Unsupervised Skin cancer detection by combination of texture and shape features in dermoscopy images

Document Type : Research Article

Authors

Faculty. of Electrical Engineering, University of Tarbiat Modares University, Tehran, Iran

Abstract

In this paper a novel unsupervised feature extraction method for detection of melanoma in skin images is presented. First of all, normal skin surrounding the lesion is removed in a segmentation process. In the next step, some shape and texture features are extracted from the output image of the first step: GLCM, GLRLM, the proposed directional-frequency features, and some parameters of Ripplet transform are used as texture features Also, NRL features and Zernike moments are used as shape features. Totally, 63 texture features and 31 shape features are extracted. Finally, the number of extracted features is reduced using PCA method and a proposed method based on Fisher criteria. Extracted features are classified using the Perceptron Neural Networks, Support Vector Machine, 4-NN, and Naïve Bayes. The results show that SVM has the best performance. The proposed algorithm is applied on a database that consists of 160 labeled images. The overall results confirm the superiority of the proposed method in both accuracy and reliability over previous works.

Keywords

Full Text

[1]یکی از رایجترین و خطرناک­ترین انواع سرطان­های پوست، سرطان ملانوم (CMM2) است. سالانه از بین 20 میلیون نفر بیمار مشکوک، 5/3 میلیون نفر مبتلا به ملانوم تشخیص داده می­شوند. ملانوم یک تومور کشنده ملانوسیتی است که از تولید نامنظم رنگدانه‌های تیره­ای به نام ملانین تولید می­شود و در صورتی که درمان نشود، از طریق خون به تمام نقاط بدن منتقل می­شود. طبق گزارش سازمان بهداشت جهانی در سال 2009، در بین کارگران کشور نیوزلند که در معرض نور خورشید بودند، ملانوم به مرگ حدود 48 هزار نفر منجر شد [1]. بهترین شیوه درمان این سرطان، تشخیص در مراحل اولیه

 

                       

شکل (1): روند نمای سیستم پیشنهادی

 

 

شکل (1): تصویر ضایعه با دوربین عادی [2] (الف)، تصویر ضایعه با درموسکوپ (ب)، درموسکوپ (ج)

 

و جلوگیری از گسترش ضایعه با کمک جراحی است. تشخیص و درمان زودهنگام سرطان ملانوم از روی تصاویر پوستی، سبب کاهش چشمگیر مرگ و میر مبتلایان می­گردد.

اگرچه ملانوم پوستی بسیار خطرناک است، تشخیص بموقع و درمان مناسب، در 90 درصد موارد، باعث جلوگیری از مرگ مبتلایان می­شود. در این مقاله روشی برای تشخیص خودکار این سرطان با استفاده از تصاویر گرفته شده از ضایعه مشکوک پوستی بررسی می­شود. مطالبی که در ادامه ارائه می‌شود، به این ترتیب هستند: در بخش دوم فرآیند اخذ تصویر توسط درموسکوپ، و پس از آن در بخش سوم پیش پردازش لازم بر روی این تصاویر آمده است. در بخش چهارم، به فرآیند استخراج ویژگی­های بافتی و شکلی از تصویر ضایعه، و در بخش پنجم، به توصیف فرآیند ادغام ویژگی‌ها پرداخته شد. در پایان نیز، ارزیابی و جمع‌بندی ارائه گردید.

 

1- اخذ تصویر

شکل () بلوک روندنمای کلی از سیستم پیشنهادی را با پنج بخش مختلف نشان می­دهد. اولین بخش در این روندنما، بلوک اخذ تصویر است. برای اخذ تصویر پوست از درموسکوپ استفاده می­شود. درموسکوپ ابزاری مفید برای تصویربرداری پوست با دقت بالا برای تشخیصبه بموقع ملانوم است که روشی غیر تهاجمی است. مطالعات تشخیص ضایعات پوستی با استفاده از درموسکوپ به سال 1987 باز می‌گردد [2]. در شکل (1)، دوربین درموسکوپ و تفاوت بین تصاویر اخذ شده از ضایعه رنگ دانه‌ای مشکوک را به کمک دوربین عکاسی ساده و درموسکوپ نشان می­دهد. دقت تشخیص، بسته به نوع ضایعه پوست و تجربه پزشک، نسبت به معاینه بالینی چشمی، بین 5 تا 30 درصد افزایش می­یابد [3]. در این مقاله، تعداد 160 تصویر درموسکوپی برچسب خورده از یک پایگاه داده استفاده شد [4]. شکل (2) تعدادی از این تصاویر را نشان می­دهد.

