System wspomagający diagnostykę czerniaka złośliwego przy pomocy metod przetwarzania obrazu i algorytmów inteligencji obliczeniowej

• Autorzy: Mikołajczyk A. , Kwasigroch A. , Grochowski M.

Warianty tytułu

EN

Decision system supporting melanomena detection with the usage of image processing and computational intelligence methods

• Konferencja: XXVI cykl seminarów zorganizowanych przez PTETiS Oddział w Gdańsku ZASTOSOWANIE KOMPUTERÓW W NAUCE I TECHNICE 2016 (XXVI; 2016; Gdańsk)
• Języki publikacji: PL

Abstrakty

PL

Nowotwory skóry są najczęściej spotykanymi nowotworami na świecie. Czerniaki złośliwe stanowią od około 5 do 7% wszystkich nowotworów złośliwych skóry u człowieka. Ich wczesne zdiagnozowanie jest kluczowym czynnikiem w późniejszej pomyślnej terapii. Niniejsza praca zawiera propozycję rozwinięcia i zautomatyzowania najważniejszej metody diagnozowania czerniaków, metody ABCD Stoltza. W artykule przedstawiono koncepcję i implementację zautomatyzowanego systemu do diagnostyki znamion skórnych pod kątem wykrycia czerniaka zł ościowego. Zaproponowano nową, rozszerzoną wersję metody dermatoskopowej ABCD i zaimplementowano niezbędne algorytmy w środowisku Matlab. Główne cechy znamion skórnych o charakterze nowotworowym są wyszukiwane automatycznie przy pomocy metod przetwarzania obrazu oraz opracowanych algorytmów. Decyzja na temat rozpoznania lub nie czerniaka złośliwego podejmowana jest przez sztuczną sieć neuronową, wnioskującą na podstawie wskaźników wyznaczonych na etapie przetwarzania obrazów. Omawiany system wspomagania decyzji może służyć jako narzędzie usprawniające pracę lekarzy pierwszego kontaktu lub jako system umożliwiający szybkie samobadanie skóry przez pacjentów. Aplikację przetestowano na 126 znamionach skórnych. Uzyskano czułość równą 98% oraz swoistość równą 73%, co jest bardzo dobrym osiągnięciem.

EN

Skin cancer is the most common cancer in the world. Malignant melanomas make up about 5-7% of all types of human skin cancer. The work describes the development process of an automated system purposed for the diagnosis of skin lesions in order to detect a malignant melanoma. The application should be used as a decision support system for primary care physicians or as a system capable of self-examination of the skin. When designing an application author developed and proposed a new, enhanced version of the ABCD dermatoscopic method of Stoltz. To describe main features of skin lesions for malignancy, image processing methods were used. In addition, application was trained by artificial neural network, which acts as a specialist doctor, who is responsible of making a diagnosis based on these features. The application has been tested on 126 the skin moles. It gets high final score with a sensitivity of 98% and specificity equal to 73.08%.

Słowa kluczowe

PL

diagnostyka; wspomaganie decyzji; przetwarzanie obrazu; sztuczne sieci neuronowe; czerniak złośliwy

EN

diagnostics; decision support; image processing; artificial neural networks; melanoma malignant

• Wydawca: Wydział Elektrotechniki i Automatyki Politechniki Gdańskiej
• Czasopismo: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
• Rocznik: 2016
• Tom: Nr 51
• Strony: 119--122
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Mikołajczyk A.

• Politechnika Gdańska, Wydział Elektrotechniki i Automatyki tel.: [phone]

autor

Kwasigroch A.

• Politechnika Gdańska, Wydział Elektrotechniki i Automatyki tel.: [phone]

autor

Grochowski M.

• Politechnika Gdańska, Wydział Elektrotechniki i Automatyki tel.: [phone]

Bibliografia

• 1. Stolz, W; Riemann, A; Cognetta, A.B. ABCD rule of dermatoscopy-a new practical method for early recognition of malignant-melanoma. European Journal of Dermatology, 1994, 4.7: 521-527.
• 2. Johr, R.H. Dermoscopy: alternative melanocytic algorithms—the ABCD rule of dermatoscopy, menzies scoring method, and 7-point checklist. Clinics in dermatology, 2002, 20.3: 240-247.
• 3. Scott, H.J. The CASH (color, architecture, symmetry, and homogeneity) algorithm for dermoscopy. Journal of the American Academy of Dermatology, 2007, 56.1: 45-52.
• 4. Luís F., Caeiro Margalho, Guerra Rosad, Automatic System for Diagnosis of Skin Lesions Based on Dermoscopic Images
• 5. Harpreet K., Aashdeep S., A Review on Automatic Diagnosis of Skin Lesion Based on the ABCD Rule & Thresholding Method, 2015.
• 6. Ammara M., Al-Jumaily A.A. Computer Aided Diagnostic Support System for Skin Cancer: A Review of Techniques and Algorithm, 2007.
• 7. Altman D.G., Bland J.M. (1994). Diagnostic tests. 1: Sensitivity and specificity, BMJ 308 (6943): 1552. doi:10.1136/bmj.308.6943.1552. PMC 2540489. PMID 8019315
• 8. Alcon, JF, Ciuhu, C., ten Kate, W. I inni. Automatic imaging system with decision support for inspection of pigmented skin lesions and melanoma diagnosis. Selected Topics in Signal Processing, IEEE Journal of, 2009, 3.1: 14-25.
• 9. Halpern, A., Smith, J.R. Deep Learning, Sparse Coding, and SVM for Melanoma Recognition in Dermoscopy Images. In: Machine Learning in Medical Imaging: 6th International Workshop, MLMI 2015, Held in Conjunction with MICCAI 2015, Munich, Germany, October 5, 2015, Proceedings. Springer, 2015. p. 118.
• 10. Łukasz Piątek, Badania nad algorytmami syntezy statycznych obrazów medycznych – przykład znamion melonocytowych skóry, Rozprawa doktorska, Pol. Gdańska 2009.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.