SOFTWARE PARA LESIONES MELANOCITICASiie.fing.edu.uy/~gcapde/trabajos/melanoma/radla09.pdf · 2009....
1
SOFTWARE PARA LESIONES MELANOCITICAS MATERIALES Y MÉTODOS Dra. Anabella Bazzano (*), Ing. Germán Capdehourat (**),Ing. Andrés Corez (**), Dra. Alejandra Larre Borges (*), Prof. Dr. Miguel Martínez (*), Dr. Ing. Pablo Musé (**), Unidad de Lesiones Pigmentadas (#). (*) Cátedra de Dermatología, Hospital de Clínicas, Facultad de Medicina, UDELAR. (**) Facultad de Ingeniería, Instituto Ingeniería Eléctrica. UDELAR. (#) Unidad de Lesiones Pigmentadas: Dres. Bazzano A., Cabrera M., Dufrechou L., Fernández D., Larre Borges A., Magliano J, Martínez L., Nicoletti S., Otero G., Pérez J. Figura 1. Diagrama de bloques de sistema semi-automático de diagnóstico de melanoma. Figura 2. Curva ROC para segmentación automática. Figura 3. Curva ROC para la segmentación manual. La figura 4 muestra las 5 lesiones mal clasificadas para el caso en que se utilizó segmentación automática y clasificación con AdaBoost. De las 5 lesiones, 3 corresponden a falsos positivos (casos sin la enfermedad diagnosticados como positivos por el procedimiento) y 2 a falsos negativos (casos con la enfermedad diagnosticados como negativos por el procedimiento). Figura 4. Lesiones mal clasificadas. DISCUSIÓN Se desarrolló una primera versión de un sistema semi-automático de detección de melanoma basado en imágenes dermatoscópicas. Para una sensibilidad del 95% se obtuvo una especificidad de 91,25% con segmentación automática y 95,38 con segmentación manual. Los resultados obtenidos son similares a aquellos reportados en la literatura. Para mejorar aún más la performance del sistema, se deberían desarrollar métodos de detección de un mayor número de estructuras de tipo geométrico o de textura similares a las utilizadas en la regla de los 7 puntos, que se implementarán en próximas versiones del algoritmo. La creación de un software de procesamiento de imágenes dermatoscópicas permitirá en un futuro cercano optimizar el diagnóstico de las lesiones pigmentadas a los Dermatólogos y la creación de mejores campañas de screening. CONCLUSIONES Y PERSPECTIVAS 1.Miguel Martínez Asuaga. Dermatoscopia en lesiones melanocíticas: propuestas de puntos críticos de cortes de score dermatoscopico total para el diagnóstico oportuno de melanoma. Rev Med Uruguay 2003; 19: 225-230. 2.T, Ng V, Gallagher R, Coldman A, McLean D. DullRazor: A software approach to hair removal from images. Computers in Biology and Medicine 1997;27:533-543 3.Robert H. Johr, MD.Alternative melanocytic algorithms for dermoscopy.Clinics in Dermatology Y 2002;20:240–247 4.M. Emre Celebi, Hassan A. Kingravi, Bakhtiyar Uddin, Hitoshi Iyatomi, Y. Alp Aslandogan, William V. Stoecker and Randy H.Moss A methodological approach to the classification of dermoscopy images Computerized Medical Imaging & Graphics, Vol.31, No.6, pp.362-373, 2007. 5.Cristofolini M, Zumiani G, Bauer P, Cristofolini P,Boi S, Micciolo R. Dermatoscopy: usefulness in the differential diagnosis of cutaneous pigmentary lesions. Melanoma Res 1994; 4(6): 391-4. INTRODUCCIÓN La primera etapa del sistema consiste en la eliminación de pelos, mediante un módulo basado en el algoritmo Dullrazor², que utiliza herramientas de morfología matemática en base a segmentos como elementos estructurales, de manera de eliminar los mismos mediante una interpolación en las zonas donde se detectan pelos. Luego se aplica un filtro para suavizar la imagen (promedio o mediana). También puede ser necesario el empleo de una técnica de ajuste de contraste de manera de preparar la imagen para la posterior segmentación de la lesión. A. Eliminación de pelos y preprocesado Se trabajó con diversos métodos de segmentación, basados en detección de bordes y en información de regiones. En general es pertinente combinar diversas características (textura, bordes, color) para obtener mejores resultados. Para esto, se estudian métodos que combinan estas fuentes de información para mejorar la segmentación. B. Segmentación de la lesión Una vez segmentada la lesión, se calcula