Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Software para detecção de Melanoma

Software para detecção de Melanoma

Software para detecção de Melanoma - Semana Acadêmica FURB 2013 - Ciência da Computação

thiagopradi

April 10, 2013
Tweet

More Decks by thiagopradi

Other Decks in Technology

Transcript

  1. Software para detecção de melanoma para iOS Aluno: Thiago Pradi

    Orientador: Aurélio Faustino Hoppe Thursday, April 11, 13
  2. Thiago Pradi • Desenvolvedor Líder na MetaFiscal • Trabalha com

    Web/Ruby a 5 Anos • Contribuidor da comunidade Ruby • Graduado em Ciência da Computação pela FURB Thursday, April 11, 13
  3. Motivação • Câncer - problema de saúde pública mundial •

    Cânceres de pele tiveram um crescimento no número de casos de 113% entre 2001 e 2006 • Blumenau possui a terceira maior incidência mundial de câncer de pele Thursday, April 11, 13
  4. Melanoma • Tipo mais perigoso de câncer de pele •

    Responsável 75% das mortes por câncer de pele • Alto risco de metastização • Quando diagnosticado precoce, as chances de cura são altas Thursday, April 11, 13
  5. Diagnóstico • O diagnóstico inicial do melanoma é efetuado pelo

    dermatologista, através de uma análise visual da lesão • Utilização de diversas regras dermatológicas • Sistemas para auxílio do diagnóstico são eficazes e diminuem o número de biopsias Thursday, April 11, 13
  6. Regra ABCD • Criada por Nachbar et al. (1994) para

    simplificar os diagnósticos de melanoma • Utiliza 4 critérios principais para diagnóstico da lesão: assimetria, bordas irregulares, cores e estruturas diferenciais • Algumas pesquisas utilizam diâmetro ao invés de estruturas diferenciais Thursday, April 11, 13
  7. DPV • DPV é a sigla para Dermatologic Point Value

    • Criado por Nachbar et al. (1994), atribuindo um score baseado na regra ABCD a cada lesão • Cada critério tem seus pontos e valoração, sendo que sua somatória é cosiderada como o DPV da lesão Thursday, April 11, 13
  8. Assimetria Pontos possíveis Peso 0-2 1,3 Assimetria é verificada nos

    dois eixos da lesão. Para cada um dos eixos em que a assimetria é encontrada, um ponto é adicionado. Thursday, April 11, 13
  9. Bordas Irregulares Pontos possíveis Peso 0-8 0,1 A lesão é

    dividida em 8 eixos diferentes, sendo que para cada um dos eixos em que a borda é irregular, um ponto é adicionado. Thursday, April 11, 13
  10. Cor Pontos possíveis Peso 0-6 0,5 6 cores diferentes são

    buscadas na lesão: branco, preto, vermelho, castanho claro, castonho escuro e azul-cinza Thursday, April 11, 13
  11. Estruturas Diferenciais Pontos possíveis Peso 0-5 0,5 5 elementos são

    buscados na lesão: rede pigmentada, áreas homogêneas, estrias, pontos e glóbulos. Para cada elemento encontrado, um ponto é adicionado. Thursday, April 11, 13
  12. Score DPV • Valores entre 0 e 8,9 • Lesões

    com valores entre 0 e 4,75 são consideradas benignas • Lesões com valores entre 4,75 e 5,45 são consideradas suspeitas, e devem ser observadas com atenção • Lesões com valores superiores a 5,45 são considerados melanomas. Thursday, April 11, 13
  13. Trabalhos Relacionados • Biblioteca para detecção de melanoma em dispositivos

    móveis de Wadhawan et al. (2011) • Protótipo para detecção de melanoma baseado na regra ABCD por Rosado (2009) • Método automatizado para identificação de melanoma por Soares (2008) Thursday, April 11, 13
  14. Caracteristicas/ trabalhos relacionados Wadhawan et al. (2011) Rosado (2009) Soares

