Análise e Sugestão Automática de Câncer de Pele através de HOG e SVM

Transcrição

1 Análise e Sugestão Automática de Câncer de Pele através de HOG e SVM Lucas Bezerra Maia 1, Roberto M. Pinheiro Pereira 1, Thalles Alencar Silva 1, Alexandre César P. Pessoa 1, Geraldo Braz Junior 1 1 Núcleo de Computação Aplicada Universidade Federal do Maranhão (UFMA) Av. dos Portugueses, Bacanga, São Luís - MA, {lucasmaia1202, robertomatheuspp, thalles-alencar}@gmail.com {alexandre.pessoa0707, ge.braz}@gmail.com Abstract. Melanoma is the most lethal type of skin cancer compared to the others, however it presents high recovery rates when discovered in its primary stage. Its previous diagnosis also presents a challenge for people whose access to medical specialists is not feasible. Various automatic diagnostic techniques, through machine learning, are being discussed by different authors. In this work, we propose an automatic system model for skin cancer classification, using supervised training of support vector machines with histograms of oriented gradients. Resumo. O melanoma é o tipo de câncer de pele mais letal comparado com os demais, porém apresenta índices de recuperação elevados quando descoberto em sua fase primária. Seu diagnóstico prévio ainda apresenta um desafio para pessoas cujo acesso aos médicos especialistas é inviável. Diversas técnicas de diagnóstico automático, por meio de aprendizado de máquina, vêm sendo abordadas por diferentes autores. Neste trabalho, propõe-se um modelo de sistema automático de classificação de câncer de pele, por meio do treinamento supervisionado de máquinas de vetor de suporte com histogramas de gradientes orientados. 1. Introdução O melanoma, apesar de ser considerado o tipo de câncer de pele mais letal, pode apresentar elevados índices de cura quando diagnosticado em seu estágio inicial. A doença pode se manifestar em pele normal com o surgimento de uma pinta com tonalidade escura e bordas irregulares, podendo vir acompanhada de coceira e descamação, ou a partir de uma lesão pigmentada pré-existente, onde o tumor irá evoluir apresentando mudanças de cores, variando de marrom ao preto, e aumento da área da lesão [Soares 2008]. Uma das técnicas utilizadas para o diagnóstico de câncer de pele é a dermatoscopia, que se trata de um exame para analisar áreas pigmentadas da pele, com o auxílio de um equipamento capaz de ampliar a região da lesão. O aparelho mais utilizado entre os profissionais especializados é o dermatoscópio [Alencar 2015]. Juntamente com a utilização da digitalização de imagens para avaliação clínica da pele, surgiu a necessidade de explorar técnicas de aprendizado de máquina para auxílio no diagnóstico dessa patologia.