 

 

شکل (2): نمونه‌ی تصاویر درموسکوپ مورد استفاده مقاله

 

 

شکل (3): فرآیند پیش پردازش در این مقاله: تصویر اولیه(الف) حذف مو به وسیله نرم افزار Dullrazor ؛(ب) اعمال روش AMSFCM ؛ (ج) بافت ناحیه؛ (د) شکل ضایعه (ه) مرز ناحیه (و)

 

2- پیش پردازش

پیش پردازش لازم در تصاویر پوست، شامل سه مرﺣﻠﮥ: کاهش نویز، حذف مو و ناحیه‌بندی است.

نویز تصاویر پوست معمولاً از نوع گاوسی مستقل از تصویر بوده، به کمک فیلتر پایین‌گذر گاوسی کاهش می­یابد.

در فرآیند بعدی آرتیفکت­هایی مانند مو و حباب در آب یا روغن از تصویر حذف می­گردد. می­توان مو و این حباب‌ها را با استفاده از برنامه Dullrazor، حذف نمود [5]. شکل (3)،

 

شکل (4): دو دسته ویژگی استخراجی از تصویر ضایعه پوستی

نتیجه اعمال این برنامه را روی یک تصویر نشان می‌دهد. در فرآیند حذف مو خطوط مشکی تصویر پوست، شناسایی و با استفاده از میانگین­گیری آماری جایگزین می‌شود.

در فرآیند ناحیه‌ بندی نیز، بخش ضایعه از ناحیه اطرافش جدا می‌شود. یکی از روش‌های متداول برای این کار، استفاده از روش AMSFCM است [6]. شکل (3)، نتایج مراحل پیش‌پردازش را نشان داده می­دهد.

 

3- استخراج و ادغام ویژگی

در تشخیص ضایعه پوست، از روش طبیABCD استفاده می‌شود. در قانون ABCD، به ویژگی­های ضایعه، مانند: تقارن، مرز، رنگ و قطر ناحیه نمره داده می‌شود و نمره حاصله ارزیابی می‌شود [7, 8]. طبق قانون فوق، ویژگی‌های مستخرج از تصویر‌های پوستی سه قسم هستند: ویژگی­های مرز یا شکل، ویژگی­های بافت و ویژگی­های رنگ. در این مقاله از ترکیب دو نوع ویژگی بافت و شکل استفاده شد. نور پردازی درموسکوپ متغیر است. این تغییرات به طور مستقیم روی متغیر رنگ تأثیر می­گذارد. لذا این متغیر، حذف گردید.

 شکل و بافت ضایعه، دارای ویژگی‌هایی است که با توجه به روند نمای شکل (4) استخراج می‌شوند. بافت تصویر، عبارت است از: تغییرات غیر ایستای سطوح روشنایی که می‌توانند تکراری یا غیرتکراری باشند. کوچکترین بخش بافت نیز، زیربافت نامیده می‌شود. در این مقاله، از چهار روش معمول برای استخراج ویژگی بافتی استفاده گردید، که عبارتند از: ویژگی­های جهت-فرکانس طیف توان، تبدیل Ripplet، ماتریس هم رخداد[2]، و ماتریس طول اجزا[3]. دو روش ممان زرنیکی و پارامترهای NRL[4] برای استخراج ویژگی‌های شکلی استفاده شد. در ادامه، این دو دسته از ویژگی‌ها ارائه می‌شود.

