O slideshow foi denunciado.
DESENVOLVIMENTO DO ALGORITMO PARA
PROCESSAMENTO DE IMAGENS DIGITAIS PARA
DIAGNÓSTICO DE MELANOMA
Orientador: Prof. Dr. Mar...
OBJETIVO
- Avaliar as técnicas de processamentos de
imagens aplicadas a dermatologia.
- Incentivar a realização de pesquis...
PATOLOGIA CANCERÍGENA
Câncer do grego karkínos, quer dizer
caranguejo.
Nome dado a um conjunto de mais de
100 doenças que ...
PATOLOGIA CANCERÍGENA
O processo de formação do câncer é
denominado
carcinogênese
que
é
constituído em 3 estágios:
1º) Est...
PATOLOGIA CANCERÍGENA
CÂNCER DE PELE
- No Brasil representa 25% de todos os
diagnósticos cancerígenos
- Índices de curas superiores a 95%, desde...
CÂNCER DE PELE
CÂNCER DE PELE
-Pode ser classificados em dois tipos de
tumores:
-Carcinoma basocelular
- Carcinoma espinocelular
- Melano...
CÂNCER DE PELE
Carcinoma Basocelular

Carcinoma Espinocelular

- Transludecência pérola
e
finos vasos sanguíneos.
- Cresci...
CÂNCER
Carcinoma basocelular

Carcinoma espinocelular
CÂNCER DE PEL
Melanoma
-Maior percentual de mortalidades.
- Considera o tipo mais grave devido seu
alto potencial na produ...
INSPIRAÇÃO - PARÂMETROS

Regra do ABCD
• Desenvolvida em 1994
• Físico Wilhelm Stolz
• Utiliza características físicas da ...
ABCD
ABCD
A
B
C
D

0–2
0–7
1–6
Diâmetro obtido

TDS = [ ( A x 1.3) + (B x 0.1) + (C x 0.5) + (D x 0.5) ]
<4.8 Lesão Benigna...
IMAGEM DIGITAL
- Função bidimensional f(x, y)
- f(x, y) representa a menor parte de uma imagem,
denominada “Pixel”
- Orige...
PROCESSAMENTO
PADRÃO DE PDI
PRÉ-PROCESSAMENTO
PRÉ-PROCESSAMENTO
- Aplicação do filtro Gaussiano
PRÉ-PROCESSAMENTO
-Multiplicação de todos os valores internos dos pixel
luminância.

F(x,y) = [R(x,y)*0,2989] + [G(x,y)*0,...
PRÉ-PROCESSAMENTO
PRÉ-PROCESSAMENTO
- Binarização da imagem
PRÉ-PROCESSAMENTO
- Multiplicação da imagem original pela binária, para
obtenção do corte ROI
EXTRAÇÃO DE CARACTERISTICAS
- Definição da borda através na análise dos vizinhos de cada
pixel.
- Medição da distância euc...
EXTRAÇÃO DE CARACTERISTICA
-1° Característica
Perímetro
Área
EXTRAÇÃO DE CARACTERISTICA
-2° Característica – Percentual de circularidade
EXTRAÇÃO DE CARACTERISTICA

-3° Característica – Média de tonalidades na imagem (RGB).

- 4° Característica – Percentual d...
EXTRAÇÃO DE CARACTERISTICA
-5° Característica – Suavidade (Entropia)

-6° Característica – Uniformidade (Energia)
EXTRAÇÃO DE CARACTERISTICA
-5° Característica – Contraste da imagem (Variância)

-6° Característica – Distribuição dos pix...
CLASSIFICAÇÃO

-

Árvore de decisão.
k-NN
SVM
Bayes
Majority
CLASSIFICAÇÃO
1° Método - K-Nearest Neighbor (KNN)
-Proposta por Cover e Hart em 1966, na inteligência
-Constantemente aum...
CLASSIFICAÇÃO
Exemplo de KNN aplicado a um mundo
bidimensional
CLASSIFICAÇÃO
2° Método - Árvore de decisão
- Tem como entrada uma situação descrita por um
conjunto de atributo, retornan...
CLASSIFICAÇÃO
3° Método - SVM
- Analisa os dados e reconhecer padrões, utilizados
para classificação e análise de regressã...
CLASSIFICAÇÃO
4° Método - Bayes
- Extensão da lógica proposicional que permite raciocinar
com proposições cuja verdade ou ...
CLASSIFICAÇÃO
5° Método - Majority
- Retornará as frequências relativas das classes no
conjunto de treinamento.
APRESENTAÇÃO DO ALGORITMO PARA
PROCESSAMENTO DE IMAGENS DIGITAIS
CONSIDERAÇÕES FINAIS
• Computação pode auxiliar a medicina no
diagnóstico de determinadas neoplasias;
• Através dos parâme...
Próximos SlideShares
Carregando em…5
×

