Analiza asymetrii, nieregularnosci przebiegu kraw˛edzi i zmian
Transkrypt
Analiza asymetrii, nieregularnosci przebiegu kraw˛edzi i zmian
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 . . . . . . . . . . . . . . . . . . . . . 5.2.4. Wyszarzenie bazujace ˛ 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 1.2. Cele i założenia 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. 1.2. Cele i założenia 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. 2.5. Kryterium „ELM 7 point checklist” 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 2.5. Kryterium „ELM 7 point checklist” 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 3.1. Aplikacje mobilne 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 3.1. Aplikacje mobilne (a) Wykonywanie fotografii (b) Zestawienie wpływu czynników klasyfikacji (c) Zestawienie poprzednich wyników (d) Podglad ˛ procesu analizy Rysunek 3.1. Aplikacja Doctor Mole. 16 3.1. Aplikacje mobilne (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˛ 4. O roli aplikacji osobistych w medycynie 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. 4. O roli aplikacji osobistych w medycynie 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. 4. O roli aplikacji osobistych w medycynie 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 4. O roli aplikacji osobistych w medycynie 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. 5.1. Rozmywanie obrazu 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 5.1. Rozmywanie obrazu 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 5.1. Rozmywanie obrazu (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 5.1. Rozmywanie obrazu Wyniki porównujace ˛ zmiane˛ stopnia rozmycia i wpływ na zachowanie informacji w obrazie w zależności od rozmiaru maski filtra medianowego przedstawiono na rysunku 5.3. (a) Obraz wejściowy (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) 5.2.3. Wyszarzenie bazujace ˛ 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. 5.2.4. Wyszarzenie bazujace ˛ 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 sumRed + sumGreen + sumBlue sumBlue sumRed + 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. (a) Obraz wejściowy (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 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 5.3. Segmentacja obrazu 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 5.3. Segmentacja obrazu 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. Segmentacja obrazu 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 5.3. Segmentacja obrazu 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 5.3. Segmentacja obrazu 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 5.4. Wyznaczanie środka cieżko ˛ 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% 5.4. Wyznaczanie środka cieżko ˛ 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 5.4. Wyznaczanie środka cieżko ˛ 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 5.4. Wyznaczanie środka cieżko ˛ ści znamienia Rysunek 5.10. Rozkład jasności fotografii znamienia. Rysunek 5.11. Wykres średniej luminancji w kolumnach/wierszach 47 48 5.4. Wyznaczanie środka cieżko ˛ 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. 5.4. Wyznaczanie środka cieżko ˛ 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. 5.4. Wyznaczanie środka cieżko ˛ 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 5.4. Wyznaczanie środka cieżko ˛ 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 5.4. Wyznaczanie środka cieżko ˛ 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 5.5. Analiza symetrii 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 5.5. Analiza symetrii (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 5.5. Analiza symetrii (a) Czerniak złośliwy (b) Rozprzestrzeniajacy ˛ si˛e powierzchownie czerniak złośliwy (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 5.5. Analiza symetrii 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 5.5. Analiza symetrii 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. 5.5. Analiza symetrii 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 5.5. Analiza symetrii 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 5.5. Analiza symetrii 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 5.5. Analiza symetrii 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% Niezgodność diagnozy Niezgodność diagnozy Asymetryczność 7o 7% Niezgodność diagnozy 6o 6% Niezgodność diagnozy 80o 88% 4o 4% 44o 48% 16o 17% Niezgodność diagnozy Niezgodność diagnozy Niezgodność diagnozy 66o 73% Niezgodność diagnozy 2o 2% 4o 4% 84o 93% 13o 14% 12o 13% 2o 2% 1o 1% o 1 1% 0o 0% Niezgodność diagnozy Niezgodność diagnozy 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% Niezgodność diagnozy 0o 0% 39o 43% 12o 13% 10o 11% 23o 25% 0o 0% 59o 65% Niezgodność diagnozy 4o 4% Asymetryczność 7o 7% Niezgodność diagnozy 6o 6% Niezgodność diagnozy 78o 86% 1o 1% 34o 37% 19o 21% Niezgodność diagnozy Niezgodność diagnozy 3o 3% 69o 76% Niezgodność diagnozy 76o 84% 8o 8% 73o 81% 6o 6% 9o 10% 3o 3% 79o 87% 3o 3% 42o 46% Niezgodność diagnozy 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. Analiza przebiegu krawedzi ˛ 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 5.6. Analiza przebiegu krawedzi ˛ (a) Znami˛e melanocytowe (b) Analiza symetrii znamienia melanocytowego (c) Rozprzestrzeniajacy ˛ si˛e powierzchownie czerniak złośliwy (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 5.6. Analiza przebiegu krawedzi ˛ 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 5.6. Analiza przebiegu krawedzi ˛ 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: 5.6. Analiza przebiegu krawedzi ˛ 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 5.6. Analiza przebiegu krawedzi ˛ 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 5.6. Analiza przebiegu krawedzi ˛ 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 (c) Rozprzestrzeniajacy ˛ si˛e powierzchownie czerniak złośliwy (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 Seborrheic keratosis1 Seborrheic keratosis2 Skin lesion Superficial spreading malignant Superficial spreading malignant Superficial spreading malignant Superficial spreading malignant Superficial spreading malignant 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. 6.2. Testy jakości klasyfikacji 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 6.2. Testy jakości klasyfikacji (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 6.2. Testy jakości klasyfikacji 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 6.2. Testy jakości klasyfikacji 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 6.2. Testy jakości klasyfikacji 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. B.2. Podział projektu 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. B.2. Podział projektu 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. [8] Strona producenta urzadzenia ˛ FotoFinder handyscope. http://www.fotofinder. de/produkte/handyscope/, dostep: ˛ 12.02.2014. [9] Strona producenta urzadzenia ˛ 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.