DETECÇÃO AUTOMÁTICA DE LESÕES DE PELE EM IMAGENS DERMATOSCÓPICAS
NAYARA H. DE MOURA¹, ROMUERE R. V. E SILVA¹, EMERSON S. SILVA¹, GABRIEL C. MOURA¹,
RODRIGO DE M. S. VERAS².
1.
Sistemas de Informação, Universidade Federal do Piauí
Picos – PI, Brasil
Departamento de Computação – Universidade Federal do Piauí
Teresina – PI, Brasil
E-mails: {naayaraholanda, emersilva1003, gabrielmouraufpi}@gmail.com,
{romuere, rveras}@ufpi.edu.br
2.
Abstract Skin cancer is one of the most common kinds of cancer. Each year, its incidence is higher than breast, prostate, lung
and colon combined. It is among the main kinds of skin lesion, however, if diagnosed in its early stages, skin cancer is almost
always curable. Thus, this work proposes a methodology of feature extraction of skin lesions using three descriptors: ABCD rule,
the Gray-Level Co-Occurrence Matrix and the Local Binary Pattern. This feature extraction is performed from the interpretation
of skin lesion images in the HSV color model. In the tests, we used eight classifiers: Support Vector Machine, MultiLayer Perceptron, Random Forest, K-Nearest Neighbor, Naive Bayes, Radial Basis Function, Simple Logistic and Committee Machine. The
results obtained were satisfactory, reaching an accuracy rate of 0.930 and Kappa index of 0.764.
Keywords Pattern Recognition, Computer Vision, Skin Lesion, Classification.
Resumo O câncer de pele é uns dos tipos mais comuns de câncer. A cada ano, sua incidência é maior do que a de mama, próstata,
pulmão e cólon combinados. Ele está entre os principais tipos de lesão de pele, no entanto, se diagnosticado em seus estágios
iniciais, o câncer de pele é quase sempre curável. Assim, este trabalho propõe uma metodologia de extração de características de
lesões de pele utilizando três descritores: a regra ABCD, o Gray-Level Co-Occurrence Matrix e o Local Binary Pattern. Essa
extração de características é realizada a partir da interpretação de imagens de lesão de pele no modelo de cores HSV. Nos testes
foram utilizados oito classificadores: Máquina de Vetor de Suporte, MultiLayer Perceptron, Random Forest, K-Nearest Neighbor,
Naive Bayes, Radial Basis Function, Simple Logistic e Máquina de Comitê. Os resultados obtidos foram satisfatórios, atingindo
uma acurácia de 0,930 e um índice Kappa de 0,764.
Palavras-chave Reconhecimento de Padrões, Visão Computacional, Lesões de Pele, Classificação.
1
Introdução
O câncer de pele representa mais da metade dos diagnósticos de câncer. Ele é caracterizado pelas células
da pele que multiplicam-se repetidamente até a formação de um tumor maligno. O melanoma, por exemplo,
que possui o pior prognóstico e o mais alto índice de
mortalidade, tende a se espalhar para outras partes do
corpo. Desse modo, o diagnóstico precoce é fundamental (World Health Organization 2015). A cada
ano nos Estados Unidos mais de um milhão de novos
casos de câncer de pele são descobertos, de acordo
com o American Cancer Society (2015). Cerca de 90%
dos casos não-melanoma estão associados ao comportamento das pessoas em relação à exposição ao sol
(Skin Cancer Foundation 2015).
Com os avanços da tecnologia da computação, diversos tipos de Diagnósticos Assistidos por Computador (CAD - Computer Aided Diagnosis) têm sido desenvolvidos. Os sistemas CAD ajudam a equipe médica na interpretação de imagens médicas e, consequentemente, proporcionam uma “segunda opinião”.
Esses sistemas são compostos, em geral, por três etapas: segmentação, extração de características e classificação.
A etapa de extração de características em imagens
dermatoscópicas, e posterior classificação da mesma,
é objetivo do presente trabalho. Visto que, a qualidade
das características extraídas interferem significativamente no resultado da classificação. As imagens foram descritas através da utilização de atributos de cor,
forma e textura. Assim, os testes foram realizados com
diferentes classificadores na tentativa de se obter um
melhor resultado.