sobre la imagen un conjunto de medidas de simetría, bordes, color y estructura, que serán utilizadas para clasificar la lesión en maligna o benigna. La lesión segmentada se descompone en tres sub-regiones: interior, borde interior y borde exterior (Figura 1). Para cada una de estas regiones, se calculan características inspiradas en los mismos elementos utilizados en las reglas ABCD y de los de los 7 puntos. C. Extracción de características Selección de características y clasificación. Por último, se determina el conjunto de características que mejor distingue entre lesiones malignas y benignas con algoritmos de selección de características. Luego, la clasificación de la lesión se realiza usando técnicas de aprendizaje automático, en particular los algoritmos SVM (Support Vector Machine) y AdaBoost (Adaptive Boosting). D. Selección de características y clasificación Como medida de desempeño del sistema, se calculó la curva ROC (sensibilidad versus especificidad) para la muestra estudiada. Dicha medida se realizó utilizando tanto segmentación manual como automática. La figura 2 y 3 muestra la curva ROC para ambos casos comparando los algoritmos de clasificación SVM y AdaBoost. En la Tabla 1 se muestra el Area debajo de la curva ROC (AUC) y la especificidad para una sensibilidad del 95%, para todos los casos estudiados. Notar que para ambos casos el desempeño con AdaBoost es mejor. RESULTADOS BIBLIOGRAFÍA Preprocesado y eliminación de pelos Segmentación Extracción de características Clasificación Imagen original Diagnóstico Benigna / Maligna ABCD score = 6 7 puntos = 5 ABCD score = 6.2 7 puntos = 6 ABCD score = 5 7 puntos = 2 ABCD score = 4.5 7 puntos = 2 El melanoma es actualmente el cáncer con mayor crecimiento en la tasa de incidencia en el mundo. Se prevé que al terminar el decenio se habrán diagnosticado 4 millones de nuevos melanomas en el mundo, de los cuales morirán 500.000 personas con el agravante que en la mitad de esos casos existía una expectativa de vida adicional de 25 años o más. En ausencia de prevención primaria demostrada, existe acuerdo en el sentido que la detección de los melanomas finos es la manera más efectiva de evitar la mortalidad relacionada con esta enfermedad. En efecto la sobrevida a 10 años para portadores de melanomas con Breslow menor a 0,76 mm se sitúa en 99.5%, y desciende al 48% en portadores de melanomas mayores a 3mm.¹ La dermatoscopía es una técnica in vivo no invasiva, sencilla, que asiste al Dermatólogo para contribuir a realizar un diagnóstico más certero. Si bien su impacto en términos de sensibilidad, especificidad y valores predictivos ha sido muy bien determinado, el principal problema radica en que tiene una fuerte dependencia con el entrenamiento previo del observador. Esto limita su potencia diagnóstica en campañas de screening e incrementa sensiblemente los costos en la práctica clínica habitual. En ese sentido, el proceso y análisis computarizado de las imágenes dermatoscópicas podría ser de gran ayuda para detectar estructuras características que permitan un tamizaje primario en campañas masivas y que acerque a la posibilidad de un diagnóstico precoz de melanoma. Actualmente no existe un software comercial de uso masivo que se ajuste a la práctica clínica. Nuestro objetivo es el desarrollo de un software para el reconocimiento de melanomas en etapas iniciales, basado en las imágenes obtenidas por dermatoscopía digital. Esto permitiría clasificar lesiones melanocíticas de forma no supervisada, asignando un índice de confianza a cada clasificación. De esta manera se separarían las lesiones “tamizadas” de aquellas que por poseer un nivel de confianza diagnóstica insuficiente, sería necesario una inspección a posteriori por parte de un dermatólogo experiente, por lo cual se plantea un método semi automatizado. En esta etapa se plantea resolver el conjunto de problemas de procesamiento de imágenes como filtrado, restauración y segmentación automática para aislar el área de la lesión. En una segunda etapa se calcula sobre la imagen un conjunto de medidas que serán