
do powszechnego użycia.
Od 1997 roku na przestrzeni trzech lat, Ascierto z zespołem [14] przeprowadzili
badanie znamion skórnych klasycznym wideodermatoskopem na dużej liczbie pacjentów. Przeanalizowali oni za jego pomoca˛ ponad 15 tysiecy
˛ znamion skórnych od
przeszło 8700 pacjentów. Wyniki analizy dermatoskopowej skonfrontowane zostały
z wynikami badań histopatologicznych. Około 87,3% decyzji było zgodnych co do
charakteru znamienia. Czułość badania na zadanej próbie określona została na
93,1%, a swoistość na 95,4%.
Widać stad,
˛ że nawet decyzje wykwalifikowanego personelu medycznego nie zawsze sa˛ trafne. Wyniki zebrane przez Ascierto moga˛ być dobrym punktem odniesienia i porównania jakości klasyfikacji automatycznej.
6.1. Zbiór testowy i dane referencyjne
Testowanie oparte zostało o przykładowe fotografie wraz z właściwa˛ diagnoza˛
lekarska˛ zaczerpnie˛ te z dwóch atlasów dermatologicznych – „Dermoscopy” [54]
autorstwa Weismanna, Lorentzena i Sanda oraz „Atlas of Dermoscopy Encyclopedia
of Visual Medicine Series” autorstwa Marghooba, Brauna i Kopfa [42].
Zestaw kolorowych fotografii z atlasu wraz z trzema wygenerowanymi komputerowo obrazami referencyjnymi (testCase0 - testCase2) stanowi całkowity zbiór
testowy do badań jakości automatycznej klasyfikacji.
W tabeli 6.1 przedstawiono zestawienie 41 pozycji obrazów wejściowych wraz
z odpowiadajacymi
˛
im nazwami plików (bed
˛ acymi
˛
angielskimi opisami choroby)
75
6.1. Zbiór testowy i dane referencyjne
oraz z polskim tłumaczeniem diagnozy. Jeśli przy liczbie porzadkowej
˛
widnieje znak
X, oznacza to, że diagnoza wskazuje na czerniaka złośliwego.
Lp.
1
2
3
Plik *.png
Acquired melanocytic nevus, compound type0
Acquired melanocytic nevus, compound type1
Acquired melanocytic nevus, junctional type
4X
5
6
7
8
9
10
11 X
12 X
13 X
14 X
15 X
16 X
17 X
18 X
19 X
20
21
22 X
23
24
25
Amelanotic malignant melanoma
Blue nevus0
Blue nevus1
Dysplastic nevus
Eruptive cutaneous angioma
Histiocytoma
Junctional melanocytic nevus
Malignant melanoma0
Malignant melanoma1
Malignant melanoma2
Malignant melanoma3
Malignant melanoma4
Malignant melanoma5
Malignant melanoma6
Malignant melanoma7
Malignant melanoma8
Melanocytic nevus, compound type0
Melanocytic nevus, compound type1
Nodular melanoma
Pigmented basal cell carcinoma0
Pigmented basal cell carcinoma1
Pigmented seborrheic keratosis
26
Pigmented spindle cell nebus (Spitz nevus)
27
Recurrent melanocytic nevus, compound type
28
Seborrheic keratosis with hemorrhage
29
30
31
32
33
34
35
36
37
38
39
40
41
Seborrheic keratosis0
Skin lesion
Superficial spreading malignant
testCase0
testCase1
testCase2
X
X
X
X
X
X
Nazwa choroby
Nabyte znamie˛ melanocytowe, typ
złożony
Nabyte znamie˛ melanocytowe, typ
łacznikowy
˛
Bezbarwnikowy czerniak złośliwy
Znamie˛ błekitne
˛
Znamie˛ nietypowe
Naczyniak skóry
Histiocytoma
Łacznikowe
˛
znamie˛ melanocytowe
Czerniak złośliwy
Znamie˛ melanocytowe, typ złożony
Czerniak guzkowy
Postać barwnikowa raka podstawnokomórkowego
Pigmentowane rogowacenie łojotokowe
Znamie˛ wrzecionowato - nabłonkowatokomórkowe (Znamie˛ Spitz)
Nawracajace
˛
znamie˛ melanocytowe, typ złożone
Łojotokowe rogowacenie z krwawieniem
Rogowacenie łojotokowe
Znamie˛ skórne
melanoma0
melanoma1
melanoma2
melanoma3
melanoma4
melanoma5
Rozprzestrzeniajacy
˛
sie˛ powierzchownie czerniak złośliwy
Sztuczny przypadek testowy
Tablica 6.1. Lista plików wykorzystanych podczas testowania aplikacji wraz z diagnoza˛
6.2. Testy jakości klasyfikacji
76
Każdy plik wejściowy jest graficznym plikiem w formacie PNG o wymiarach
320x320 pikseli. Głe˛ bia obrazu wynosi 24 bity (po 3 bity na każda˛ składowa˛ koloru
RGB). Brak jest składowej przezroczystości (tzw. kanału Alpha).