2 Em [Rosado 2009], o autor apresenta um método supervisionado de classificação de lesões subcutâneas baseado no sistema de pontuação da regra ABCD, que levam em consideração caraterísticas como Assimetria, Bordas, Cor e Dimensão da lesão. Já [Soares 2008] propôs, em seu trabalho, uma metodologia inteligente para análise e classificação de câncer de pele, baseada no processamento de imagens para extração de características de cor, forma e textura, utilizando Transformada de Wavelet Paket (TWP). Em [Alencar 2015], foi proposto um método de classificação utilizando redes neurais para análise e diagnóstico de imagens obtidas pela câmera de um dispositivo móvel pareado com uma lente dermatoscópia. O objetivo deste trabalho é propor um modelo de classificação para diagnóstico de câncer de pele através de um processo supervisionado de aprendizagem de máquina denominada Máquina de Vetor de Suporte (SVM - Support Vector Machine), tendo como características os Histogramas de Gradientes Orientados das lesões extraídas das imagens. 2. Fundamentação Teórica 2.1. Histograma de Gradientes Orientados A ideia principal por trás dos descritores de histograma de gradientes orientados (HoG - Histogram of Oriented Gradients) é que a aparência de objetos pode ser caracterizada por uma distribuição local de bordas orientadas [Ballesteros and Salgado 2013]. O primeiro passo a ser tomado na geração dos descritores é o cálculo de gradientes: a aplicação do operador de gradiente selecionado resulta em intensidade de borda e valores de orientações para cada pixel da imagem. O segundo passo é a divisão da imagem em blocos chamados células, de onde os histogramas serão tirados. Cada pixel na célula contribui com um voto ponderado de acordo com a magnitude do gradiente e a distância para o centro dos canais. Por último, os gradientes dados como respostas são normalizados para compor o vetor de características de descrição HoG Máquina de Vetor de Suporte As máquinas de vetor de suporte são utilizadas para tarefa de classificação e surgiram com o objetivo primário de categorizar padrões linearmente separáveis. O classificador SVM tem o trabalho de segmentar as duas classes através de um hiperplano que maximiza uma margem de separação denotada por δ. Esse hiperplano está localizado entre as semi-retas H 1 e H 2, que separam as classes +1 e -1 respectivamente, atingindo seu ótimo quando a distância para as duas linhas for máxima. Dois pontos da classe +1 definem a reta H 1 e três, da classe -1, definem a reta H 2. Esses pontos são chamados de vetores de suporte (SV - Support Vector) [Soares 2008]. Para conjunto de dados com padrões não-linearmente separáveis, o classificador SVM mapeia os padrões de entrada em um vetor de características com alta dimensão, para que a separação ocorra no novo espaço. Porém, a tarefa de encontrar uma função de transformação de espaço não é trivial. Para resolver o problema, a transformação ocorre com o auxílio de funções não-lineares que são denominadas de Kernel, que torna possível a construção de um hiperplano de separação ótimo para o espaço de características sem considerar explicitamente o espaço [Soares 2008].

3 3. Metodologia Para a metodologia de diagnóstico de câncer de pele usando imagens, propõe-se um processo como mostra a Figura 1. O diagrama mostra a utilização de um banco de dados que passará por um pré-processamento, seguido pela fase de extração de características, cujo vetor será ser utilizado para treinamento do classificador. Nas demais subseções, destacam-se as atividades realizadas em cada uma das etapas. Figura 1. Diagrama do Modelo de Classificação Banco de Dados e Pré-processamento Foi utilizado o banco de dados da organização de Colaboração Internacional de Imagens de Pele (ISIC - International Skin Imaging Collaboration) que é um esforço mundial para melhoria do diagnóstico de melanomas, patrocinado pela Sociedade Internacional para Imagens Digitais de Pele (ISDIS - International Society for Digital Imaging of the Skin). O banco de dados ISIC possui o maior repositório público disponível para imagens dermatoscópicas com controle de qualidade. O banco utilizado por este trabalho é composto por 900 imagens dermatoscópicas, sendo 171 da classe melanoma e 729 da classe não-melanoma. O banco é composto também de 900 máscaras binarizadas, criadas com auxílio de especialistas, contendo as regiões de interesses das lesões. A etapa de pré-processamento, como visto na Figura 1, envolve identificação, redimensionamento e segmentação das lesões. Na identificação, as imagens são renomeadas no intervalo de 1 a 900 para melhorar o processo de busca. Como as imagens não são homogêneas em relação aos atributos de largura e altura, foi necessária o redimensionamento uniforme entre elas que resultou em itens de 608 pixels de largura por 424 pixel de altura. A terceira e ultima fase do pré-processamento das imagens inclui a separação das áreas suspeitas de câncer das regiões de pele, usando as máscaras fornecidas. A Figura 2 mostra o resultado final dessa segmentação Extração de Características A etapa anterior se faz necessária para preparar as imagens para esse processo de extração de features. Na Figura 1, essa fase precede o processo de treinamento, pois é nesta etapa, que as características que serão usadas no classificador SVM são extraídas.

