Segmentação Baseada Em Superpixels Para Avaliar Os Impactos Da Supervisão Na Segmentação De Lesões Melanocíticas Em Imagens Macroscópicas

• Mauricio S. Ferreira UNIPAMPA
• Eliezer Soares Flores UNIPAMPA

DOI: https://doi.org/10.5753/sbcas_estendido.2023.229706

Resumo

O melanoma é um câncer de pele que pode ser extremamente agressivo em seus estágios finais, podendo, em alguns casos, desenvolver metástase. Por isso, propostas para aperfeiçoar o uso de sistemas computacionais, neste contexto, vêm sendo amplamente investigadas. No presente trabalho, investigou-se duas variações, uma supervisionada e outra não supervisionada, de um método para a segmentação de imagens macroscópicas de lesões melanocíticas. Antes da segmentação propriamente dita, a imagem de entrada é préprocessada, em seguida, é representada por superpixels. Subsequentemente, um algoritmo de aglomeração é alimentado com os dados extraídos e, particiona em dois grupos: às regiões de lesão (foreground) e não lesão (background).

Referências

Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., and Süsstrunk, S. (2012). Slic superpixels compared to state-of-the-art superpixel methods. IEEE Transactions on Pattern Analysis and Machine Intelligence, 34(11):2274–2282.

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.

Bernart, E., Flores, E. S., and Scharcanski, J. (2019). Macroscopic pigmented skin lesion prescreening. In Narayan, R., editor, Encyclopedia of Biomedical Engineering, volume 2, pages 561–573. Elsevier.

Bissoto, A., Fornaciali, M., Valle, E., and Avila, S. (2019). (de) constructing bias on skin lesion datasets. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), pages 2766–2774.

Cavalcanti, P. G., Scharcanski, J., and Lopes, C. B. (2010). Shading attenuation in human skin color images. In Proceedings of the International Symposium on Visual Computing (ISVC), pages 190–198.

Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., and Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. nature, 542(7639):115–118.

Flores, E. and Scharcanski, J. (2016). Segmentation of melanocytic skin lesions using feature learning and dictionaries. Expert Systems with Applications, 56:300–309.

Glaister, J., Wong, A., and Clausi, D. A. (2014). Segmentation of skin lesions from digital images using joint statistical texture distinctiveness. IEEE Transactions on Biomedical Engineering, 61(4):1220–1230.

Hasan, M. K., Dahal, L., Samarakoon, P. N., Tushar, F. I., and Martí, R. (2020). DSNet: Automatic dermoscopic skin lesion segmentation. Computers in Biology and Medicine, 120:103738.

Nasr-Esfahani, E., Samavi, S., Karimi, N., Soroushmehr, S. M. R., Jafari, M. H., Ward, K., and Najarian, K. (2016). Melanoma detection by analysis of clinical images using convolutional neural network. In International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pages 1373–1376.

University of Waterloo (2013). Skin cancer detection. Disponível em: [link]. Último acesso em: 13 mar. 2023.

Zortea, M., Flores, E., and Scharcanski, J. (2017). A simple weighted thresholding method for the segmentation of pigmented skin lesions in macroscopic images. Pattern Recognition, 64:92–104.