Dane referencyjne – maski binarne dla każdego znamienia oraz katy
˛ osi symetrii wykorzystane bezpośrednio w procesie analizy jakości segmentacji i położenia
centroidu pochodza˛ od dwojga lekarzy i oznaczane sa˛ odpowiednio w tekście jako:
— Lekarz I – lek. Krzysztof Jastrzebski,
˛
specjalista chorób wewnetrznych
˛
— Lekarz II – lek. Dorota Jastrzebska,
˛
specjalista chorób zakaźnych, specjalista
epidemiologii
W zestawieniu rysunków 6.1 doskonale widać, że wyznaczone odrecznie
˛
obszary
znamion skórnych moga˛ sie˛ nieco różnić. Taka sama sytuacja ma miejsce w przypadku decyzji o symetryczności. Niekiedy jest tak, że wskazania różnia˛ sie˛ nie tylko
o pewien kat,
˛ ale nawet wystepuje
˛
niezgodność co do istnienia symetryczności.
Warto mieć to na uwadze myślac
˛ o możliwości implementacji klasyfikatora podejmujacego
˛
decyzje całkowicie autonomicznie.
Na bazie zgromadzonych wyników kryteriów asymetryczności, nieregularności
krawe˛ dzi oraz rozkładu kolorów można, w ramach uzupełnienia, próbować postawić diagnoze˛ znamienia skórnego.
Tabela 6.2 odzwierciedla uzyskane w procesie analizy wyniki, jak sa˛ one interpretowane i na jaka˛ diagnoze˛ moga˛ zostać przetłumaczone. Porównuje także jej
wynik z diagnoza˛ lekarska.
˛
Poniżej przedstawiono objaśnienie każdej z wartości:
1. Lp. – liczba porzadkowa
˛
odpowiadajaca
˛ danymi plikowi według tabeli 6.1.
2. Symetria – klasyfikator symetrii: wynik wyrażony procentowo określa stopień
symetryczności uzyskany i obliczony jak pokazano w rozdziale 5.5.
3. Krawedź
˛
– indeks nieregularności krawedzi:
˛
wartość dziesietna
˛
wieksza
˛
od 1 rosnaca
˛ wraz ze wzrostem nieregularności obwiedni znamienia. Sposób uzyskania
wartości klasyfikatora przedstawiono w rozdziale 5.6.
4. Kolor – liczba kolorów dominujacych
˛
w obszarze znamienia. Dodatnia, całkowita wartość obliczona według metody z rozdziału 5.7.
5. A – Obecność znaku X w tym polu wskazuje podwyższone prawdopodobieństwo
czerniaka na podstawie kryterium analizy symetrii tzn. jeśli wartość pola „Symetria” jest mniejsza niż 90.00%.
77
(a) Naczyniak skóry
(b) Maska binarna naczyniaka (Lekarz I)
(c) Maska binarna naczyniaka (Lekarz II)
(d) Postać barwnikowa
raka podstawnokomórkowego
(e) Maska binarna raka
(Lekarz I)
(f) Maska binarna raka
(Lekarz II)
(g) Histiocytoma
(h) Maska binarna histiocytomy (Lekarz I)
(i) Maska binarna histiocytomy (Lekarz II)
Rysunek 6.1. Znamiona skórne i jego maski
78
6. B – Obecność znaku X w tym polu wskazuje podwyższone prawdopodobieństwo
czerniaka na podstawie kryterium analizy regularności krawedzi
˛
tzn. jeśli wartość pola „Krawe˛ dź” jest wieksza
˛
niż 1.50.
7. C – Obecność znaku X w tym polu wskazuje podwyższone prawdopodobieństwo
czerniaka na podstawie kryterium analizy koloru tzn. jeśli wartość pola „Kolor”
jest wie˛ ksza niż 2.
8. Diagnoza automatyczna – Znak X wskazuje na czerniaka złośliwego. Diagnoza
została postawiona na podstawie wartości logicznych (prawda, fałsz) kryteriów
A, B oraz C zgodnie ze wzorem 6.1. Zależność od wartości liczbowych zwracanych przez poszczególne klasyfikatory przedstawiono wzorem 6.2.