 

4-1- ویژگی‌های بافتی

برای استخراج ویژگی‌های بافتی، ابتدا ضایعه را به چند پنجره مربعی تقسیم بندی می‌نماییم؛ به طوری که با یکدیگر همپوشانی نداشته باشند و هیچ‌کدام از پنجره‌ها، شامل نقاط مرزی ضایعه نباشند؛ به عبارت دیگر، این پنجره‌ها فقط شامل نقاط داخل ضایعه خواهند بود. از این پنجره های مربعی ویژگی­های بافتی استخراج می‌گردد. با استفاده از ویژگی­های  به دست آمده، هر پنجره به عنوان بافت سرطانی یا سالم برچسب می‌خورد. در نهایت، با استفاده از معیار رای اکثریت[5]، سرطانی یا سالم بودن ضایعه مشخص می‌شود.

اندازه پنجره باید با توجه به ساختار ضایعه انتخاب شود اما هم حجم محاسبات بالا خواهد رفت و هم دقت  ویژگی‌های استخراجی کاهش می­یابد. از سوی دیگر، ابعاد بزرگ پنجره، حجم محاسبات را کاهش داده و دقت  ویژگی‌های استخراجی را بالا می‌برد، اما نمی­توان از تمام بافت ضایعه استفاده کرد. در تحقیق پیش رو، عملیات استخراج ویژگی­های بافتی با استفاده از پنجره­هایی با ابعاد 32، 64، 128، 256 و 512 انجام گرفت. بهترین نتیجه حاصل از روش سعی و خطا مربوط به پنجره 64×64 است.

 

الف- ماتریس هم رخداد و طول اجزا

ماتریس هم رخداد (GLCM) و طول اجزا (GLRLM) دو نوع ماتریس هستند که می‌توانند برخی از ویژگی‌های آماری را از بافت استخراج نمایند. در هر دو روش، ابتدا از پنجره همسایگی هر پیکسل تصویر، یک ماتریس p(i, j) تولید می­شود. هارالیک[6] برای اولین بار ماتریس هم رخداد را معرفی نمود. این ماتریس بیانگر احتمال وجود نقاطی با سطوح روشنایی مفروض در فاصله و زاویه معین از یکدیگر در تصویر است [9]. در اینجا، چهار ویژگی «کنتراست، انرژی، آنتروپی و همگنی» با استفاده از روابط (1) تا (4) بر روی ماتریس GLCM استفاده شده است[10].

(1)

    

(2)

    

(3)

    

(4)

    

ماتریس طول اجزا نیز مشابه ماتریس هم رخداد تعریف می‌شود [11]. از این ماتریس نیز شش ویژگی متداول با استفاده از روابط (5) تا (10)، استخراج می­شود .

(5)

    

(6)

    

(7)

    

(8)

    

(9)

    

(10)

    

 

ب: ویژگی‌های جهت- فرکانس:

ژوزف فوریه (1768- 1830)، ریاضیدان و فیزیکدان فرانسوی، مفهومی به نام تبدیل فوریه را بنیان نهاد که در علوم مختلف کاربردهای فراوانی یافته است. تحقیقات گذشته نشان می­دهد که می­توان برای استخراج ویژگی‌های بافت­ها از اندازه مؤلفه های فرکانسی بهره گرفت [12-14].

مانند روش­های قبلی، ابتدا ضایعه، به پنجره­هایی ناهمپوشان تقسیم می­شود. سپس از این پنجره­ها تبدیل فوریه گرفته، تبدیل طیف توان (Power Spectral Density) که بیانگر مقادیر اندازه در مؤلفه‌های فرکانسی تصویر است، محاسبه می­گردد. با توجه به متقارن بودن PSD، می­توانیم بدون از دست دادن اطلاعات، فقط از نیمه بالایی آن استفاده کنیم. در مرحله بعد، با افراز PSD، از مجموع مؤلفه‌های بخش­های این افراز به عنوان ویژگی­های جهت-فرکانس پنجره مربعی مورد نظر، استفاده می­شود.