A extração de atributos em imagens de lesões de
pele foi feita no sistema de cores HSV, através da utilização dos descritores ABCD (Assimetria, irregularidade da Borda, Cor, Diâmetro), Gray-Level Co-Occurrence Matrix (GLCM) e Local Binary Pattern
(LBP). Dessa forma, as características são calculadas
sob a área lesionada a partir da utilização desses algoritmos.
1.1 Trabalhos Relacionados
A extração de características pode ser considerada
uma etapa crucial em sistemas de detecção automática
de patologias. O motivo disso é que dependendo da
qualidade dos atributos extraídos, a classificação das
imagens será totalmente comprometida. Seu objetivo
é descrever a região de interesse da imagem em um
formato apropriado para o processamento
subsequente, a classificação (Gonzalez e Woods,
2010). Nesse sentido, muitas pesquisas podem ser
encontradas na literatura, com o objetivo de atingir
melhores resultados. Para detecção automática do
câncer de pele, por exemplo, a extração de
características no trabalho de Parolin e Herzer (2010)
foi implementada através da utilização da regra
ABCDE (Assimetria, irregularidade da Borda,
variação da Cor, Diâmetro, Evolução), um método
automatizado e não-invasivo. Nos testes foram
utilizadas 290 imagens (139 não-melanomas e 151
melanomas). Entretanto, os resultados obtidos não
foram muito promissores, atingindo uma acurácia de
82,55%. Este método se mostrou mais eficiente para
lesões de pele não-melanoma, onde foi possível
reduzir a taxa de falsos negativos para 1,89%.
Em Cavalcanti et al. (2013) um novo algoritmo é
apresentado para a diferenciação entre melanomas e
nevos atípicos (nevos benignos e não usuais, que podem assemelhar-se ao melanoma). Para isso, foram
utilizadas doze características baseadas na concentração dos dois tipos de melanina, a eumelanina e a feomelanina, em conjunto com a regra ABCD. Neste
caso, a característica que pertence à letra D da regra é
alterada para estruturas Diferenciais: rede pigmentar,
glóbulos e pontos, que caracterizam lesões não-melanoma. Um total de 152 imagens (45 nevos atípicos benignos e 107 melanomas) foram utilizados para os experimentos, obtendo resultados animadores. Contudo,
os testes poderiam ter sido feitos com uma base de dados maior.
A extração de características com base em uma
nova abordagem para o exame do melanoma é apresentado no trabalho de Fornaciali et al (2014). Os descritores utilizados para esse exame foram denominados de state-of-the-art BossaNova. Eles são uma extensão do modelo BoVW e em uma distribuição chamada de distância para a palavra-chave. Dois passos
são utilizados para obtê-los: codificação e agrupamento. O primeiro passo associa os descritores locais
da imagem para o elemento mais próximo na tabela de
codificação, e o segundo calcula a média desses códigos da imagem e agrupa todas as informações em um
vetor de características. Esse método atingiu uma área
sob a curva ROC de até 93,7%.
Este trabalho está organizado da seguinte forma:
na Seção 2 são apresentados e descritos os materiais;
na Seção 3 é feita uma descrição detalhada da técnica
utilizada; na Seção 4 são expostos os resultados obtidos; e por fim, as conclusões e trabalhos futuros na
Seção 5.
2 Materiais
Nesta seção, os materiais para a extração de características de lesão de pele utilizados nesse trabalho são
apresentados e descritos. São eles, o sistema de cores
e a base de imagens.
2.1 Sistemas de Cores HSV
O sistema de cores HSV é uma transformação não-linear do sistema de cores RGB (Red, Green, Blue). Ele
é composto pelas componentes: matiz (Hue - H), saturação (Saturation - S) e brilho (Value - V), responsáveis pela definição do espaço de cor.
A Figura 1 mostra as componentes de uma imagem da base de imagens no sistema de cores HSV. O
matiz identifica o tipo de cor, desde o vermelho até o
violeta, mais o magenta, e pode conter valores entre 0
e 360, mas para algumas aplicações, é normalizado de
0 a 100%. Na saturação, quanto menor for esse valor,
que também é entre 0 e 100%, mais cinzenta parecerá
a cor, e quanto maior, mais saturada é a cor. Por fim,
o brilho, que define a luminosidade da cor, atingindo
valores de 0 a 100%.