utilizadas para clasificar la lesión en maligna o benigna. Dichas medidas se inspiran en los mismos elementos utilizados en las reglas ABCD y 7 puntos de Argenziano ³ Banco de imágenes. Con la finalidad de evaluar el sistema en desarrollo se utilizó un banco de imágenes de lesiones melanocíticas con un total de 513 imágenes. Dentro de éstas 433 corresponden a lesiones benignas (más de 100 Nevos melanocíticos displásicos) y 80 a melanomas. Esta composición fue arbitraria y se basó en la existencia de estudio dermatoscópico e histopatológico con fines asistenciales en cada una de las lesiones consideradas. Sistema de diagnóstico automático de melanomas. Se trata de un sistema modular, de similares características al propuesto por Celebi et al . Esta modularidad permite modificar uno o varios de los bloques que lo componen sin modificar el resto (figura 1). La performance de los algoritmos desarrollados fue evaluada junto a médicos de la Unidad de Lesiones Pigmentadas. 4 De las 5 lesiones mal clasificadas (falsos positivos + falsos negativos) por el sistema, 3 corresponden a nevos melanocíticos displásicos y 2 de ellas a la categoría de lesión sospechosa (TDS 4,75 - 5,45) según el análisis del ABCD. Además una de ellas califica como melanoma según la regla de los 7 puntos. Sabemos que estas lesiones clínicamente dudosas son las que plantean mayor dificultad diagnóstica para el clínico. Algunos autores,1.5 señalan ciertas dificultades en la aplicación de los sistemas de análisis de las imágenes dermatoscópicas y particularmente de TDS cuando se trata de diferenciar entre melanomas con espesor de Breslow menor de 2 milímetros (melanomas “finos”) y nevos atípicos o con actividad a la dermoscopica. .5 Método Especificidad (Sens. 95%) AUC Seg. Auto – AdaBoost 91,25 % 0,981 Seg. Auto – SVM 90,48 % 0,963 Seg. Manual - AdaBoost 95,38 % 0,991 Seg. Manual - SVM 90,77 % 0,966 ABCD = 4.9 7 puntos = 3 Falsos Negativos Falsos Positivos Tabla 1.
Transcript of SOFTWARE PARA LESIONES MELANOCITICASiie.fing.edu.uy/~gcapde/trabajos/melanoma/radla09.pdf · 2009....
SOFTWARE PARA LESIONES MELANOCITICAS
MATERIALES Y MÉTODOS
Dra. Anabella Bazzano (*), Ing. Germán Capdehourat (**),Ing. Andrés Corez (**), Dra. Alejandra Larre Borges (*),Prof. Dr. Miguel Martínez (*), Dr. Ing. Pablo Musé (**), Unidad de Lesiones Pigmentadas (#).
(*) Cátedra de Dermatología, Hospital de Clínicas, Facultad de Medicina, UDELAR.(**) Facultad de Ingeniería, Instituto Ingeniería Eléctrica. UDELAR.
(#) Unidad de Lesiones Pigmentadas: Dres. Bazzano A., Cabrera M., Dufrechou L., Fernández D., Larre Borges A., Magliano J, Martínez L., Nicoletti S., Otero G., Pérez J.
Figura 1. Diagrama de bloques de sistema semi-automático de diagnóstico de melanoma.
Figura 2. Curva ROC para segmentación automática. Figura 3. Curva ROC para la segmentación manual.
La figura 4 muestra las 5 lesiones mal clasificadas para el caso en que se utilizó segmentación automática y clasificación con AdaBoost. De las 5 lesiones, 3 corresponden a falsos positivos (casos sin la enfermedad diagnosticados como positivos por el procedimiento) y 2 a falsos negativos (casos con la enfermedad diagnosticados como negativos por el procedimiento).
Figura 4. Lesiones mal clasificadas.
DISCUSIÓN
Se desarrolló una primera versión de un sistema semi-automático de detección de melanoma basado en imágenes dermatoscópicas. Para una sensibilidad del 95% se obtuvo una especificidad de 91,25% con segmentación automática y 95,38 con segmentación manual. Los resultados obtenidos son similares a aquellos reportados en la literatura.Para mejorar aún más la performance del sistema, se deberían desarrollar métodos de detección de un mayor número de estructuras de tipo geométrico o de textura similares a las utilizadas en la regla de los 7 puntos, que se implementarán en próximas versiones del algoritmo.La creación de un software de procesamiento de imágenes dermatoscópicas permitirá en un futuro cercano optimizar el diagnóstico de las lesiones pigmentadas a los Dermatólogos y la creación de mejores campañas de screening.