Desenvolvimento do algoritmo para processamento de imagens digitais para diagnóstico de melanoma

1.937 visualizações

Publicada em

Trabalho apresentado para obtenção do título de engenheiro em computação, sobre o título: Desenvolvimento do algoritmo para processamento de imagens digitais para diagnóstico de melanoma.

algorithm development for processing of digital images for diagnosis of melanoma

https://www.academia.edu/7228380/Desenvolvimento_do_algoritmo_para_processamento_de_imagens_digitais_para_diagn%C3%B3stico_de_melanoma

Publicada em: Saúde e medicina
  • Seja o primeiro a comentar

Desenvolvimento do algoritmo para processamento de imagens digitais para diagnóstico de melanoma

  1. 1. DESENVOLVIMENTO DO ALGORITMO PARA PROCESSAMENTO DE IMAGENS DIGITAIS PARA DIAGNÓSTICO DE MELANOMA Orientador: Prof. Dr. Marco Antônio Rodrigues Fernandes Acadêmicos: Daniel Soares Lopes Flávio Henrique da Silva Matheus Ferreira Bonfim
  2. 2. OBJETIVO - Avaliar as técnicas de processamentos de imagens aplicadas a dermatologia. - Incentivar a realização de pesquisas voltados a diagnósticos clínicos. -Implementar um algoritmo utilizando como base os parâmetros da Regra do ABCD.
  3. 3. PATOLOGIA CANCERÍGENA Câncer do grego karkínos, quer dizer caranguejo. Nome dado a um conjunto de mais de 100 doenças que têm em comum o crescimento desordenado de células
  4. 4. PATOLOGIA CANCERÍGENA O processo de formação do câncer é denominado carcinogênese que é constituído em 3 estágios: 1º) Estágio inicial; 2º)Estágio de promoção; 3ºEstágio de progressão.
  5. 5. PATOLOGIA CANCERÍGENA
  6. 6. CÂNCER DE PELE - No Brasil representa 25% de todos os diagnósticos cancerígenos - Índices de curas superiores a 95%, desde que diagnosticados nos estágios iniciais e tratados corretamente.
  7. 7. CÂNCER DE PELE
  8. 8. CÂNCER DE PELE -Pode ser classificados em dois tipos de tumores: -Carcinoma basocelular - Carcinoma espinocelular - Melanoma Não melanoma
  9. 9. CÂNCER DE PELE Carcinoma Basocelular Carcinoma Espinocelular - Transludecência pérola e finos vasos sanguíneos. - Crescimento lento. - Cerca de 70% de todos casos. - Ocorre geralmente na cabeça ou pescoço. - Apresenta área vermelha, com crostas e escamação . - Crescimento rápido. - Cerca de 20% de todos casos. - Pode surgir em áreas previamente comprometidas por algum outro processo como cicatrizes de queimaduras antigas,
  10. 10. CÂNCER Carcinoma basocelular Carcinoma espinocelular
  11. 11. CÂNCER DE PEL Melanoma -Maior percentual de mortalidades. - Considera o tipo mais grave devido seu alto potencial na produção de metástases. - Originar-se em pele sã ou de lesões pigmentadas pré-existentes . -Represente 4% - 5% dos tipos de câncer de pele .
  12. 12. INSPIRAÇÃO - PARÂMETROS Regra do ABCD • Desenvolvida em 1994 • Físico Wilhelm Stolz • Utiliza características físicas da lesão para a quantificação • Verifica a não linearidade das lesões • Reprodutivo computacionalmente
  13. 13. ABCD
  14. 14. ABCD A B C D 0–2 0–7 1–6 Diâmetro obtido TDS = [ ( A x 1.3) + (B x 0.1) + (C x 0.5) + (D x 0.5) ] <4.8 Lesão Benigna 4.8 – 5.45 Lesão suspeita >5.45 Alta probabilidade de ser um MM