(a)
(b)
(c)
Figura 1. Componentes do modelo de cores HSV. (a) Componente
de matiz; (b) Componente de saturação; (c) Componente de brilho.
2.2 Base de Imagens
A base de imagens utilizada para os testes dos algoritmos no trabalho é a PH² (Mendonça et al., 2013). Ela
é constituída por um total de 200 imagens dermatoscópicas: 80 nevos comuns (manchas), 80 nevos atípicos e 40 melanomas (tumor maligno). As imagens estão no sistema de cores RGB com uma resolução de
768 x 560 pixels. E as cores das peles representadas
podem variar de branco a branco creme.
A Figura 2 mostra imagens de lesões de pele pertencentes à base de imagens PH². Na Figura 2 (a) e (b),
são apresentados um nevo comum e sua máscara binária da lesão, respectivamente. E na Figura 2 (c) e (d)
um melanoma e sua máscara binária. As imagens foram avaliadas e diagnosticadas por um dermatologista, aspecto esse, fundamental pela escolha dessa
base. Cada lesão possui um diretório que contém a
imagem dermatoscópica original, a máscara binária da
lesão, bem como a máscara binária das classes de cores presentes na lesão de pele.
3 Técnica Proposta
Nesta seção são descritos os algoritmos utilizados para
a extração de características de imagens de lesão de
pele no trabalho. A partir da imagem original da lesão
e da máscara binária da lesão, as características da regra ABCD são calculadas, bem como os descritores
GLCM e LBP. Desse modo, o vetor de atributos é formado por tais características para a subsequente classificação dessas imagens em patológica (melanoma) e
não-patológica (não-melanoma).
(a)
(b)
(c)
(d)
Figura 2. Imagens de lesões de pele. (a) Nevo comum; (b) Máscara binária da lesão; (c) Melanoma; (d) Máscara binária da lesão.
3.1 ABCD
Algumas características visuais das lesões de pele podem ser observadas para obter-se um diagnóstico, assim como a Assimetria, a irregularidade da Borda, a
variação da Cor interna e o Diâmetro (Barcelos et al.,
2003). Desse modo, a regra ABCD é um importante
algoritmo para descrever lesões de pele. Cada etapa
desse algoritmo é apresentada detalhadamente abaixo.
1. Assimetria: Lesões que tendem a ser mais arredondadas são geralmente não cancerosas e/ou não malignas. Assim, a assimetria de uma lesão diz respeito
à sua forma. Nesse trabalho, ela foi obtida utilizando
a equação (Equação 1) que calcula a distância entre
um ponto e uma reta (diagonal maior obtida pelo diâmetro). A maior distância entre a reta e um ponto pertencente à borda é armazenada. O resultado, em pixels,
é utilizado para a classificação.
𝑑=
|𝑎𝑥0 +𝑏𝑦0 +𝑐|
√𝑎2 +𝑏 2
,
(1)
onde a, b, c são os coeficientes da reta e x0, y0 os pontos da coordenada da imagem.
2. Irregularidade da Borda: Nesta etapa, a definição da irregularidade é baseada em pontos de inflexão (picos e vales), onde as curvas mudam de côncavas para convexas, ou vice-versa. Dado que lesões não
malignas geralmente possuem bordas lisas e suaves, e
já as malignas, bordas irregulares, ela é dividida em
duas técnicas. Na primeira técnica, pesos são atribuídos para cada um dos quatro vizinhos da direita e da
esquerda de todos os pontos pertencentes à borda da
lesão. O vizinho que estiver abaixo do ponto analisado
em relação à coordenada y, recebeu peso 1, caso contrário, recebeu peso -1 (Araújo et al., 2012).
A soma dos pesos dos oitos vizinhos determinam
uma inflexão. Se esta soma for maior ou igual a 2, ou
menor ou igual a -2, o ponto analisado é considerado
uma inflexão. Além disso, outro ponto deve ser observado; se essa soma dos pesos for positiva, a inflexão é
considerada um pico, mas se negativa, é considerada
um vale. Esta primeira técnica obtém a quantidade total de picos e vales menores existentes na borda da lesão (Araújo et al., 2012).
Na segunda técnica, é utilizada a equação do produto vetorial (Equação 2) com a finalidade de encontrar os picos e os vales maiores da lesão. Esta equação
é empregada para todos os pontos pertencentes à
borda da lesão, considerando os seus vizinhos da direita e esquerda (p – 15; p; p + 15), sendo p o ponto.