CONCLUSIONES Y PERSPECTIVAS
1.Miguel Martínez Asuaga. Dermatoscopia en lesiones melanocíticas: propuestas de puntos críticos de cortes de score dermatoscopico total para el diagnóstico oportuno de melanoma. Rev Med Uruguay 2003; 19: 225-230.2.T, Ng V, Gallagher R, Coldman A, McLean D. DullRazor: A software approach to hair removal from images. Computers in Biology and Medicine 1997;27:533-5433.Robert H. Johr, MD.Alternative melanocytic algorithms for dermoscopy.Clinics in Dermatology Y 2002;20:240–2474.M. Emre Celebi, Hassan A. Kingravi, Bakhtiyar Uddin, Hitoshi Iyatomi, Y. Alp Aslandogan, William V. Stoecker and Randy H.Moss A methodological approach to the classification of dermoscopy images Computerized Medical Imaging & Graphics, Vol.31, No.6, pp.362-373, 2007.5.Cristofolini M, Zumiani G, Bauer P, Cristofolini P,Boi S, Micciolo R. Dermatoscopy: usefulness in the differential diagnosis of cutaneous pigmentary lesions. Melanoma Res 1994; 4(6): 391-4.
INTRODUCCIÓN
La primera etapa del sistema consiste en la eliminación de pelos, mediante un módulo basado en el algoritmo Dullrazor², que utiliza herramientas de morfología matemática en base a segmentos como elementos estructurales, de manera de eliminar los mismos mediante una interpolación en las zonas donde se detectan pelos. Luego se aplica un filtro para suavizar la imagen (promedio o mediana). También puede ser necesario el empleo de una técnica de ajuste de contraste de manera de preparar la imagen para la posterior segmentación de la lesión.
A. Eliminación de pelos y preprocesado
Se trabajó con diversos métodos de segmentación, basados en detección de bordes y en información de regiones. En general es pertinente combinar diversas características (textura, bordes, color) para obtener mejores resultados. Para esto, se estudian métodos que combinan estas fuentes de información para mejorar la segmentación.
B. Segmentación de la lesión
Una vez segmentada la lesión, se calcula sobre la imagen un conjunto de medidas de simetría, bordes, color y estructura, que serán utilizadas para clasificar la lesión en maligna o benigna. La lesión segmentada se descompone en tres sub-regiones: interior, borde interior y borde exterior (Figura 1). Para cada una de estas regiones, se calculan características inspiradas en los mismos elementos utilizados en las reglas ABCD y de los de los 7 puntos.
C. Extracción de características
Selección de características y clasificación. Por último, se determina el conjunto de características que mejor distingue entre lesiones malignas y benignas con algoritmos de selección de características.Luego, la clasificación de la lesión se realiza usando técnicas de aprendizaje automático, en particular los algoritmos SVM (Support Vector Machine) y AdaBoost (Adaptive Boosting).
D. Selección de características y clasificación
Como medida de desempeño del sistema, se calculó la curva ROC (sensibilidad versus especificidad) para la muestra estudiada. Dicha medida se realizó utilizando tanto segmentación manual como automática.La figura 2 y 3 muestra la curva ROC para ambos casos comparando los algoritmos de clasificación SVM y AdaBoost. En la Tabla 1 se muestra el Area debajo de la curva ROC (AUC) y la especificidad para una sensibilidad del 95%, para todos los casos estudiados. Notar que para ambos casos el desempeño con AdaBoost es mejor.