9. Diagnoza lekarska – Znak X wskazuje na czerniaka złośliwego. Diagnoza pochodzi z atlasu dermatologicznego.
diagnoza = A ∨ B ∨ C
(6.1)
diagnoza = (symetria < 90.00%) ∨ (krawedz > 1.5) ∨ (kolor > 2)
(6.2)
Analizujac
˛ tabele˛ 6.2 można zauważyć, że na 41 wszystkich sklasyfikowanych
próbek:
— 16 zostało sklasyfikowanych jako prawdziwie dodatnie
— 15 zostało sklasyfikowanych jako fałszywie dodatnie
— 9 zostało sklasyfikowanych jako prawdziwie ujemne
— 1 została sklasyfikowana jako fałszywie ujemna
Przekłada sie˛ to na:
— czułość równa˛ 94% – odsetek czerniaków, który został prawidłowo sklasyfikowany jako czerniak
— dokładność równa˛ 61% – odsetek zmian zgodnych z rzeczywistościa˛
— precyzje˛ równa˛ 52% – odsetek rzeczywistych czerniaków w zbiorze znamion
zaklasyfikowanych jako czerniak
— swoistość równa˛ 38% – odsetek znamion łagodnych, który został prawidłowo
sklasyfikowany
Z powyższego widać, że proces automatycznej klasyfikacji znamion skórnych
ma wysoka˛ skuteczność rozpoznawania czerniaka, ale odsetek poprawnie sklasyfikowanych znamion skórnych jako czerniak bliski jest wynikowi, gdyby decyzje˛
podejmować w sposób losowy. Klasyfikator, ze wzgledu
˛
na alternatywe˛ w procesie
79
Lp.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
Symetria
(0 ÷ 100%)
96.88%
94.84%
96.09%
87.34%
93.13%
92.19%
95.31%
92.50%
95.16%
92.19%
92.50%
93.59%
95.63%
85.31%
95.94%
95.63%
92.66%
91.88%
98.44%
94.84%
92.19%
94.53%
90.94%
83.91%
93.91%
97.19%
87.97%
97.34%
94.22%
95.94%
97.50%
95.94%
96.72%
92.81%
92.34%
93.13%
94.38%
92.34%
98.44%
96.25%
99.53%
Krawedź
˛
(1 ÷ XXX)
1.28
1.17
1.17
1.44
1.37
1.21
1.26
1.37
1.16
1.26
1.96
1.80
1.25
2.54
1.28
1.27
1.37
2.08
1.33
1.20
1.25
1.28
2.43
3.51
1.53
1.16
2.15
1.16
1.25
1.45
1.11
1.23
1.26
1.52
1.18
1.26
1.27
1.51
1.16
1.24
1.11
Kolor
(1, 2, 3, . . .)
3
3
3
1
2
1
5
3
1
2
4
8
5
3
5
7
5
3
4
1
3
4
2
5
2
3
4
3
3
3
2
4
4
3
3
4
2
3
1
1
2
A
B
C
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Diagnoza
automatyczna lekarska
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Tablica 6.2. Porównanie wyników, diagnozy automatycznej i lekarskiej
80
podejmowania decyzji sugeruje sie˛ wystapieniem
˛
chociaż jednego kryterium kancerogennego. Jest to zachowanie podobne do nawyków lekarzy dermatologów –
w przypadku watpliwym
˛
dokonuje sie˛ zabiegu chirurgicznego, a nastepnie
˛
przeprowadza sie˛ badanie histopatologiczne materiału pobranego.
Na podstawie zebranych wyników i przedstawionych miar jakości podejmowanych decyzji, uważam, że taka jakość klasyfikacji jest dobrym punktem wyjścia
do dalszego ulepszania poszczególnych klasyfikatorów oraz sposobu stawiania diagnozy znamion skórnych.
7. Podsumowanie
7.1. Spełnienie założeń
Podstawowym założeniem pracy magisterskiej było opracowanie i ocena jakości
wyników uzyskanych w procesie analizy fotografii znamion na skórze człowieka.
Końcowym celem takich badań miało być przygotowanie projektu aplikacji ułatwiajacej
˛
prace˛ lekarzowi lub też służacej
˛
jako narzedzie
˛
do stawiania wstepnej
˛
diagnozy
przed właściwa˛ wizyta.
˛
Czytajac
˛ artykuły naukowe, przede wszystkich ze zbioru IEEE Xplore [3], dotyczace
˛ różnego typu prób rozwiazania
˛
problemu zastanawiałem sie,
˛ czy problem
mnie nie przerósł i czy mu podołam. Tym bardziej, że niektóre z nich dotyczyły
analizy materiału bardzo trudnego w przetwarzaniu – obrazów rzeczywistych, silnie
zaszumionych czy też ogólnych jak np. fotografie całego ciała pacjenta.
Poczatkowe
˛
założenie, zakładajace
˛ implementacje˛ rozwiazania
˛
na platformie mobilnej dość szybko przekształciło sie˛ w studium wykonalności oraz badanie jakości
wyników działania składowych elementów aplikacji. Głównym powodem zmiany
był ucia˛żliwy proces testowania oraz mała moc obliczeniowa urzadzenia
˛
mobilnego
przetwarzajacego
˛
dość duży zbiór fotograficznych danych wejściowych.
Założyłem, że opisze˛ cały proces analizy znamienia skórnego skupiajac
˛ sie˛ na
poszczególnych składowych algorytmu. Analizujac
˛ jakość otrzymywanych wyników
w zależności od różnych wersji oraz parametrów osiagn
˛ ałem
˛
stan w których decyzje
poszczególnych kryteriów była zadowalajace.
˛
B˛edac
˛ w posiadaniu wyników czastkowej
˛
analizy, podjałem
˛
także próbe˛ implementacje˛ funkcji stawiania diagnozy końcowej, gdyż jednym z głównych celów stawianym przed aplikacja˛ miało być znalezienie odpowiedzi na pytanie czy i z jakim
poziomem zaufania można postawić diagnoze˛ znamienia skórnego w sposób autonomiczny.