Assim, caso o resultado do produto vetorial seja maior
que zero, p1 = (x1, y1), p2 = (x2, y2) e p3 = (x3, y3) constituem um pico, porém, se menor que zero, constituem
um vale (Araújo et al., 2012).
Na classificação, a quantidade total de picos e vales menores e quantidade total de picos e vales maiores são utilizadas.
𝑝 = (𝑥2 − 𝑥1 ). (𝑦3 − 𝑦1 ) − (𝑦2 − 𝑦1 ). (𝑥3 − 𝑥1 )
(2)
3. Cor: Essa etapa é responsável pelo cálculo da
quantidade de cores presentes na lesão. Isso deve-se
ao fato de que o atributo se refere à variação da coloração interna. Na maioria das vezes, lesões com cor
interna homogênea são não malignas. A componente
utilizada é a gerada pela soma das bandas S e V do
modelo de cores HSV por evidenciar melhor a lesão
(Moura et al., 2015). Um exemplo dessa soma é mostrado na Figura 3. A quantidade de cores utilizada na
classificação é calculada através da divisão do canal
em dez intervalos. As cores pertencentes ao mesmo
intervalo foram consideradas semelhantes. A contagem do número de pixels é feita para cada intervalo,
sendo descartados os que possuírem regiões muito pequenas (menos de 100 pixels).
Figura 3. Soma das componentes S e V do modelo de cores HSV.
A Figura 4 apresenta um exemplo de como é feito
o cálculo da quantidade de cores presentes na lesão de
pele utilizando a soma das componentes S e V do modelo de cores HSV. A coloração foi feita artificialmente através dos intervalos em que a imagem foi dividida. Nesse exemplo, foram encontradas 5 cores diferentes na lesão.
Figura 4. Coloração artificial da soma das componentes S e V do
modelo de cores HSV.
4. Diâmetro: Nessa etapa, a máscara binária da
lesão é utilizada para obter a borda da lesão com a utilização do algoritmo de Sobel (Sobel, 1970). O resultado é mostrado na Figura 5.
Figura 5. Borda da lesão.
Com a borda da lesão, o diâmetro da lesão é calculado. Ele consiste na maior distância entre dois pontos, p1 = (x1, y1) e p2 = (x2, y2) pertencentes à borda de
uma imagem, constituindo a diagonal maior. Para
isso, a equação da distância euclidiana (Equação 3) é
utilizada. Lesões malignas tendem a possuir um diâmetro maior ou igual a 6mm com a possibilidade de
variação de tamanho e forma. Entretanto, as não malignas normalmente possuem um diâmetro menor que
6mm e não mudam de tamanho. Assim, o diâmetro é
um importante atributo a ser calculado. Para a classificação, a distância é utilizada em pixels.
𝐷(𝑝,𝑞) = √(𝑥1 − 𝑥2 )2 + (𝑦1 − 𝑦2 )2
(3)
textura, recuperação de imagens e, inspeção de superfície (Guo et al., 2010), (Suruliandi et al., 2012),
(Zhao et al., 2012), (Silva et al., 2014).
O descritor LBP original (Ojala et al., 1996) rotula os pixels de uma imagem em níveis de cinza por
limiarização. O valor do limiar é o pixel central da janela de vizinhança 3 x 3. Cada pixel é comparado com
o central e o resultado final é feita para todas as janelas
escolhidas da imagem. Após todas as janelas serem
computadas, o vetor de características é montado com
a junção dos valores obtidos. A Figura 6 ilustra o processo.
(a)
(b)
(c)
3.2 Extração de Atributos via GLCM
A GLCM (Grey-Level Co-occurrence Matrix) é uma
técnica responsável pela análise do atributo de textura
em imagens. O seu funcionamento consiste em coocorrências existentes entre pares de pixels que são
analisadas através de algum padrão. Uma GLCM é
sempre uma matriz quadrada, onde as informações das
intensidades relativas dos pixels são armazenadas. Por
este motivo, as imagens utilizadas são sempre em tons
de cinza (Haralick et al., 1973). Desse modo, a componente gerada pela soma das bandas S e V do modelo
de cores HSV também foi empregada.
