Segmentação de Lesões de Pele Utilizando Algoritmos de Aprendizagem Profunda
Resumo
Dentre os cânceres de pele, o melanoma o mais grave e mais frequente no Brasil. Além disso, sua incidência está aumentando cada vez mais pelo mundo, assim mostrando a importância dos sistemas de detecção do câncer através de imagens médicas para a obtenção de um diagnóstico mais rápido. Uma das etapas é a segmentação, que trata do isolamento da região lesionada. Nesta pesquisa realizou-se a aplicação das técnicas de pós-processamento limiar de Otsu, fechamento de regiões e remoção de pequenas regiões para melhorar o resultado com algoritmos baseados em aprendizagem profunda U-Net. Com a utilização das bases PH2 e ISIC 2018, foram obtidos 0,9482 e 0,7729 de valores de Dice, respectivamente.
Referências
Abraham, N. and Khan, N. M. (2018). A novel focal tversky loss function with improved attention U-Net for lesion segmentation.
Al-masni, M. A., Al-antari, M. A., Choi, M.-T., Han, S.-M., and Kim, T.-S. (2018). Skin lesion segmentation in dermoscopy images via deep full resolution convolutional networks. Computer Methods and Programs in Biomedicine, 162:221 – 231.
Amin, J., Sharif, A., Gul, N., Anjum, M. A., Nisar, M. W., Azam, F., and Bukhari, S. A. C. (2020). Integrated design of deep features fusion for localization and classification of skin cancer. Pattern Recognition Letters, 131:63 – 70.
Araujo, R., e Silva, R. V., Ferreira, J., and Carvalho, N. (2019). Es- tudo comparativo para segmentação de melanoma em imagens de lesõesde pele. In Anais da VII Escola Regional de Computação Aplicada a Saúde , pages 294–299, Porto Alegre, RS, Brasil. SBC.
Bi, L., Kim, J., Ahn, E., Kumar, A., Feng, D., and Fulham, M. (2019). Step-wise integration of deep class-specific learning for dermoscopic image segmentation. Pattern Recognition, 85:78 – 89.
Cicerone, M. T. and Camp, C. H. (2019). 21 - potential roles for spectroscopic coherent raman imaging for histopathology and biomedicine. In Alfano, R. R. and Shi, L., editors, Neurophotonics and Biomedical Spectroscopy, Nanophotonics, pages 547 – 570. Elsevier.
Codella, N., Rotemberg, V., Tschandl, P., Celebi, M. E., Dusza, S., Gutman, D., Helba, B., Kalloo, A., Liopyris, K., Marchetti, M., Kittler, H., and Halpern, A. (2019). Skin lesion analysis toward melanoma detection 2018: A challenge hosted by the international skin imaging collaboration (ISIC).
Cohen, J. (1968). Weighted kappa: nominal scale agreement provision for scaled disagreement or partial credit. Psychological bulletin, 70(4):213.
Goyal, M., Oakley, A., Bansal, P., Dancey, D., and Yap, M. H. (2020). Skin lesion segmentation in dermoscopic images with ensemble deep learning methods. IEEE Access, 8:4171–4181.
Guo, X., Chen, Z., and Yuan, Y. (2020). Complementary network with adaptive receptive fields for melanoma segmentation.
IEEE. 12o simposio internacional ieee de 2015 em imagem biomédica
(ISBI). Disponível em https://ieeexplore.ieee.org/xpl/conhome/ 7150573/proceeding. Acesso em 30 de março de 2020.
Inca. Atlas on-line de mortalidade. Disponível em https://www.inca. gov.br/app/mortalidade. Acesso em 28 de junho 2020.
Inca. Cancer de pele melanoma. Disponível em https://www.inca. gov.br/tipos-de-cancer/cancer-de-pele-melanoma. Acesso em 10 de março de 2020.
International Skin Imaging Collaboration. ISIC 2018: Skin lesion analysis towards melanoma detection. Disponível em https: //challenge2018.isic-archive.com/. Acesso em 10 de março de 2020.
ISIC. Welcome to ISIC. Disponível em https://www.isic-archive. com/#!/topWithHeader/wideContentTop/main. Acesso em 30 de março de 2020.
Keras. Usage of optimizers. Disponível em https://keras.io/ optimizers/. Acesso em 12 de abril de 2020.
