Software para detecção de Melanoma

Slide 1

Slide 1 text

Software para detecção de melanoma para iOS Aluno: Thiago Pradi Orientador: Aurélio Faustino Hoppe Thursday, April 11, 13

Slide 2

Slide 2 text

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

Slide 3

Slide 3 text

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

Slide 4

Slide 4 text

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

Slide 5

Slide 5 text

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

Slide 6

Slide 6 text

Diagnóstico Thursday, April 11, 13

Slide 7

Slide 7 text

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

Slide 8

Slide 8 text

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

Slide 9

Slide 9 text

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

Slide 10

Slide 10 text

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

Slide 11

Slide 11 text

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

Slide 12

Slide 12 text

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

Slide 13

Slide 13 text

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

Slide 14

Slide 14 text

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

Slide 15

Slide 15 text

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

Slide 16

Slide 16 text

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

Slide 17

Slide 17 text

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

Slide 18

Slide 18 text

Requisitos não funcionais • Ser desenvolvido para a plataforma iOS • Desenvolver a interface com o usuário utilizando o framework Cocoa Touch Thursday, April 11, 13

Slide 19

Slide 19 text

Ferramentas • Linguagens de Programação - C++ / Objective C • Editores: Vim / Xcode • Biblioteca: OpenCV Thursday, April 11, 13

Slide 20

Slide 20 text

Desenvolvimento Imagem original: Thursday, April 11, 13

Slide 21

Slide 21 text

Pré-processamento Camada Azul Lesão Suavizada Thursday, April 11, 13

Slide 22

Slide 22 text

Segmentação Lesão suavizada Lesão segmentada Thursday, April 11, 13

Slide 23

Slide 23 text

Bordas Lesão segmentada Bordas Thursday, April 11, 13

Slide 24

Slide 24 text

Assimetria Assimetria em dois eixos Pontos obtidos: 2 Valor Caracteristica: 2,6 Thursday, April 11, 13

Slide 25

Slide 25 text

Bordas irregulares 4 bordas irregulares Pontos obtidos: 4 Valor Caracteristica: 0,4 Thursday, April 11, 13

Slide 26

Slide 26 text

Cor 4 cores encontradas Pontos obtidos: 4 Valor Caracteristica: 2,0 Thursday, April 11, 13

Slide 27

Slide 27 text

Estruturas diferenciais 12,5% de estruturas diferenciais Pontos obtidos: 5 Valor Caracteristica: 2,5 Thursday, April 11, 13

Slide 28

Slide 28 text

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

Slide 29

Slide 29 text

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

Slide 30

Slide 30 text

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

Slide 31

Slide 31 text

Imagens Imagem clínica Imagem dermatoscópica Thursday, April 11, 13

Slide 32

Slide 32 text

Imagem iPhone Sem lente Lente Macro Thursday, April 11, 13

Slide 33

Slide 33 text

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

Slide 34

Slide 34 text

Lesão 1 - Sucesso Thursday, April 11, 13

Slide 35

Slide 35 text

Lesão 2 - Sucesso Thursday, April 11, 13

Slide 36

Slide 36 text

Lesão 3 - Erro Thursday, April 11, 13

Slide 37

Slide 37 text

Lesão 4 - Erro Thursday, April 11, 13

Slide 38

Slide 38 text

Lesão 5 - Bônus Thursday, April 11, 13

Slide 39

Slide 39 text

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

Slide 40

Slide 40 text

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

Slide 41

Slide 41 text

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

Slide 42

Slide 42 text

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

Slide 43

Slide 43 text

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

Slide 44

Slide 44 text

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

Slide 45

Slide 45 text

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

Slide 46

Slide 46 text

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

Slide 47

Slide 47 text

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

Slide 48

Slide 48 text

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

Slide 49

Slide 49 text

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

Slide 50

Slide 50 text

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

Slide 51

Slide 51 text

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

Slide 52

Slide 52 text

Resultados - Experimento 3 • Acerto do algoritmo em torno de 90% • Alta sensibilidade, provando ser conﬁável para triagem inicial dos pacientes Thursday, April 11, 13

Slide 53

Slide 53 text

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

Slide 54

Slide 54 text

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

Slide 55

Slide 55 text

Thursday, April 11, 13

Slide 56

Slide 56 text

Pós TCC... Thursday, April 11, 13

Slide 57

Slide 57 text

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

Slide 58

Slide 58 text

Repercusão II • Aurélio como modelo da Victoria Secret • Exame na pinta do Roque • Amigos querendo exame grátis • Mito da vizinhança Thursday, April 11, 13

Slide 59

Slide 59 text

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

Slide 60

Slide 60 text

Obrigado! • twitter.com/thiagopradi • github.com/tchandy • [email protected] • www.thiagopradi.net Thursday, April 11, 13