Uma orientação Θ (tetha) e uma distância conhecida como pixel pair spacing são utilizadas para o cálculo das probabilidades de co-ocorrências entre dois
níveis de cinza i e j. Essa orientação pode assumir os
valores de 0°, 45°, 90° e 135° (Baraldi e Parmiggiani,
1995). Existe uma matriz de co-ocorrência para cada
relacionamento espacial possível (distância e orientação). Assim, todas as informações sobre a textura de
uma imagem estarão contidas nessa matriz.
Para a GLCM, quatorze características significativas foram definidas por Haralick (1973). Entretanto,
a utilização de algumas características podem obter
um melhor resultado, do que com a utilização de todas. Assim, os atributos de textura utilizados no trabalho foram: o contraste, a correlação, a energia, a homogeneidade e a entropia.
Figura 6. Exemplo de cálculo do descritor LBP. (a) Exemplo de
janela. (b) Limiarização baseada no pixel central. (c) Padrão calculado a partir do resultado da limiarização.
Após a limiarização, um histograma da célula é
calculado, ou seja, as quantidades de “0” e “1” são calculadas. As características mais relevantes do descritor LBP são a sua tolerância a mudanças de iluminação e sua simplicidade computacional. Ele foi utilizado também, nas imagens em tons de cinza da componente gerada pela soma das bandas S e V do modelo
de cores HSV.
3.4 Vetor de Atributos
O vetor de atributos utilizado como entrada para
os classificadores foi obtido com a utilização da regra
ABCD e os descritores GLCM e LBP. A primeira, é
composta pelas seguintes características: maior distância entre a reta e um ponto, quantidade de picos e
vales pequenos, quantidade de picos e vales grandes,
maior distância entre dois pontos e a quantidade de
cores encontradas na lesão. O segundo, é formado por:
contraste, correlação, energia, homogeneidade, calculados sob a área lesionada nas 4 orientações, e entropia, somente em uma. E por fim, o LBP, composto por
256 atributos. Dessa maneira, totalizando 278 atributos.
4 Resultados e Discussões
3.3 Local Binary Pattern
O descritor Padrão Binário Local (Local Binary Pattern – LBP) tem um bom desempenho em diversas
aplicações, incluindo a classificação e segmentação de
Na análise dos dados foram utilizadas 200 imagens,
dentre elas, 40 melanomas e 160 não-melanomas. Na
classificação das imagens oito classificadores foram
empregados: Máquina de Vetor de Suporte (SVM)
(Cortes e Vapnik, 1995), MultiLayer Perceptron
(MLP) (Haykin, 2008), Random Forest (Breiman,
2001), K-NN (Aha et al., 1991), Naive Bayes (Lewis,
1998), Radial Basis Function (RBF) (Haykin, 2008),
Simple Logistic (Sumner et al., 2005) e Máquina de
Comitê (Haykin, 2008). O método estatístico k-fold
cross-validation (k = 10) foi utilizado para gerar os resultados. E todos os atributos foram normalizados.
Os resultados foram analisados de acordo com o
índice Kappa (K) (Rosenfield e Fitzpatrick-lins,
1986), a área sob a curva ROC (ROC) e a Acurácia
(A). O Verdadeiro Positivo (VP) e o Verdadeiro Negativo (VN) apresentam a quantidade de lesões nãomelanocíticas e melanocíticas, respectivamente, classificadas corretamente, já o Falso Positivo (FP) e o
Falso Negativo (FN) as classificadas incorretamente.
O nível de precisão do índice Kappa utilizado
para a avaliação dos resultados é mostrado na Tabela
1. Os classificadores foram testados com vários parâmetros, contudo, o melhor parâmetro para o MLP e
RBF foi utilizando o números de camadas ocultas
igual a 2. No Random Forest, foram geradas 100 árvores e a profundidade máxima foi ilimitada. No
SVM, o tipo de kernel utilizado é o Radial basis function e seu grau igual a 3. Já no Simple Logistic, o número máximo de iterações para o LogitBoost é igual a
500 e no K-NN o número de vizinhos utilizados é 1.
Tabela 1. Nível de precisão da classificação, de acordo com o índice Kappa.