شکل (5) روش­های مختلف افراز حوزه فرکانس را با سه دسته ماسک «مثلثی، مستطیلی، و دایره ای» پیشنهاد شده در این مقاله نشان می­دهد. نکته قابل ذکر این است که انتخاب شیوه افراز، به توزیع فرکانسی و ساختار بافت­ها باز می‌گردد. شکل (6) نشان‌دهنده سه دسته ماسک مستقل در حوزه فرکانس است. این سه نوع ماسک در طیف فوریه

 

شکل (5): ناحیه بندی حوزه فرکانس به سه شیوه مختلف برای طراحی فیلتر بانک: دایره ای(الف)، مثلثی (ب)، مستطیلی(ج)

 

تصویر ضرب می­شود و حاصل جمع مقادیر هر ناحیه بیانگر ویژگی رقمی شده آن ناحیه است.

 

ج: تبدیل Ripplet

این تبدیل در واقع گسترشی از تبدیل Curvelet است که توانایی تحلیل تصاویر و سیگنال‌ها را در مقیاس‌ها و جهت‌های مختلف دارا ست [15]. اگر تابع ، یک تابع دوبعدی انتگرال پذیر باشد، تبدیل Ripplet آن، ، از روابط (11) تا (13) قابل محاسبه است . در این روابط ،  تابع پایه تبدیل با مقیاس  بوده، پارامترهای b و ɵ بر موقعیت و چرخش آن دلالت دارند.  نیز ماتریس چرخش است که از رابطه (13) قابل محاسبه است. نمایش تابع پایه ، در حوزه فرکانس، از رابطه (14) به دست می‌آید، که در آن، پارامتر مقیاس و  تبدیل فوریه تابع پایه در سیستم مختصات قطبی است.  معرف تابع پنجره شعاعی و  معرف تابع پنجره زاویه‌ای است که باید شرایط روابط (15) و (16) را برآورده کنند. دامنه توابع W و V، به ترتیب، در فاصله بین  و  است.  و  نیز به ترتیب، پارامتر پشتیبان تبدیل و درجه تبدیل خوانده می‌شوند.

 

    

(11)

    

(12)

    

(13)

    

(14)

    

(15)

    

(16)

 

شکل (6): تقسیمات حوزه فرکانس تبدیل Ripplet[16]

 

تقسیمات حوزه فرکانس تبدیل در شکل (7) نشان داده شده است. این تبدیل نسبت به تبدیلات دیگر نظیر موجک، دارای درجه آزادی بیشتر، و تمرکز بیشتر در مرکز است. این روش همانند روش پیشنهادی در حوزه فرکانس است. مناطق مختلف نشان داده شده ماسکی بر حوزه فرکانس اعمال می‌نمایند. تفاوت این روش و روش پیشنهادی در بزرگتر بودن پایه و در فرکانس‌های غیر مرکز تقسیمات زاویه ای و تغیرات شعاعی ناحیه بیشتر می‌شود. منطقه مؤثر در تبدیل با متغیرهای c و d قابل تنظیم است. برای d=1 در هر دو محور، موزاییکی شدن به صورت تبدیل Curvelet می­شود. به ازی d برابر 2، این قطعه‌بندی به شکل سهمی، و برای d برابر 3، به فرم مکعب تبدیل می‌شود.

در این بخش نیز مانند روش­های قبلی، ابتدا ضایعه به پنجره­هایی ناهمپوشان تقسیم می­گردد. سپس تبدیل Ripplet این پنجره­ها محاسبه می­شود که خروجی حاصل از این کار بردار مؤلفه های Ripplet است. پس از محاسبه تبدیل Ripplet برای هر پنجره، علاوه بر بردار حاصل از تبدیل، آمارگان آن، نظیر: میانگین، انحراف معیار و ممان سوم، نیز برای هر بردار استخراج شده و به انتهای بردار اضافه می­گردد. بردار نهایی به عنوان ویژگی بافتی حاصل از Ripplet استفاده می شود.