4 Figura 2. Segmetação. (a) imagem normal à esquerda, (b) máscara no centro, (c) resultado à direita. Como característica foi proposta a utilização dos descritores de histograma de gradientes orientados. Em quase todos os estudos que utilizam HoG, a configuração do descritor não é completamente explorada. Hipóteses diretas de parametrização para detecção de pessoas e outros objetos são aplicadas [Ballesteros and Salgado 2013]. Para computar os descritores das imagens, foram utilizados os seguintes parâmetros do opencv 1 : win size: tamanho de janela de detecção (16x16), block size: tamanho em pixel do bloco (8x8), block stride: bloco de deslise (4x4), cell size: tamanho da célula (4x4) e nbins: número de bin (8). Antes de calcular os HoGs, foi realizada ainda mais uma redução do tamanho das imagens, agora de 20% da dimensão original. O resultado de descritores diferentes. Esses valores foram atribuídos a uma matriz para alimentar as máquinas de vetor de suporte. Os parâmetros para treinamento foram calculados automaticamente, usando a função autotrain da biblioteca de visão computacional opencv Treinamento e Validação Para a estratégia de treinamento e validação, dividiu-se a base de imagens em 70% para treino e 30% para a realização dos testes. Como a base é composta de 171 exemplos de melanoma, de um total de 900 instâncias, foi necessário criar um método de seleção aleatória que deixasse os exemplos balanceados, ou seja, um método que garantisse que um mesmo número de exemplos tanto de melanoma, como de não-melanoma, fosse utilizada para treino e teste. A configuração do bando de dados, ficou então com 242 imagens para treino (metade melanoma, metade não-melanoma) e 102, para teste (também metade melanoma e metade não-melanoma). A Figura 3 resume como a base ficou estratificada. 4. Resultados Os resultados expostos nesta Seção foram obtidos após 10 execuções de treinamento e testes como proposto na Seção 3.3. A Tabela 1 apresenta os valores de acurácia geral e por classe gerados em cada modelo. Pode-se observar, com esses resultados, que a acurácia geral média é de 66%. O que levou o resultado é a dificuldade de classificar imagens não-melanomas com eficácia. A média para essa classe foi de aproximadamente 58%, enquanto que, para a classe melanoma, a acurácia média foi de 73%. Se deve principalmente a características da pele que se misturam com características do melanoma. Vale ressaltar que para cada treino realizado, um novo conjunto aleatório com imagens para treino e teste é criado. Observando 1 Biblioteca aberta de Visão Computacional:

5 Figura 3. Configuração (70-30)% para treino e validação. Tabela 1. Resumo dos resultados obtidos. Acurácias Teste Geral Não-Melanoma Melanoma 1 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Média 0, , , Desvio Padrão 0, , , os resultados da tabela, houve caso em que a acurácia de classificação de melanoma foi de aproximadamente 87%, o que leva a inferir que os exemplos deste treino favoreceram o aprendizado das máquinas de vetor de suporte. O resultado aponta que a metodologia necessita de melhorias como a inclusão de informação de cor no processo. Trabalhos relacionados que adicionam essa informação posuem melhor desempenho como [Soares 2008] e [Rosado 2009] e [Alencar 2015] que usam características baseadas na regra ABCD, como forma, cor e textura da lesão. 5. Conclusão Neste trabalho, foi proposto um modelo de classificação automática para câncer de pele, usando histograma de gradientes orientados como características para treino de máquina de vetor de suporte. Com os resultados, pode-se concluir que tais características, isoladas, não formam um bom descritor para o problema de melanomas. Porém, é possível verificar uma potencial melhora nos resultados finais, caso seja selecionado um conjunto de dados com informações significativas para o processo de treinamento.

6 Trabalhos futuros incluem investigar quais características podem ser extraídas e combinadas aos descritores HoG para melhorar os resultados de classificação de melanoma e a construção de um aplicativo móvel para distribuição livre com a finalidade de prevenção e diagnóstico precoce de melanoma. Referências Alencar, F. E. S. (2015). Desenvolvimento de um sistema para classificação automática de imagens dermatoscópicas para dispositivos móveis. Universidade do Estado do Rio Grande do Norte, Biblioteca Central Orlando Teixeira, BR-RN. Ballesteros, G. and Salgado, L. (2013). Optimized hog for on-road video based vehicle verification. Universidad Autónoma de Madrid. Rosado, L. F. C. M. G. (2009). Sistema automático para diagnóstico de lesões cutâneas baseado em imagens dermoscópicas. Universidade do Estado do Rio Grande do Norte, Biblioteca Central Orlando Teixeira, BR-RN. Soares, H. B. (2008). Análise e classificação de imagens de lesões da pele por atributos de cor, forma e textura utilizando máquina de vetor de suporte. Universidade Federal do Rio Grande do Norte, Biblioteca Central Zila Mamede, BR-RN.