Índice Kappa (K)
Qualidade
K ≤ 0.2
0.2 < K ≤ 0.4
0.4 < K ≤ 0.6
0.6 < K < 0.8
K ≥ 0.8
Ruim
Razoável
Bom
Muito Bom
Excelente
A Tabela 2 apresenta os resultados da classificação das imagens de lesão de pele para sete classificadores. Pode-se observar que eles alcançaram resultados satisfatórios, porém, o MLP, o RBF e o Simple
Logistic se destacaram, atingindo um índice Kappa de
0,675, 0,669 e 0,662, respectivamente. Dessa maneira,
foram realizados testes através da combinação dos três
para a máquina de comitê, com o objetivo de melhorar
os resultados.
A combinação, apresentada na Tabela 3, foi testada pela utilização de quatro estratégias de comitê:
Votação Majoritária (VM), Média de Probabilidades
(MP), Produto de Probabilidades (PP) e Probabilidade
Máxima (PM). Esta última obteve o melhor resultado
para a classificação de imagens de lesão de pele, alcançando uma acurácia de 0,930 e um índice Kappa
de 0,764.
5 Conclusão e Trabalhos Futuros
Este trabalho propôs uma extração de características
de lesões de pele utilizando a regra ABCD e os descritores GLCM e LBP. A fim de encontrar o melhor resultado, diferentes classificadores foram testados. Assim, um índice Kappa de 0,764 foi obtido através da
combinação dos classificadores RBF, MLP e Simple
Logistic. O método se mostrou eficiente, obtendo um
desempenho “Muito Bom” de acordo com a Tabela 1.
Com o intuito trabalho de melhorar a extração de
características em imagens de lesão de pele, uma análise dos descritores e classificadores foi realizada. O
objetivo é atingir um aumento na taxa de acerto e, assim, um aumento no índice Kappa. Desse modo, podese observar que a combinação de classificadores possibilitaram melhores resultados do que a sua utilização
isolada.
Como trabalhos futuros, espera-se utilizar outras
bases de dados, outros descritores para a extração de
atributos de lesões de pele, tais como Transformada
Wavelet Packet, Histogram of Oriented Gradients e
Speeded Up Robust Features, e ainda outros classificadores. Além disso, a comparação da técnica proposta com outras técnicas da literatura.
Referências Bibliográficas
Aha, D. W.; Kibler, D. e Albert, M. K. (1991). Instance-based learning algorithms. Machine learning, v. 6, n. 1, p. 37-66.
American Cancer Society (2015). Cancer facts & figures 2015, http://www.cancer.org/acs/groups/
content/@editorial/documents/document/acspc044552.pdf, abril.
Araújo, A. F. et al. (2012). Análise e Caracterização
de Lesões de Pele para Auxílio ao Diagnóstico
Médico. In Neves, L. A. P., Neto, H. V. e Gonzaga, A. (Eds.). Avanços em Visão Computacional. Paraná: omnipax, p. 27-46.
Baraldi, A. e Parmiggiani, F. (1995). An investigation
of the textural characteristics associated with gray
level cooccurrence matrix statistical parameters.
Geoscience and Remote Sensing, IEEE Transactions on, v. 33, n. 2, p. 293-304.
Barcelos, C. A. Z.; Boaventura, M. e Silva Junior, E.
C. (2003). A well-balanced flow equation for
noise removal and edge detection. IEEE Transactions on Image Processing, v. 12, n. 7, p. 751-763.
Breiman, L. (2001). Random forests. Machine Learning, v. 45, n. 1, p. 5-32.
Cavalcanti, P. G.; Scharcanski, J. e Baranoski, G. V.
G. (2013). A two-stage approach for discriminating melanocytic skin lesions using standard cameras. Expert Systems with Applications, v. 40, n.
10, p. 4054-4064.
Cortes, C. e Vapnik, V. (1995). Support-vector networks. Machine learning, v. 20, n. 3, p. 273-297.
Fornaciali, M.; Avila, S.; Carvalho, M.; e Valle, E.
(2014). Statistical Learning Approach for Robust
Melanoma Screening. In Proceedings of the 2014
27th SIBGRAPI Conference on Graphics, Patterns
and Images. IEEE Computer Society, p. 319-326.
Gonzalez, R. C. e Woods, R. E. (2010). Processamento Digital de Imagens. 3ª ed. São Paulo: Pearson Prentice Hall, 640 p.