 

4-2- ویژگی‌های شکلی

در ویژگی‌های بافتی تصویر به قطعه‌هایی تقسیم  و برای هر زیر قطعه تصمیم گیری می­شد، اما در این قسمت، ویژگی­های شکل از تمام مرز ضایعه درون پنجره مربعی به ضلع N استخراج می­شوند.

 

الف: چند جمله‌ای زرنیک

 

 

شکل (7): نمایش سه بعدی دو تابع پایه زرنیک. (الف) V9,7 و (ب)V6,0

 

مؤلفه ­های زرنیک، برای استخراج ویژگی‌های شکلی ضایعه با استفاده از مجموعه‌ای چندجمله‌ای های زرنیک، استفاده می شوند [17]. از آنجا که چندجمله‌ای های زرنیک متعامد هستند، می‌توانند ویژگی‌های یک تصویر را بدون هیچ افزونگی و یا همپوشانی اطلاعات استخراج نمایند.

در استفاده از مؤلفه‌های زرنیک این است که در نواحی بیرون از ضایعه، تعریف‌نشده است. برای حل این مسأله، باید داده‌های مربوط به قسمت‌های بیرون از ضایعه را حذف کرد. با توجه به رابطه (17) می‌توان توابع متعامد زرنیک را محاسبه نمود. در این قسمت از تصویر مرز ضایعه،  که به روش AMSFCM استخراج شده است، استفاده می­شود.

 

         

(17)

 

در این رابطه ، و عامل نرمالیزاسیون است. n نیز یک عدد صحیح غیرمنفی به نمایندگی از نظم چندجمله‌ای شعاعی، و m یک عدد صحیح است که در دو شرط  و  صدق می‌کند.  چندجمله‌ای های شعاعی توابع پایه زرنیک (Vn,m) هستند. شیوه محاسبه مؤلفه‌های زرنیک را می­توانید در کار قبلی دنبال نمایید. شکل (7) ، مقادیر دامنه دو مؤلفه از چندجمله‌ای های زرنیک را نشان می­دهد.

طبق پیاده‌سازی‌های گذشته، استفاده از 21 جمله اول این چندجمله‌ای‌ها می‌تواند انتخاب درستی باشد [17]؛ جمله‌های بعدی، دارای اطلاعات مفیدی هستند و محاسبه آن­ها، دقت طبقه‌بندی را افزایش می‌دهد، اما این افزایش دقت، چشمگیر نبوده، بار محاسباتی را به میزان بالایی افزایش می‌دهد، لذا تنها از 21 جمله اول زرنیک استفاده شده است. در این مقاله از جمله (n,m) = (0,0) تا جمله (n,m) = (5,5) استفاده شده است.

 

ب: ویژگی‌های NRL

برای محاسبه ویژگی­های شکلیNRL، فاصله مرز ضایعه از مرکز آن بر حسب زاویه، ، رسم می­شود. سپس از این سیگنال یک‌بعدی، ویژگی­های NRL از روابط (18) تا (25) استخراج می­شود [18].

(18)

    

(19)

    

(20)

    

(21)

    

(22)

    

(23)

    

(24)

    

(25)

    

 

در روابط بالا، ، مساحت تقریبی؛ bounding-box، مستطیل محیط؛  شعاع دایره محاط و  شعاع دایره محیط بر ضایعه است.  و  نیز به ترتیب، محیط و مساحت دایره محاط در ضایعه هستند.

 

4- کاهش و انتخاب ویژگی

در تحقیقات گذشته نشان داده شده است که اطلاعات به دست آمده از یک هدف با استفاده از منابع مختلف، مکمل یکدیگر هستند و با ادغام آن‌ها می‌توان به اطلاعات بیشتری دست یافت، اما این اطلاعات، معمولاً دارای همبستگی هستند که در مرحله ادغام باید مد نظر باشد.