Kim, J. U., Kim, H. G., and Ro, Y. M. (2017). Iterative deep convolutional encoder-decoder network for medical image segmentation. In 2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pages 685–688.
Lin, T., Goyal, P., Girshick, R., He, K., and Dollar, P. (2020). Focal loss for dense object detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(2):318–327.
Long, J., Shelhamer, E., and Darrell, T. (2015). Fully convolutional networks for semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 3431–3440.
Mendonça, T., Ferreira, P., Marques, J., Marçal, A., and Rozeira, J. (2013). Ph2 - a dermoscopic image database for research and benchmarking. Conference proceedings:2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Conference, 2013:5437–5440.
Ministerio da Saúde. Cancer de pele: o que e, causas, sin- tomas, tratamento e prevenção. Disponível em https://saúde.gov.br/ saúde-de-a-z/cancer-de-pele. Acesso em 10 de março de 2020.
Nazi, Z. A. and Abir, T. A. (2020). Automatic skin lesion segmentation and melanoma detection: Transfer learning approach with U-Net and dcnn-svm. In Uddin, M. S. and Bansal, J. C., editors, Proceedings of International Joint Conference on Computational Intelligence, pages 371–381, Singapore. Springer Singapore.
Provost, F. and Kohavi, R. (1998). Glossary of terms. Journal of Machine Learning, 30(2-3):271–274.
Ronneberger, O., Fischer, P., and Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation.
Staal, J., Abramoff, M. D., Niemeijer, M., Viergever, M. A., and van Ginneken, B. (2004). Ridge-based vessel segmentation in color images of the retina. IEEE Transactions on Medical Imaging, 23(4):501–509.
Suk, H.-I., Liu, M., Yan, P., and Lian, C. (2019). Machine Learning in Medical Imaging: 10th International Workshop, MLMI 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 13, 2019, Proceedings, volume 11861. Springer Nature.
Universidade do Porto. Ph2 database. Disponível em https: //www.fc.up.pt/addi/ph2%20database.html. Acesso em 10 de março de 2020.
van Erkel, A. R. and Pattynama, P. M. (1998). Receiver operating characteristic (roc) analysis: Basic principles and applications in radiology. European Journal of Radiology, 27(2):88 – 94.
Zhang, N., Cai, Y.-X., Wang, Y.-Y., Tian, Y.-T., Wang, X.-L., and Badami, B. (2020). Skin cancer diagnosis based on optimized convolutional neural network. Artificial Intelligence in Medicine, 102:101756.
Al-masni, M. A., Al-antari, M. A., Choi, M.-T., Han, S.-M., and Kim, T.-S. (2018). Skin lesion segmentation in dermoscopy images via deep full resolution convolutional networks. Computer Methods and Programs in Biomedicine, 162:221 – 231.
Amin, J., Sharif, A., Gul, N., Anjum, M. A., Nisar, M. W., Azam, F., and Bukhari, S. A. C. (2020). Integrated design of deep features fusion for localization and classification of skin cancer. Pattern Recognition Letters, 131:63 – 70.
Araujo, R., e Silva, R. V., Ferreira, J., and Carvalho, N. (2019). Es- tudo comparativo para segmentação de melanoma em imagens de lesõesde pele. In Anais da VII Escola Regional de Computação Aplicada a Saúde , pages 294–299, Porto Alegre, RS, Brasil. SBC.
Bi, L., Kim, J., Ahn, E., Kumar, A., Feng, D., and Fulham, M. (2019). Step-wise integration of deep class-specific learning for dermoscopic image segmentation. Pattern Recognition, 85:78 – 89.
Cicerone, M. T. and Camp, C. H. (2019). 21 - potential roles for spectroscopic coherent raman imaging for histopathology and biomedicine. In Alfano, R. R. and Shi, L., editors, Neurophotonics and Biomedical Spectroscopy, Nanophotonics, pages 547 – 570. Elsevier.
Codella, N., Rotemberg, V., Tschandl, P., Celebi, M. E., Dusza, S., Gutman, D., Helba, B., Kalloo, A., Liopyris, K., Marchetti, M., Kittler, H., and Halpern, A. (2019). Skin lesion analysis toward melanoma detection 2018: A challenge hosted by the international skin imaging collaboration (ISIC).
Cohen, J. (1968). Weighted kappa: nominal scale agreement provision for scaled disagreement or partial credit. Psychological bulletin, 70(4):213.