Zbadałem wpływ poszczególnych decyzji na wynik końcowy i testowałem jakość automatycznie stawianej diagnozy konfrontujac
˛ ja˛ z profesjonalna˛ diagnoza˛
7.1. Spełnienie założeń
82
lekarska.
˛ Zgodnie z wartościami przedstawionymi w cześci
˛
6.2, warto zaznaczyć,
że dojrzałość poszczególnych rozwiaza
˛ ń jest jednak jeszcze na tyle mała, aby móc
autonomicznie i z wysoka˛ pewnościa˛ wydawać rozpoznanie choroby.
Tym samym projekt, który zakładał poczatkowo
˛
implementacje˛ aplikacji mobilnej na platformie TIZEN lub Android przekształcił sie˛ w coś zupełnie innego. Ze
wzgl˛edu na łatwość przeniesienia poszczególnych przygotowanych algorytmów na
urzadzenia
˛
mobilne, na potrzeby badania, powstała aplikacja działajaca
˛ na komputerze napisana w je˛ zyku Java. Pozwala ona na zbiorowe przetwarzanie wielu zdjeć
˛
dermatoskopowych na raz, tworzenie statystyk, prezentacje˛ wyników działania poszczególnych algorytmów w formie wizualnej oraz analiza informacji wyjściowych
pod katem
˛
jakościowym oraz porównywanie ich z danymi rzeczywistymi przygotowanymi przez lekarzy.
Dodatkowo, ze wzgle˛ du na cheć
˛ pogłebienia
˛
znajomości biblioteki OpenCV, która
jest jedna˛ z najbardziej popularnych ostatnio bibliotek przetwarzania obrazu w czasie rzeczywistym, chciałem, żeby w moim projekcie w jak najszerszym możliwym
spektrum wykorzystać i poznać algorytmy w niej zaimplementowane. Jej użycie
było podyktowane nie tylko pomoca˛ jaka˛ zapewniała w rozwiazywania
˛
podproblemów, ale żebym w trakcie pracy rozumiał co i jak dokładnie dzieje sie˛ przy wywołaniu każdej funkcji. Tym bardziej przemawiał do mnie fakt, że kierunek rozwoju
biblioteki zbiegał sie˛ z moim drugim zainteresowaniem - programowaniem aplikacji
na platformy mobilne. Rozwój biblioteki jest ciagły
˛
i obejmuje coraz szersze spektrum systemów operacyjnych: pierwsza oficjalna wersja przygotowana została dla
systemów Windows, Linux oraz Mac OS 19 października 2006 roku, wersja przeznaczona dla systemu operacyjnego Android pojawiła sie˛ 12 września 2011 roku
a dla iOS – już 4 sierpnia 2012 roku.
Wykorzystanie biblioteki OpenCV otwiera droge˛ do dalszego rozwijania sie˛ w kierunku przetwarzania obrazów cyfrowych. Dodatkowo fakt, że docelowym środowiskiem uruchomieniowym sa˛ urzadzenia
˛
mobilne działajace
˛ pod systemem Android
nie pozostaje bez znaczenia. Obserwuje sie˛ aktualnie znaczny wzrost liczby przenośnych urzadze
˛
ń działajacych
˛
pod kontrola˛ tego systemu, zarówno telefonów komórkowych jak i tabletów. Znajomość architektury, właściwości systemu oraz specyfiki
tworzenia dedykowanych aplikacji jest także bardzo pożadana
˛
na obecnym rynku
pracy.
7.2. Perspektywy rozwoju
83
7.2. Perspektywy rozwoju
Dalsza praca nad postawionym problemem powinna zmierzać w kierunku rozwoju aplikacji, pracy nad lepszymi klasyfikatorami poszczególnych cech i otrzymywania coraz lepszych i powtarzalnych wyników klasyfikacyjnych w procesie analizy
znamion i stawiania końcowej diagnozy.
Zwieńczeniem dzieła powinna być implementacja najlepszych klasyfikatorów
w formie mobilnej aplikacji o wysokiej funkcjonalności. Aplikacja ta powinna zapewniać nie tylko rozpoznawanie znamion skórnych, ale także funkcje˛ przypominania o kolejnym badaniu, pomoc w lokalizacji zmian na ciele itp. Nieodzowne
wydaje sie˛ także dodanie cze˛ ści edukacyjnej, która w przystepny
˛
sposób mogłaby
informować pacjenta o zagrożeniach i zapobieganiu chorobom dermatologicznym.