  15. 15. IMAGEM DIGITAL - Função bidimensional f(x, y) - f(x, y) representa a menor parte de uma imagem, denominada “Pixel” - Origem localizada em f(0, 0)
  16. 16. PROCESSAMENTO
  17. 17. PADRÃO DE PDI
  18. 18. PRÉ-PROCESSAMENTO
  19. 19. PRÉ-PROCESSAMENTO - Aplicação do filtro Gaussiano
  20. 20. PRÉ-PROCESSAMENTO -Multiplicação de todos os valores internos dos pixel luminância. F(x,y) = [R(x,y)*0,2989] + [G(x,y)*0,5870] + [B(x,y)*0,1140]
  21. 21. PRÉ-PROCESSAMENTO
  22. 22. PRÉ-PROCESSAMENTO - Binarização da imagem
  23. 23. PRÉ-PROCESSAMENTO - Multiplicação da imagem original pela binária, para obtenção do corte ROI
  24. 24. EXTRAÇÃO DE CARACTERISTICAS - Definição da borda através na análise dos vizinhos de cada pixel. - Medição da distância euclidiana entre todos os pixel de fronteira. -Reconhecimento da maior distância entre os pixel da fronteira.
  25. 25. EXTRAÇÃO DE CARACTERISTICA -1° Característica Perímetro Área
  26. 26. EXTRAÇÃO DE CARACTERISTICA -2° Característica – Percentual de circularidade
  27. 27. EXTRAÇÃO DE CARACTERISTICA -3° Característica – Média de tonalidades na imagem (RGB). - 4° Característica – Percentual da tonalidade RGB predominante da imagem.
  28. 28. EXTRAÇÃO DE CARACTERISTICA -5° Característica – Suavidade (Entropia) -6° Característica – Uniformidade (Energia)
  29. 29. EXTRAÇÃO DE CARACTERISTICA -5° Característica – Contraste da imagem (Variância) -6° Característica – Distribuição dos pixel’s (Homogeneidade)
  30. 30. CLASSIFICAÇÃO - Árvore de decisão. k-NN SVM Bayes Majority
  31. 31. CLASSIFICAÇÃO 1° Método - K-Nearest Neighbor (KNN) -Proposta por Cover e Hart em 1966, na inteligência -Constantemente aumenta sua precisão ao decorrer de novas analises -Classificar objetos com base em uma base de dados já montada
  32. 32. CLASSIFICAÇÃO Exemplo de KNN aplicado a um mundo bidimensional
  33. 33. CLASSIFICAÇÃO 2° Método - Árvore de decisão - Tem como entrada uma situação descrita por um conjunto de atributo, retornando uma decisão. - Muito representada como um conjunto de SE-ENTÃO (if-then).
  34. 34. CLASSIFICAÇÃO 3° Método - SVM - Analisa os dados e reconhecer padrões, utilizados para classificação e análise de regressão. - O SVM básico leva um conjunto de dados de entrada e prevê, para cada dado de entrada, e duas classes de possíveis formas de saída. - Dado um conjunto de exemplos de treino, cada uma marcada como pertencendo a uma de duas categorias
  35. 35. CLASSIFICAÇÃO 4° Método - Bayes - Extensão da lógica proposicional que permite raciocinar com proposições cuja verdade ou falsidade é incerto. - Para avaliar a probabilidade de uma hipótese , a probabilística Bayesiana especifica alguma probabilidade anterior, o que é, então, atualizada à luz de novos e relevantes dados .
  36. 36. CLASSIFICAÇÃO 5° Método - Majority - Retornará as frequências relativas das classes no conjunto de treinamento.
  37. 37. APRESENTAÇÃO DO ALGORITMO PARA PROCESSAMENTO DE IMAGENS DIGITAIS
  38. 38. CONSIDERAÇÕES FINAIS • Computação pode auxiliar a medicina no diagnóstico de determinadas neoplasias; • Através dos parâmetros da Regra do ABCD pode se determinar outros parâmetros; • O algoritmo atendeu o que foi proposto; • O trabalho serve como base para trabalhos futuros.

×