RESULTADOS
BIBLIOGRAFÍA
Preprocesado yeliminación de pelos
Segmentación
Extracción decaracterísticas
Clasificación
Imagen original
Diagnóstico Benigna / Maligna
ABCD score = 67 puntos = 5
ABCD score = 6.27 puntos = 6
ABCD score = 57 puntos = 2
ABCD score = 4.57 puntos = 2
El melanoma es actualmente el cáncer con mayor crecimiento en la tasa de incidencia en el mundo. Se prevé que al terminar el decenio se habrán diagnosticado 4 millones de nuevos melanomas en el mundo, de los cuales morirán 500.000 personas con el agravante que en la mitad de esos casos existía una expectativa de vida adicional de 25 años o más. En ausencia de prevención primaria demostrada, existe acuerdo en el sentido que la detección de los melanomas finos es la manera más efectiva de evitar la mortalidad relacionada con esta enfermedad. En efecto la sobrevida a 10 años para portadores de melanomas con Breslow menor a 0,76 mm se sitúa en 99.5%, y desciende al 48% en portadores de melanomas mayores a 3mm.¹La dermatoscopía es una técnica in vivo no invasiva, sencilla, que asiste al Dermatólogo para contribuir a realizar un diagnóstico más certero. Si bien su impacto en términos de sensibilidad, especificidad y valores predictivos ha sido muy bien determinado, el principal problema radica en que tiene una fuerte dependencia con el entrenamiento previo del observador. Esto limita su potencia diagnóstica en campañas de screening e incrementa sensiblemente los costos en la práctica clínica habitual.En ese sentido, el proceso y análisis computarizado de las imágenes dermatoscópicas podría ser de gran ayuda para detectar estructuras características que permitan un tamizaje primario en campañas masivas y que acerque a la posibilidad de un diagnóstico precoz de melanoma. Actualmente no existe un software comercial de uso masivo que se ajuste a la práctica clínica. Nuestro objetivo es el desarrollo de un software para el reconocimiento de melanomas en etapas iniciales, basado en las imágenes obtenidas por dermatoscopía digital. Esto permitiría clasificar lesiones melanocíticas de forma no supervisada, asignando un índice de confianza a cada clasificación. De esta manera se separarían las lesiones “tamizadas” de aquellas que por poseer un nivel de confianza diagnóstica insuficiente, sería necesario una inspección a posteriori por parte de un dermatólogo experiente, por lo cual se plantea un método semi automatizado.
En esta etapa se plantea resolver el conjunto de problemas de procesamiento de imágenes como filtrado, restauración y segmentación automática para aislar el área de la lesión. En una segunda etapa se calcula sobre la imagen un conjunto de medidas que serán utilizadas para clasificar la lesión en maligna o benigna. Dichas medidas se inspiran en los mismos elementos utilizados en las reglas ABCD y 7 puntos de Argenziano ³Banco de imágenes. Con la finalidad de evaluar el sistema en desarrollo se utilizó un banco de imágenes de lesiones melanocíticas con un total de 513 imágenes. Dentro de éstas 433 corresponden a lesiones benignas (más de 100 Nevos melanocíticos displásicos) y 80 a melanomas. Esta composición fue arbitraria y se basó en la existencia de estudio dermatoscópico e histopatológico con fines asistenciales en cada una de las lesiones consideradas.Sistema de diagnóstico automático de melanomas. Se trata de un sistema modular, de similares características al propuesto por Celebi et al . Esta modularidad permite modificar uno o varios de los bloques que lo componen sin modificar el resto (figura 1). La performance de los algoritmos desarrollados fue evaluada junto a médicos de la Unidad de Lesiones Pigmentadas.
4
De las 5 lesiones mal clasificadas (falsos positivos + falsos negativos) por el sistema, 3 corresponden a nevos melanocíticos displásicos y 2 de ellas a la categoría de lesión sospechosa (TDS 4,75 - 5,45) según el análisis del ABCD. Además una de ellas califica como melanoma según la regla de los 7 puntos. Sabemos que estas lesiones clínicamente dudosas son las que plantean mayor dificultad diagnóstica para el clínico. Algunos autores,1.5 señalan ciertas dificultades en la aplicación de los sistemas de análisis de las imágenes dermatoscópicas y particularmente de TDS cuando se trata de diferenciar entre melanomas con espesor de Breslow menor de 2 milímetros (melanomas “finos”) y nevos atípicos o con actividad a la dermoscopica.
.5
Método Especificidad (Sens. 95%) AUC Seg. Auto – AdaBoost 91,25 % 0,981 Seg. Auto – SVM 90,48 % 0,963 Seg. Manual - AdaBoost 95,38 % 0,991 Seg. Manual - SVM 90,77 % 0,966
ABCD = 4.97 puntos = 3
Falsos Negativos Falsos Positivos
Tabla 1.
