Estudo Comparativo para Segmentação de Melanoma em Imagens de Lesões de Pele
Resumo
Dentre os cânceres de pele, o melanoma é o principal causador de fatalidades e vem aumentando sua incidência pelo mundo, sendo fundamental a descoberta da patologia nas fases iniciais para aumentar as chances de cura. Métodos computacionais estão sendo desenvolvidos para facilitar a sua detecção através de imagens médicas. Para interpretar informações nessas imagens de forma eficiente é necessário isolar a região com lesão. Nesta pesquisa realizou-se uma comparação entre técnicas de segmentação. A princı́pio, foi desenvolvido um método baseado no algoritmo de Otsu e outro baseado em aprendizagem profunda U-net. Os testes realizados na base de imagens PH2 tiveram resultados promissores, com destaque para a U-net.
Referências
Ahn, E., Kim, J., Bi, L., Kumar, A., Li, C., Fulham, M., and Feng, D. D. (2017). Saliency-based lesion segmentation via background detection in dermoscopic images. IEEE journal of biomedical and health informatics, 21(6):1685–1693.
Bi, L., Kim, J., Ahn, E., Feng, D., and Fulham, M. (2016). Automated skin lesion segmentation via image-wise supervised learning and multi-scale superpixel based cellular automata. In 2016 IEEE 13th International Symposium on Biomedical Imaging (ISBI), pages 1059–1062. IEEE.
Fan, H., Xie, F., Li, Y., Jiang, Z., and Liu, J. (2017). Automatic segmentation of dermoscopy images using saliency combined with otsu threshold. Computers in biology and
medicine, 85:75–85.
Ginsberg, J. R. and Young, T. P. (1992). Measuring association between individuals or groups in behavioural studies. Animal Behaviour, 44(1):377–379.
IARC (2018). Latest global cancer data: Cancer burden rises to 18.1 million new cases and 9.6 million cancer deaths in 2018. International Agency for Research on Cancer.
Inca (2019). Instituto Nacional do Câncer. http://www1.inca.gov.br. Online; acessado 02 de Setembro 2019.
Mendonca, T., Celebi, M., Mendonca, T., and Marques, J. (2015). Ph2: A public database for the analysis of dermoscopic images. In Dermoscopy image analysis. CRC Press.
Pedrini, H. and Schwartz, W. R. (2008). Análise de imagens digitais: princı́pios, algoritmos e aplicações. Thomson Learning.
Peng, Y., Wang, N., Wang, Y., and Wang, M. (2019). Segmentation of dermoscopy image using adversarial networks. Multimedia Tools and Applications, 78(8):10965–10981.
Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention, pages 234–241. Springer.
Tang, P., Liang, Q., Yan, X., Xiang, S., Sun, W., Zhang, D., and Coppola, G. (2019). Efficient skin lesion segmentation using separable-unet with stochastic weight averaging. Computer methods and programs in biomedicine, 178:289–301.
WHO (2019). Wold Health Organization. http://www.who.int/uv/faq/skincancer/en/index1.html. Online; Acesso em: 02 de Setembro 2019.
Bi, L., Kim, J., Ahn, E., Feng, D., and Fulham, M. (2016). Automated skin lesion segmentation via image-wise supervised learning and multi-scale superpixel based cellular automata. In 2016 IEEE 13th International Symposium on Biomedical Imaging (ISBI), pages 1059–1062. IEEE.
Fan, H., Xie, F., Li, Y., Jiang, Z., and Liu, J. (2017). Automatic segmentation of dermoscopy images using saliency combined with otsu threshold. Computers in biology and
medicine, 85:75–85.
Ginsberg, J. R. and Young, T. P. (1992). Measuring association between individuals or groups in behavioural studies. Animal Behaviour, 44(1):377–379.
IARC (2018). Latest global cancer data: Cancer burden rises to 18.1 million new cases and 9.6 million cancer deaths in 2018. International Agency for Research on Cancer.
Inca (2019). Instituto Nacional do Câncer. http://www1.inca.gov.br. Online; acessado 02 de Setembro 2019.
Mendonca, T., Celebi, M., Mendonca, T., and Marques, J. (2015). Ph2: A public database for the analysis of dermoscopic images. In Dermoscopy image analysis. CRC Press.
Pedrini, H. and Schwartz, W. R. (2008). Análise de imagens digitais: princı́pios, algoritmos e aplicações. Thomson Learning.
Peng, Y., Wang, N., Wang, Y., and Wang, M. (2019). Segmentation of dermoscopy image using adversarial networks. Multimedia Tools and Applications, 78(8):10965–10981.
Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention, pages 234–241. Springer.
Tang, P., Liang, Q., Yan, X., Xiang, S., Sun, W., Zhang, D., and Coppola, G. (2019). Efficient skin lesion segmentation using separable-unet with stochastic weight averaging. Computer methods and programs in biomedicine, 178:289–301.
WHO (2019). Wold Health Organization. http://www.who.int/uv/faq/skincancer/en/index1.html. Online; Acesso em: 02 de Setembro 2019.
Publicado
26/12/2019
Como Citar
ARAÚJO, Rafael Luz; V. E SILVA, Romuere R.; FERREIRA, Jonnison Lima; CARVALHO, Nonato R. de S. .
Estudo Comparativo para Segmentação de Melanoma em Imagens de Lesões de Pele. In: ESCOLA REGIONAL DE COMPUTAÇÃO APLICADA À SAÚDE (ERCAS), 7. , 2019, Teresina.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 294-299.