    (2008) Dispositivos móveis X - - Regra dermatológica - Regra ABCD Regra ABCD Classificação SVM SVM, K- vizinhos mais próximos e limiarização SVM Processamento Dispositivo móvel / servidor Servidor Servidor Thursday, April 11, 13
  15. Objetivos • Desenvolver um software para dispositivos móveis capaz de

    analisar e classificar lesões cutâneas baseado na regra ABCD • Todo o processamento será efetuado no próprio dispositivo, sem necessidade de conexão externa Thursday, April 11, 13
  16. Requisitos Funcionais • Permitir que o usuário possa tirar uma

    foto da lesão a partir da câmera do iPhone • Permitir a visualização da imagem do usuário • Classificar a lesão entre melanoma e não- melanoma a partir dos critérios estabelecidos pela regra ABCD Thursday, April 11, 13
  17. Requisitos não funcionais • Ser desenvolvido para a plataforma iOS

    • Desenvolver a interface com o usuário utilizando o framework Cocoa Touch Thursday, April 11, 13
  18. Ferramentas • Linguagens de Programação - C++ / Objective C

    • Editores: Vim / Xcode • Biblioteca: OpenCV Thursday, April 11, 13
  19. DPV da Lesão • Assimetria: 2,6 • Bordas Irregulares: 0,4

    • Cor: 2,0 • Estrutura Diferenciais: 2,5 • Total: 7,5 • Diagnóstico: Melanoma Thursday, April 11, 13
  20. Experimentos • Criação da base de teste • Experimento 1:

    validação da segmentação • Experimento 2: critérios da regra ABCD • Experimento 3: validação da classificação das lesões Thursday, April 11, 13
  21. Base de teste • Imagens pré classificadas de diversos bancos

    de imagens dermatológicas • Composta de imagens clínicas e dermatoscópicas • 5 Lesões extraídas através da camêra do iPhone • 63 Lesões no total, sendo 23 benignas e 40 malignas Thursday, April 11, 13
  22. Experimento 1 • Objetivo: validar o algoritmo de segmentação implementado

    • Método: execução manual do algoritmo nas imagens das lesões • Dados utilizados: 4 Lesões, sendo duas segmentadas com sucesso e duas com erro Thursday, April 11, 13
  23. Resultados - Experimento 1 • Bom funcionamento em lesões uniformes

    e com cores contrastantes as da pele • Pelos e ruidos atrapalham na segmentação Thursday, April 11, 13
  24. Experimento 2 • Objetivo: verificar a eficácia dos métodos de

    extração de cada caracteristica da regra ABCD • Método: comparação dos resultados obtidos pelo algorimo ao resultado obtidos pelo especialista • Dados utilizados: 6 Lesões dermatoscópicas, devido a não influência de fatores externos. Thursday, April 11, 13
  25. Lesão 1 - Benigna Classificação Especialista Classificação Algoritmo A 0

    * 1.3 = 0 1 * 1.3 = 1.3 B 0.1 * 8 = 0.8 0.1 * 4 = 0.4 C 2 * 0.5 = 1 2 * 0.5 = 1 D 2 * 0.5 = 1 2 * 0.5 = 1 Total 2.8 3.7 Thursday, April 11, 13
  26. Lesão 2 - Melanoma Classificação Especialista Classificação Algoritmo A 2

    * 1.3 = 2.6 1 * 1.3 = 1.3 B 0.1 * 5 = 0.5 0.1 * 8 = 0.8 C 4* 0.5 = 2 4 * 0.5 = 2 D 4 * 0.5 = 2 2 * 0.5 = 1 Total 7.1 5.1 Thursday, April 11, 13
  27. Lesão 3 - Maligna Classificação Especialista Classificação Algoritmo A 2

    * 1.3 = 2.6 1 * 1.3 = 1.3 B 0.1 * 3 = 0.3 0.1 * 8 = 0.8 C 4 * 0.5 = 2 4 * 0.5 = 2 D 4 * 0.5 = 2 2 * 0.5 = 1 Total 6.9 5.1 Thursday, April 11, 13
  28. Lesão 4 - Benigna Classificação Especialista Classificação Algoritmo A 1