Goyal, M., Oakley, A., Bansal, P., Dancey, D., and Yap, M. H. (2020). Skin lesion segmentation in dermoscopic images with ensemble deep learning methods. IEEE Access, 8:4171–4181.
Guo, X., Chen, Z., and Yuan, Y. (2020). Complementary network with adaptive receptive fields for melanoma segmentation.
IEEE. 12o simposio internacional ieee de 2015 em imagem biomédica
(ISBI). Disponível em https://ieeexplore.ieee.org/xpl/conhome/ 7150573/proceeding. Acesso em 30 de março de 2020.
Inca. Atlas on-line de mortalidade. Disponível em https://www.inca. gov.br/app/mortalidade. Acesso em 28 de junho 2020.
Inca. Cancer de pele melanoma. Disponível em https://www.inca. gov.br/tipos-de-cancer/cancer-de-pele-melanoma. Acesso em 10 de março de 2020.
International Skin Imaging Collaboration. ISIC 2018: Skin lesion analysis towards melanoma detection. Disponível em https: //challenge2018.isic-archive.com/. Acesso em 10 de março de 2020.
ISIC. Welcome to ISIC. Disponível em https://www.isic-archive. com/#!/topWithHeader/wideContentTop/main. Acesso em 30 de março de 2020.
Keras. Usage of optimizers. Disponível em https://keras.io/ optimizers/. Acesso em 12 de abril de 2020.
Kim, J. U., Kim, H. G., and Ro, Y. M. (2017). Iterative deep convolutional encoder-decoder network for medical image segmentation. In 2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pages 685–688.
Lin, T., Goyal, P., Girshick, R., He, K., and Dollar, P. (2020). Focal loss for dense object detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(2):318–327.
Long, J., Shelhamer, E., and Darrell, T. (2015). Fully convolutional networks for semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 3431–3440.
Mendonça, T., Ferreira, P., Marques, J., Marçal, A., and Rozeira, J. (2013). Ph2 - a dermoscopic image database for research and benchmarking. Conference proceedings:2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Conference, 2013:5437–5440.
Ministerio da Saúde. Cancer de pele: o que e, causas, sin- tomas, tratamento e prevenção. Disponível em https://saúde.gov.br/ saúde-de-a-z/cancer-de-pele. Acesso em 10 de março de 2020.
Nazi, Z. A. and Abir, T. A. (2020). Automatic skin lesion segmentation and melanoma detection: Transfer learning approach with U-Net and dcnn-svm. In Uddin, M. S. and Bansal, J. C., editors, Proceedings of International Joint Conference on Computational Intelligence, pages 371–381, Singapore. Springer Singapore.
Provost, F. and Kohavi, R. (1998). Glossary of terms. Journal of Machine Learning, 30(2-3):271–274.
Ronneberger, O., Fischer, P., and Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation.
Staal, J., Abramoff, M. D., Niemeijer, M., Viergever, M. A., and van Ginneken, B. (2004). Ridge-based vessel segmentation in color images of the retina. IEEE Transactions on Medical Imaging, 23(4):501–509.
Suk, H.-I., Liu, M., Yan, P., and Lian, C. (2019). Machine Learning in Medical Imaging: 10th International Workshop, MLMI 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 13, 2019, Proceedings, volume 11861. Springer Nature.
Universidade do Porto. Ph2 database. Disponível em https: //www.fc.up.pt/addi/ph2%20database.html. Acesso em 10 de março de 2020.
van Erkel, A. R. and Pattynama, P. M. (1998). Receiver operating characteristic (roc) analysis: Basic principles and applications in radiology. European Journal of Radiology, 27(2):88 – 94.
Zhang, N., Cai, Y.-X., Wang, Y.-Y., Tian, Y.-T., Wang, X.-L., and Badami, B. (2020). Skin cancer diagnosis based on optimized convolutional neural network. Artificial Intelligence in Medicine, 102:101756.
Publicado
15/09/2020
Como Citar
SOUZA, Lucas; LELIS, Samuel; SILVA, Romuere.
Segmentação de Lesões de Pele Utilizando Algoritmos de Aprendizagem Profunda. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 20. , 2020, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 344-355.
ISSN 2763-8952.
DOI: https://doi.org/10.5753/sbcas.2020.11526.