Przy coraz powszechniejszym dostepie
˛
do urzadze
˛
ń mobilnych i drastycznie spadajacych
˛
cenach transmisji danych w sieciach komórkowych, zauważa sie˛ także
tendencje˛ do stosowania rozwiaza
˛ ń aplikacji działajacych
˛
po stronie serwera. Powodem jest, krótszy czas zwrócenia wyniku w przypadku przesłania danych, przetworzenia i odesłania z powrotem w porównaniu do przetwarzania ich na ciagle
˛
stosunkowo słabych obliczeniowo urzadzeniach
˛
mobilnych. Takie rozwiazanie
˛
sprowadza
aplikacje˛ mobilna˛ do roli aparatu fotograficznego i tzw. cienkiego klienta, a cały
proces odbywałby sie˛ na wysokowydajnych serwerach zdalnych. Zapewnia to także
możliwość łatwej archiwizacji i śledzenia postepuj
˛
acych
˛
zmian. Problemem mogłaby
być jednak kwestia zabezpieczenia prywatności i informacji poufnych.
A. Środowisko testowe
Wszystkie eksperymenty przeprowadzone były w nastepuj
˛
acym
˛
środowisku:
— procesor: AMD AthlonTM 64 X2 Dual Core Processor 5600+ 2.80 GHz
— pamie˛ ć RAM: 4GB DDR2 400 MHz
— system operacyjny: Microsoft Windows 7 Professional 64-bit
— wersja systemu opracyjnego: 6.1 (kompilacja 7601: Service Pack 1)
— wersja je˛ zyka Java i maszyny wirtualnej:
— java version "1.7.0_45"
— Java(TM) SE Runtime Environment (build 1.7.0_45-b18)
— Java HotSpot(TM) 64-Bit Server VM (build 24.45-b08, mixed mode)
— parametry maszyny wirtualnej: -Xms40m -Xmx512m
— wersja biblioteki OpenCV: 2.4.8 (31 grudnia 2013)
— IDE:
— Nazwa: Eclipse IDE for Java Developers
— Wersja: Kepler Service Release 1 (64-bit)
— Numer kompilacji: 20130919-0819
B. Dokumentacja projektu
B.1. Technologie
Projekt wykonany został w jezyku
˛
Java w wersji 1.7, z wykorzystaniem biblioteki
OpenCV.
Zgodnie z poczatkowym
˛
założeniem algorytm klasyfikacji miał zostać zaimplementowany na platformie Android [1]. W toku prac okazało sie,
˛ że implementacja w
j˛ezyku Java i testowanie algorytmów na komputerze PC jest dużo szybsze i łatwiejsze. Platforma Android nie została jednak porzucona. Nadal, w dalszej perspektywie, planowane jest zaimplementowanie najlepszych algorytmów jako aplikacje˛
mobilna.
˛
OpenCV jest biblioteka˛ napisana˛ w jezykach
˛
C i C++, stworzona˛ przez firme˛ Intel
i rozwijana˛ obecnie jako wolne oprogramowanie przy współpracy z firmami Willow
Garage oraz Itseez. Głównym jej zastosowaniem jest szeroko pojete
˛ przetwarzanie
obrazu (rozpoznawanie twarzy, gestów, obiektów; śledzenie ruchu; widzenie stereoskopowe itp.). W aplikacji przygotowanej na potrzeby pracy magisterskiej wykorzystywana jest wersja OpenCV 2.4.8 z 31 grudnia 2013 roku, używajaca
˛ klas
opakowujacych
˛
przeznaczonych specjalnie do programowania w jezyku
˛
Java. Istniej także wersja dedykowana aplikacjom na mobilnych urzadzeniach
˛
działajacych
˛
pod kontrola˛ systemu operacyjnego Android.
Spośród licznych modułów OpenCV wykorzystane zostały:
— Funkcje i obiekty podstawowe (klasa Core) – Sa˛ to przede wszystkim macierze i wszelkie operacje wykonywane na nich, własne funkcje matematyczne
i stałe, operacje kreślenia fontów i rysowania podstawowych kształtów jak np.
kół, wielokatów,
˛
prostokatów.
˛
Znajduja˛ sie˛ tu także funkcje odpowiedzialne za
zarzadzanie
˛
pamie˛ cia.
˛
— Przetwarzanie obrazu (klasa Imgproc) – Ta klasa zapewnia metody implementujace
˛ różnego rodzaju filtrowania, transformacje, obliczanie histogramów czy
analize˛ strukturalna.
˛ Znalazły sie˛ tu także deskryptory kształtu, funkcje śledzenia obiektów, wykrywania ruchu, czy metody ekstrakcji cech.
B.2. Podział projektu
86
— Interfejs użytkownika i obsługa plików (klasa Highgui) – Klasa implementuje
prosty interfejs graficzny oraz zapewnia odczyt i zapis obrazu z pliku lub kamery,
jak również obsługe˛ myszy i klawiatury.
W zwiazku
˛
z iteracyjnym wykonywaniem kolejnych kroków algorytmu watki
˛
musiały zostać odpowiednio zsynchronizowane. Zależność poszczególnych etapów
rozpoznawania znamion skórnych przedstawiono na rysunku B.1.
Rysunek B.1. Schemat zależności kolejnych algorytmamów składowych aplikacji
rozpoznawania znamion skórnych
Sam projekt został podzielony na 4 pakiety:
— pl.edu.pw.elka.pjastrz2.mse.analizers
1. BorderAnalyzer – Klasa określajaca
˛ współczynnik (indeks) nieregularności
krawe˛ dzi.
