Automatic classification of cutaneous lesions using dermoscopic images

Abstract

Segundo dados estatísticos o melanoma maligno é a forma mais mortífera de cancro da pele, com uma taxa de incidência crescente ao longo das últimas décadas, em todo o mundo. No entanto, é a mais tratável, dependendo do estado do cancro, já que pesquisas mais aprofundadas mostraram que a deteção prematura e o tratamento do melanoma significam maior probabilidade de cura. No entanto, o diagnóstico clinico do melanoma é uma tarefa desafiante para os dermatologistas, visto que os processos são propensos a diagnósticos errados e imprecisões devido às semelhanças entre as características do melanoma e de outras lesões cutâneas. Nas últimas décadas vários sistemas de diagnóstico assistidos por computador foram propostos para aumentar a especificidade e a sensibilidade da deteção do melanoma. No entanto, tanto quanto sabemos, esses sistemas são ainda imperfeitos, o que explica o porquê de ainda não terem sido criadas aplicações clínicas. Assim sendo, a hipótese deste estudo passou pelo recolhimento dos métodos mais bem-sucedidos da literatura (através de uma revisão sistemática) e da sua combinação com alguns novos, com o objetivo de criar uma ferramenta de avaliação eficiente que possa auxiliar os médicos na categorização de lesões cutâneas como benignas ou malignas. Neste trabalho, apresenta-se uma abordagem metodológica para a classificação automática de lesões cutâneas em imagens dermatoscópicas. A redução de ruído é o primeiro passo que aplicamos, a fim de melhorar os parâmetros de iluminação da imagem, bem como eliminar os pelos envolventes e outros artefactos indesejados. Em segundo lugar, é realizada a deteção da fronteira da lesão, para diferenciar a lesão da pele circundante. De seguida, uma sequência de transformações é aplicada a cada lesão, para extrair um conjunto de features globais, de cor, textura, fronteira e forma, que posteriormente são introduzidas numa estrutura de otimização, que as ordena de acordo com o seu grau de importância. Para encontrar o vetor de features ideal, as técnicas de RelieF e Principal Component Analysis são comparadas. Por fim, a classificação é feita através do uso de três classificadores, a saber, Support Vector Machines, Random Forests e Adaptive Boosting.O método proposto foi avaliado num conjunto de 100 imagens dermatoscópicas, incluindo casos benignos e malignos. Em relação à seleção otimizada das features, o método RelieF ultrapassa o Principal Component Analysis como a estrutura mais eficaz para o diagnóstico de melanoma, sendo que no final, acabámos por usar 5 de 36 parâmetros de categorização, para treinar e testar os nossos modelos. Entre os três classificadores utilizados, o método de Adaptive Boosting, globalmente, apresenta as melhores médias de resultados para 500 execuções, obtendo uma sensibilidade de 99,9% e uma especificidade de 97,9%, para a classe dos melanomas, e uma precisão geral de 98,2% para discriminação entre as duas classes.Sopesados todos os aspetos, os resultados experimentais mostram sinais promissores para uma futura integração deste sistema ao nível clínico, como um sistema complementar que poderia ser usado para visualizar imagens e complementar a decisão dos médicos sobre se uma biópsia é ou não necessária.

Statistical evidence has revealed that malignant melanoma is the deadliest form of skin cancer, with an increasing incidence rate over the past decades, worldwide. Nevertheless, it's the most treatable one, depending on the stage of the cancer, as further researches have shown that the early detection and intervention of melanoma implicates higher chances of cure. With that said, clinical diagnosis of melanoma is a challenging task for dermatologists, since the processes are prone to misdiagnosis and inaccuracies due to the characteristic similarities of melanoma with other skin lesions.In the past decades, several computer-aided diagnosis systems have been proposed to increase the specificity and sensitivity of melanoma detection. However, to the best of our knowledge, these systems are still imperfect, which explains why clinical applications have not been created yet. Thus, the hypothesis of this study was to gather the most successful methods in the literature (by performing a systematic review) and combine them with some novel ones, in order to create an effective computer-aided assessment tool that could assist doctors in the categorization of skin lesions as benign or malignant. In this work, a methodological approach to the automatic classification of skin lesions in dermoscopy images is presented. Noise reduction is the first step we apply, in order to improve the image's illumination parameters, as well as eliminating surrounding hair and additional unwanted artefacts. Secondly, border detection is performed, to differentiate the lesion from the surrounding background skin. Then, a sequence of transformations is applied to each lesion to extract a global set of colour, texture, border and shape attributes, which afterwards are fed into an optimization selection framework, which ranks these attributes according to their importance. To find this optimal feature vector, RelieF and Principal Component Analysis techniques are compared. Lastly, classification is done through the use of three classifiers, namely, Support Vector Machines, Random Forests and Adaptive Boosting.The proposed method has been evaluated on a set of 100 dermoscopic images, including benign and melanoma cases. Regarding the optimized selection of features, the RelieF method surpasses Principal Component Analysis as the most effective framework for melanoma diagnosis, and in the end, we use 5 of 36 different discriminating parameters to train and test our models. Among the three used classifiers Adaptive Boosting achieves the best average results for 500 runs, obtaining a sensitivity of 99.9%, and a specificity of 97.9%, for the melanoma class, and an overall accuracy of 98.2% for discriminating between malignant and benign classes.All things considered, the experimental results show promising signs for a future integration of this system on the clinical level, as a complementary system that could be used to screen images and complement doctors decision on whether or not a biopsy is necessary.