Tabela 2. Resultados para a classificação das imagens de lesão de pele.
SVM
Naive Bayes
K-NN
Random Forest
RBF
MLP
Simple Logistic
VP
FP
FN
VN
K
ROC
A
155
143
147
149
150
149
154
5
17
13
11
10
11
6
37
17
13
11
11
10
14
3
23
27
29
29
30
26
0,063
0,469
0,594
0,656
0,669
0,675
0,662
0,522
0,769
0,797
0,920
0,935
0,946
0,962
0,790
0,830
0,870
0,890
0,895
0,895
0,900
Tabela 3. Resultados para a classificação das lesões de pele com a combinação dos classificadores: RBF, MLP e Simple Logistic
VM
MP
PP
PM
VP
FP
FN
VN
K
ROC
A
152
154
155
157
8
6
5
3
10
11
11
11
30
29
29
29
0,713
0,721
0,735
0,764
0,850
0,962
0,963
0,961
0,910
0,915
0,920
0,930
Guo, Z.; Zhang, D. (2010). A completed modeling of
local binary pattern operator for texture classification. Image Processing, IEEE Transactions on,
v. 19, n. 6, p.1657-1663.
Haralick, R.; Shanmugam, K. e Dinstein, I. (1973).
Textural features for image classification. Systems, Man and Cybernetics, IEEE Transactions
on, n. 6, p. 610-621.
Haykin, S. (2008). Neural Networks and Learning
Machines. 3ª ed. New Jersey: Prentice Hall, 936
p.
Lewis, D. D. (1998). Naive (Bayes) at forty: The independence assumption in information retrieval.
In: Machine learning: ECML-98. Springer Berlin
Heidelberg, p. 4-15.
Mendonça, T. et al. (2013). PH² - A dermoscopic image database for research and benchmarking. In
Engineering in Medicine and Biology Society
(EMBC). 35th Annual International Conference
of the IEEE. Osaka, Japan, p. 5437-5440.
Moura, N. H.; Silva, R. R. V. e Araújo, F. H. D.
(2015). Extração de Atributos e Classificação de
Lesões de Pele Utilizando Combinação de Componentes de Modelos de Cores. Revista de Sistemas e Computação, v. 5, n. 1.
Ojala, T.; Pietikäinen, M. e Harwood, D. (1996). A
comparative study of texture measures with classification based on featured distributions. Pattern
recognition, v. 29, n. 1, p. 51-59.
Parolin, A.; Herzer, E. e Jung C. R. (2010). Semi-automated diagnosis of melanoma through the
anaysis of dermatological images. In Graphics,
Patterns and Images (SIBGRAPI), 2010 23rd
SIBGRAPI Conference on. IEEE, p. 71–78.
Rosenfield, G. H. e Fitzpatrick-lins, K. A. (1986). A
coefficient of agreement as a measure of thematic
classification accuracy. Photogrammetric Engineering and Remote Sensing, v. 52, p. 223-227.
Silva, R. R. V.; Aires, K. R. T. e Veras, R. M. S.
(2014). Helmet Detection on Motorcyclists Using
Image Descriptors and Classifiers. In Graphics,
Patterns and Images (SIBGRAPI), 27th SIBGRAPI Conference on, p. 141-148.
Skin Cancer Foundation (2015). Skin cancer facts,
http://www.skincancer.org/skin-cancer-information/skin-cancer-facts#melanoma, abril.
Sobel, I. E. (1970). Camara Models and Machine Perception, Ph.d dissertation, Stanford University,
Palo Alto, Calif.
Sumner, M.; Frank, E. e Hall, M. (2005). Speeding up
logistic model tree induction. In: Knowledge Discovery in Databases: PKDD 2005. Springer Berlin Heidelberg, p. 675-683.
Suruliandi, A.; Meena, K.; Reena Rose, R. (2012). Local binary pattern and its derivatives for face
recognition. Computer Vision, IET, v. 6, n. 5, p.
480-488.
World Health Organization (2015). How common is
skin cancer?, http://www.who.int/uv/faq/skincancer/en/index1.html, abril.
Zhao, G. et al. (2012). Rotation-invariant image and
video description with local binary pattern features. Image Processing, IEEE Transactions on, v.
21, n. 4, p. 1465-1477.