2. CentroidFinder – Klasa odnajdujaca
˛ centroid znamienia w obrazie różnymi
sposobami.
3. CentroidFinderComparator – Klasa obliczajaca
˛
odległość od właściwego
centroidu znamienia do centroidu znalezionego. Zestawia także statystyke˛
wyników otrzymanych metodami bardziej naiwnymi.
4. ColorfulLesionExtracter – Klasa analizujaca
˛ rozkład skwantowanych kolorów wewnatrz
˛
obszaru znamienia skórnego.
5. HolesRemover – Klasa usuwajaca
˛ z obrazu binarnego zakłócenia w postaci
tzw. „wysp”.
6. ImageSmoother – Klasa posiadajaca
˛
zestaw metod rozmywajacych
˛
obraz.
Pozwala także na wytworzenie zestawu obrazów porównawczych wszystkich
rozmywania z różnymi rozmiarami masek.
7. ImageThresholder – Klasa zapewniajaca
˛ implementacje˛ różnych podejś do
zagadnienia progowania i segmentacji obrazu.
87
8. RegionFoundComparator – Klasa wyliczajaca
˛
statystyke˛ i przygotowujaca
˛
wizualne porównanie obszarów wykrytych w procesie automatycznej segmentacji z maskami binarnymi przygotowanymi przez lekarza.
9. SymmetryDetector – Klasa operujaca
˛ na instancji singletonu detektora symetrii i wyszukujaca
˛ osie symetrii a także wyliczajaca
˛ stopień symetryczności
znamienia.
— pl.edu.pw.elka.pjastrz2.mse.application
1. Main - Główna klasa aplikacji, buduje wszystkie główne obiekty oraz uruchamia poszczególne watki
˛
programu.
— pl.edu.pw.elka.pjastrz2.mse.standalone
1. AnglesComparator – Samodzielna klasa porównujaca
˛
wyniki odchylenia
głównej osi symetrii z katami
˛
osi wyznaczonymi przez lekarza.
2. ColorInventer – Samodzielna klasa pomocnicza odwracajaca
˛ kolory binarnej maski.
3. GreyScaleWeightsCalculator – Samodzielna klasa obliczajaca
˛ na podstawie zbioru obrazów uczacych
˛
współczynniki wyszarzenia.
— pl.edu.pw.elka.pjastrz2.mse.utils
1. AnalyzerExecuter – Klasa obsługujaca
˛
zachowania poszczególnych wat˛
ków.
2. BasicSymmetryDetector – Klasa zmodyfikowanego algorytmu wykrywania
symetrii Toma Gibary.
3. BasicSymmetryDetectorSingleton – Singleton detektora symetrii.
4. Consts – Stałe i wartości sterujace
˛ programu.
5. GreyingOut – Klasa zapewniajaca
˛
wyszarzenie obrazu zgodnie z różnymi
modelami. Pozwala także na wytworzenie zestawu obrazów porównawczych
wszystkich algorytmów wyszarzenia.
6. ImagesHarvester – Klasa odczytujaca
˛ wszystkie obrazy w zadanej lokalizacji
i zapisujaca
˛ je w kolekcji do dalszego przetwarzania.
7. LoadedImage – Klasa pomocnicza reprezentujaca
˛ macierz obrazu powiazan
˛
a˛
z konkretnym plikiem.
8. ParentAnalyzer – Klasa abstrakcyjna zapewniajaca
˛ wspólna˛ implementacje˛
dla analizatorów. Zapewnia funkcjonalność zapisu obrazu.
9. ParentThread – Klasa abstrakcyjna zapewniajaca
˛
wspólna˛ implementacje˛
dla watków.
˛
Oblicza czas wykonania.
10. Statistics – Klasa obliczajaca
˛ wartości statystyczne wyników (min, max,
średnia, odchylenie standardowe itp.) na potrzeby niniejszej pracy.
Bibliografia
[1] Android Developers. http://developer.android.com, dostep:
˛ 12.02.2014.
[2] en.wikipedia.org: Daniel kraft. http://en.wikipedia.org/wiki/Daniel_Kraft,
dostep:
˛ 12.02.2014.
[3] IEEE Xplore. http://ieeexplore.ieee.org, dostep:
˛ 12.02.2014.
[4] iMedicalApps. http://imedicalapps.com/, dostep:
˛ 12.02.2014.
[5] OpenCV. http://opencv.org, dostep:
˛ 12.02.2014.
[6] Program SEER – Surveillance, Epidemiology and End Results. http://seer.cancer.
gov, dostep:
˛ 12.02.2014.
[7] Strona producenta urzadzenia
˛
3gen dermlite. http://dermlite.com/, dostep:
˛
12.02.2014.
˛
FotoFinder handyscope. http://www.fotofinder.
de/produkte/handyscope/, dostep:
˛ 12.02.2014.
˛
molemax. http://www.dermamedicalsystems.com/,
dostep:
˛ 12.02.2014.
