Classificação de Lesões de Pele Utilizando Atributos de Cor e Textura

  • Nayara de Moura UFPI
  • Gabriel Moura UFPI
  • Romuere V. e Silva UFPI
  • Emerson Silva UFPI
  • Rodrigo Veras UFPI

Resumo


Ao longo das últimas três décadas, mais pessoas tiveram câncer de pele do que todos os outros tipos de câncer combinados. No entanto, ela é uma doença que tem cura se diagnosticada logo no início. Assim, este trabalho propõe uma análise das componentes do modelo de cores HSV para cor e textura na extração de características. Essa extração é feita através da interpretação de imagens médicas de lesões de pele. O objetivo é promover uma classificação com uma menor taxa de erro. Nos testes foram utilizados três classificadores: Máquina de Vetor de Suporte, MultiLayer Perceptron e Random Forest. Os resultados experimentais obtidos foram satisfatórios, atingindo uma acurácia de 0.9250 e um índice Kappa de 0.7541.

Referências

American Cancer Society (2015) “Cancer facts & figures 2015”, http://www.cancer.org/acs/groups/content/@editorial/documents/document/acspc-044552.pdf, abril.

Araújo, A. F. et al. (2012) “Análise e Caracterização de Lesões de Pele para Auxílio ao Diagnóstico Médico”. In Neves, L. A. P., Neto, H. V. e Gonzaga, A. (Eds.). Avanços em Visão Computacional. Paraná: omnipax. p. 27-46.

Baraldi, A. e Parmiggiani, F. (1995) “An investigation of the textural characteristics associated with gray level cooccurrence matrix statistical parameters”. Geoscience and Remote Sensing, IEEE Transactions on, v. 33, n. 2, p. 293-304.

Breiman, L. (2001) “Random forests”. Machine Learning, v. 45, n. 1, p. 5-32.

Camara, G. et al. (1996) “SPRING: Integrating remote sensing and GIS by object-oriented data modelling”. Computers & Graphics, v. 20, n. 3, p. 395-403.

Cavalcanti, P. G., Scharcanski, J. e Baranoski, G. V. G. (2013) “A two-stage approach for discriminating melanocytic skin lesions using standard cameras”. Expert Systems with Applications, v. 40, n. 10, p. 4054-4064.

Gonzalez, R. C. e Woods, R. E. (2010) “Processamento Digital de Imagens”. 3ª ed. São Paulo: Pearson Prentice Hall, 640 p.

Haralick, R., Shanmugam, K. e Dinstein, I. (1973) “Textural features for image classification”. Systems, Man and Cybernetics, IEEE Transactions on, n. 6, p. 610-621.

Haykin, S. (2008) “Neural Networks and Learning Machines”. 3ª ed. New Jersey: Prentice Hall, 936 p.

Mendonça, T. et al. (2013) “PH² - A dermoscopic image database for research and benchmarking”. In Engineering in Medicine and Biology Society (EMBC). 35th Annual International Conference of the IEEE. Osaka, Japan, p. 5437-5440.

Parolin, A., Herzer, E. e Jung C. R. (2010) “Semi-automated diagnosis of melanoma through the analysis of dermatological images”. In Graphics, Patterns and Images (SIBGRAPI), 2010 23rd SIBGRAPI Conference on. IEEE, p. 71–78.

Rosenfield, G. H. e Fitzpatrick-lins, K. A. (1986) “A coefficient of agreement as a measure of thematic classification accuracy”. Photogrammetric Engineering and Remote Sensing, v. 52, p. 223-227.

Skin Cancer Foundation (2015) “Skin cancer facts”, http://www.skincancer.org/skin-cancer-information/skin-cancer-facts#melanoma, abril.

Soares, H. B. (2008) “Análise e classificação de imagens de lesões da pele por atributos de cor, forma e textura utilizando máquina de vetor de suporte”. 180 f. Tese (Doutorado em Engenharia Elétrica) – Universidade Federal do Rio Grande do Norte.

World Health Organization (2015) “How common is skin cancer?”, http://www.who.int/uv/faq/skincancer/en/index1.html, abril.
Publicado
20/07/2015
DE MOURA, Nayara; MOURA, Gabriel; V. E SILVA, Romuere; SILVA, Emerson; VERAS, Rodrigo. Classificação de Lesões de Pele Utilizando Atributos de Cor e Textura. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 15. , 2015, Recife. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2015 . p. 181-188. ISSN 2763-8952. DOI: https://doi.org/10.5753/sbcas.2015.10378.