    * 1.3 = 1.3 2 * 1.3 = 2.6 B 0.1 * 4 = 0.4 0.1 * 3 = 0.3 C 3 * 0.5 = 1.5 4 * 0.5 = 2 D 2 * 0.5 = 1 3 * 0.5 = 1.5 Total 4.2 6.4 Thursday, April 11, 13
  29. Lesão 5 - Maligna Classificação Especialista Classificação Algoritmo A 2

    * 1.3 = 2.6 2 * 1.3 = 2.6 B 0.1 * 3 = 0.3 0.1 * 6 = 0.6 C 4 * 0.5 = 2 4 * 0.5 = 2 D 4 * 0.5 = 2 3 * 0.5 = 1.5 Total 6.9 6.7 Thursday, April 11, 13
  30. Lesão 6 - Benigna Classificação Especialista Classificação Algoritmo A 0

    * 1.3 = 0 1 * 1.3 = 1.3 B 0.1 * 0 = 0 0.1 * 2 = 0.2 C 2 * 0.5 = 1 2 * 0.5 = 1 D 2 * 0.5 = 1 3 * 0.5 = 1.5 Total 2 4 Thursday, April 11, 13
  31. Resultados - Experimento 2 • Critérios necessitam de mais ajustes

    para obter resultados próximos ao especialista • Critério de cor obteve o melhor resultado, divergindo em 0.5 em uma lesão • Critério de bordas irregulares não obteve resultado igual ao especialista em nenhum dos casos Thursday, April 11, 13
  32. Experimento 3 • Objetivo: Validação da classificação das lesões entre

    benignas e melanomas • Método: Todas as lesões pré-classificadas foram submetidas ao algoritmo • Dados utilizados: 63 lesões da base Thursday, April 11, 13
  33. Classificação Tipo de lesão Pré- classificadas especialista Identificadas pelo algoritmo

    Lesões classificadas com erro Probabilidade de erro Benignas 23 20 3 15% Malignas 40 37 3 7,5% Thursday, April 11, 13
  34. Especificidade e Sensibilidade • Sensibilidade é a capacidade de uma

    lesão maligna ser detectada como maligna • Especificidade é a capacidade de excluir corretamente aqueles que não possuem a lesão Thursday, April 11, 13
  35. Especificidade e Sensibilidade Sensibilidade = verdadeiro-positivo / (verdadeiro-positivo + falso-negativo)

    * 100 Sensibilidade = 40 / (40 + 3) * 100 Sensibilidade = 93,02 Especificidade = verdadeiro-negativo / (verdadeiro-negativo + falso-positivo) * 100 Especificidade = 20 / (20 + 3) * 100 Especificidade = 86,95 Thursday, April 11, 13
  36. Resultados - Experimento 3 • Acerto do algoritmo em torno

    de 90% • Alta sensibilidade, provando ser confiável para triagem inicial dos pacientes Thursday, April 11, 13
  37. Conclusões • Classificação da lesão com alta sensibilidade, sendo eficiente

    para triagem de pacientes • Critérios da regra ABCD precisam de ajustes para obter resultados próximos ao do especialista • Fatores externos podem atrapalhar no processamento Thursday, April 11, 13
  38. Melhorias • Melhorias na segmentação, evitando influência de fatores externos

    • Melhoria nos critérios individuais da regra ABCD, para resultados mais próximos ao do especialista • Realidade aumentada para extração das imagens • Paralelização da extração das caracteristicas Thursday, April 11, 13
  39. Repercursão • Jornal / Site da Sociedade Brasileira de Dermatologia

    • Capa do Jornal de Santa Catarina • Gravação ao vivo no Bom dia SC • Contatos para possíveis investimentos Thursday, April 11, 13
  40. Repercusão II • Aurélio como modelo da Victoria Secret •

    Exame na pinta do Roque • Amigos querendo exame grátis • Mito da vizinhança Thursday, April 11, 13
  41. Dicas • Escolha um tema para TCC que você se

    importe. • Comece cedo, e evite problemas futuros • Idéias são baratas, execução é tudo • Seja focado • Seja paciente e não desista Thursday, April 11, 13