[10] System operacyjny Tizen. https://www.tizen.org, dostep:
˛ 12.02.2014.
[11] Arbeitsgemeinschaft für chirurgische onkologie der Österreichischen gesellschaft für
chirurgie aco, karzinome — fakten und statistik, aco-bulletin, 1995.
[12] G. Argenziano, G. Fabbrocini, P. Carli, V. De Giorgi, E. Sammarco, M. Delfino. Epiluminescence microscopy for the diagnosis of doubtful melanocytic skin lesions. JAMA
Dermatology, 1998.
[13] B. Aribisala, E. Claridge. A border irregularity measure using a modified conditional
entropy method as a malignant melanoma predictor. Second International Conference
on Image Analysis and Recognition, 3656:914–921, 2005.
[14] PA. Ascierto, G.Palmieri, E. Celentano, R. Parasole, C. Caracò, A. Daponte, MG. Chiofalo, MT. Melucci, N. Mozzillo, RA. Satriano, G. Castello. Sensitivity and specificity of
epiluminescence microscopy: evaluation on a sample of 2731 excised cutaneous pigmented lesions. the melanoma cooperative study. The British journal of dermatology,
142:893–898, 2000.
[15] J.
Biggs.
Techcrunch:
Does
this
mole
look
weird?
this
app
will
tell
you.
http://techcrunch.com/2012/10/02/
does-this-mole-look-weird-this-app-will-tell--you/, dostep:
˛ 12.02.2014.
[16] C. Bołdak. Cyfrowe przetwarzanie obrazów. http://aragorn.pb.bialystok.pl/
~boldak/DIP/Wyklady.html, dostep:
˛ 12.02.2014.
[17] A. Bono, C. Bartoli, N. Cascinelli, M. Lualdi, A. Maurichi, D. Moglia, G. Tragni G,
S. Tomatis S, R. Marchesini. Melanoma detection. a prospective study comparing
diagnosis with the naked eye, dermatoscopy and telespectrophotometry. Dermatology,
2005:362–326, 2002.
[18] J. Breneman. Towards early-stage malignant melanoma detection using consumer
mobile devices. Stanford Center for Professional Development, Department of Electrical
Engineering, 2006.
[19] J. Chen, R. Stanley, R. Moss, W. Van Stoecker. Color analysis of skin lesion regions for
melanoma discrimination in clinical images. Skin Research and Technology, 9:94–104,
2003.
[20] T. Sang Cho, W. Freeman, H. Tsao. A reliable skin mole localization scheme. IEEE
11th International Conference on Computer Vision, strony 1–8, 2007.
Bibliografia
89
[21] E. Claridge, A. Orun. Modelling of edge profiles in pigmented skin lesions. Proceedings
of Medical Image Understanding and Analysis 2002, strony 53–56, 2002.
[22] E. Claridgea, J. Smitha, P. Hallb. Evaluation of border irregularity in pigmented skin
lesions against a consensus of expert clinicians. Medical Image Understanding and
Analysis, strony 85–88, 1998.
[23] K.M. Clawson, P.J. Morrow, B.W Scotney, D.J. McKenna, O.M Dolan. Determination
of optimal axes for skin lesion asymmetry quantification. IEEE International Conference on Image Processing, 2:453–456, 2007.
[24] W. Cook.
Daily mail: Is that little mole a big problem? ask doctor mole, the smartphone app that checks for signs of skin cancer.
http://www.dailymail.co.uk/sciencetech/article-2212200/
Doctor-Mole-The-smartphone-app-checks-signs-skin-cancer.html, dostep:
˛
12.02.2014.
[25] C. Crutchfield.
Epiluminescence microscopy and dermatoscope: New tools to
evaluate moles. http://www.crutchfielddermatology.com/news_media_press_
moles.asp, dostep:
˛ 1.02.2014.
[26] H. Ganster, A. Pinz, R. Rohrer, E. Wildling, M. Binder, H. Kittler. Automated melanoma
recognition. IEEE Transactions on Medical Imaging,, 2001.
[27] T. Gibara.
Symmetry Detection Algorithm.
http://tomgibara.com/
computer-vision/symmetry-detection-algorithm, dostep:
˛ 12.02.2014.
[28] R. Gonzales, R. Woods. Digital Image Processing (3rd Edition). Pearson Prentice Hall,
2008.
[29] A. Green, N. Martin, G. McKenzie, J. Pfitzner, F. Quintarelli, B. W. Thomas,
M. O’Rourke, N. Knight. Computer image analysis of pigmented skin lesions. Melanoma Research, 1:231–236, 1991.
[30] L. Hood, D. Galas. P4 medicine: Personalized, predictive, preventive, participatory –
a change of view that changes everything. Computing Research Association Papers,
2008.
[31] Intel Corporation, Willow Garage, Itseez. Dokumentacja OpenCV. http://docs.
opencv.org/, dostep:
˛ 12.02.2014.
[32] M. Jones, J. Rehg. Statistical color models with application to skin detection. IEEE
Computer Society Conference on Computer Vision and Pattern Recognition, 1:274–280,
1999.
[33] A. Kopf, R. Friedman, D. Rigel. Early detection of malignant melanoma: The role
of physician examination and self-examination of the skin. CA: a cancer journal for
clinicians, 35:130–151, 1985.
[34] D. Kraft. Przyszłość medycyny? jest na to aplikacja., 2011. http://www.ted.com/
talks/daniel_kraft_medicine_s_future.html, dostep:
˛ 12.02.2014.
[35] K.Wolff, H. Pehamberger. Malignes melanom: Füherkennung und prognose. Wiener
klinischeWochenschrift, 97(10):451–455, 1985.
[36] T. Lee, D. McLean, M. Atkins. Irregularity index: A new border irregularity measure
for cutaneous melanocytic lesions. Medical Image Analysis, 7:47–64, 2003.
[37] G. Di Leo, G. Fabbrocini, C. Liguori, A. Pietrosanto, M. Scalvenzi. ELM image processing for melanocytic skin lesion based on 7-point checklist: a preliminary discussion.
Proceedings of the 13th IMEKO TC-4 Symposium, 2004.
[38] H.G. Liddell, R. Scott. A greek-english lexicon. http://www.perseus.tufts.
edu/hopper/text?doc=Perseus%3Atext%3A1999.04.0057%3Aentry%3Dde%2Frma,
dostep:
˛ 12.02.2014.
[39] M. Mete, N. Sirakov. Lesion detection in dermoscopy images with novel density-based
and active contour approaches. BMC Bioinformatics, 11, 2010.
[40] T. Moore, C. Roberts, A. Murray, I. Helbling, A. Herrick. Reliability of dermoscopy
in the assessment of patients with raynaud’s phenomenon. Rheumatology (Oxford),
49:542–547, 2010.
[41] NCI. National Cancer Institute at the National Institutes of Health (ang. Narodowe Instytuty Zdrowia), USA. http://www.cancer.gov/statistics, dostep:
˛ 12.02.2014.
Bibliografia
90
[42] Atlas of Dermoscopy Encyclopedia of Visual Medicine Series. A. Marghoob and R.
Braun and A. Kopf. Informa Healthcare, 2005.
[43] H. Pehamberger, A. Steiner, K. Wolff. In vivo epiluminescence microscopy of pigmented
skin lesions. i. pattern analysis of pigmented skin lesions. Journal of the American
Academy of Dermatology, 17(4):571–583, 1987.
[44] R. Pluta. Melanoma. The Journal of the American Medical Association, 305:2368,
2011.
[45] S. Reistad-Long.
The atlantic: Diagnosing skin cancer via iphone: The
apps to know.
http://www.theatlantic.com/health/archive/2012/09/
diagnosing-skin-cancer-via-iphone-the-apps-to-know/262325/,
dostep:
˛
12.02.2014.
[46] P. Schmid-Saugeon, J. Guillod, J.P. Thiran. Towards a computer-aided diagnosis
system for pigmented skin lesions. Computerized Medical Imaging and Graphics, 2003.
[47] N. Sirakov. A new active convex hull model for image regions. Journal of Mathematical
Imaging and Vision, 26:309–325, 2006.
[48] N. Sirakov, K. Ushkala. An integral active contour model for convex hull and boundary extraction. Advances in Visual Computing – Lecture Notes in Computer Science,
5876:1031–1040, 2009.
[49] N.M. Sirakov, M. Mete, N.S. Chakrader. Automatic boundary detection and symmetry
calculation in dermoscopy images of skin lesions. 18th IEEE International Conference
on Image Processing, strony 1605–1608, 2011.
[50] A. Szczeklik. Choroby wewnetrzne.
˛
Przyczyny, rozpoznanie i leczenie, wolumen 1.
Wydawnictwo Medycyna Praktyczna, 2005.
[51] R. Tadeusiewicz, P. Korohoda. Komputerowa analiza i przetwarzanie obrazów. Wydawnictwo Fundacji Postepu
˛
Telekomunikacji, 1997.
[52] S.E. Umbaugh, R.H. Moss, W.V. Stoecker, G.A. Hance. Automatic color segmentation
algorithms-with application to skin tumor feature identification. IEEE Engineering in
Medicine and Biology Magazine, 1993.
[53] ME. Vestergaard, P. Macaskill, PE. Holt, SW. Menzies. Dermoscopy compared with
naked eye examination for the diagnosis of primary melanoma: a meta-analysis of studies performed in a clinical setting. The British journal of dermatology, 159:669–676,
2008.
[54] K. Weismann, H. Lorentzen, C. Sand. Dermoscopy. LEO Pharma, 2005.
[55] Z. Zhang, W. Stoecker, R. Moss. Border detection on digitized skin tumor images.
IEEE transactions on medical imaging, 19:1128–1143, 2000.

Analiza asymetrii, nieregularnosci przebiegu kraw˛edzi i zmian

Transkrypt

Podobne dokumenty

To nie jest gra planszowa! - Związek Pracodawców Gospodarki

KANGUR 2015

wyklad 1