در بخش قبل، روش‌های مختلفی برای استخراج ویژگی‌‌های متفاوت از تصاویر پوستی ارائه شد. همان‌گونه که اشاره شد، این اطلاعات معمولاً همبستگی دارند. بنابراین، پیش از هر کار دیگری باید این افزونگی‌ها را کاهش داد. روش‌های متعددی برای کاهش ویژگی به کار می‌روند که در این قسمت به دو روش «تحلیل مؤلفه‌های اصلی» و «روش پیشنهادی» که استفاده کرده ایم، اشاره می‌کنیم [19, 20].

در روش PCA با آستانه‌گذاری روی انرژی مؤلفه‌های اصلی حاصل از تبدیل PCA، می­توان ویژگی‌های با انرژی بالا را انتخاب و از بقیه صرف‌نظر نمود [20, 21].

روش پیشنهادی، بر اساس معیار فیشر [22, 23] و شامل دو مرحله است. در مرحله اول، تمام ویژگی­ها از داده‌های آموزشی استخراج، و سپس ارتباط بین آن‌ها محاسبه می­گردد. اگر ارتباط بین چند ویژگی از آستانه مشخصی بیشتر باشد، یک ویژگی به عنوان ویژگی نماینده انتخاب می­شود. در مرحله دوم، از بین ویژگی­های باقی مانده، ویژگی‌هایی که دارای معیار فیشر بیشتری هستند، انتخاب و با روش LDA با یکدیگر ترکیب می­شوند [24]. معیار فیشر هر ویژگی با توجه به رابطه (26) قابل محاسبه است. در این رابطه  و  میانگین و واریانس ویژگی در گروه اول و  و  میانگین و واریانس ویژگی در گروه دوم است.

 

(26)

    

 

از مزایای روش پیشنهادی این است که در مرحله آموزش، تمام ویژگی­ها استخراج می­گردند، اما در مرحله آزمایش، تنها ویژگی­های با ارزش‌تر محاسبه می­شوند. بنابراین، زمان دستیابی به نتیجه تشخیصی، کاهش چشمگیری می­یابد.

در مرحله استخراج ویژگی به ترتیب، 63 و 31 ویژگی بافتی و شکلی استخراج شد. این ویژگی­ها به وسیله PCA به پنج ویژگی و به روش پیشنهادی به 9 ویژگی کاهش یافتند.

 

5- ارزیابی

جهت طبقه‌بندی ویژگی­های استخراج شده، از طبقه‌بندهای شبکه عصبی پرسپترون، ماشین بردار پشتیبان، چهارمین نزدیک‌ترین همسایه، و بیز استفاده شد که طبقه‌بندی با استفاده از ماشین بردار پشتیبان دارای نتایج بهتری بود. پس از طبقه بندی، دو معیار را برای ارزیابی نتایج استفاده کرده ایم: از ماتریس ارزیابی[7]. برای محاسبه صحت، دقت و از نمودار ROC جهت محاسبه حساسیت سیستم استفاده شد. نمودار ROC در تئوری تشخیص سیگنال، گرافی است که نسبت حساسیت را به مقدار مشخصه سیستم[8] نشان می­دهد [27]. در تشخیص­های پزشکی دقت تشخیص افراد بیمار از دقت تشخیص افراد سالم اهمیت بیشتری دارد؛ به این معنی که اگر فرد سالمی مریض تشخیص داده شود؛ زیانبار نیست، اما اگر فرد مریضی سالم تشخیص داده شود، بسیار زیانبار و در برخی موارد مرگبار است [28]. تغییرات دقت طبقه‌بندی دو روش نسبت به تعداد ویژگی‌ها به ترتیب در شکل (8) و شکل (9) نشان داده شده است. در صورتی که انتخاب گروه به صورت تصادفی انجام شود، احتمال درستی نتیجه آن 50 درصد است. در شکل‌های (9) تا (10)، تابع اتفاقی تشخیص گروه به صورت خط‌چین رسم شده است. در دو شکل (8) و(10)، بهترین دقت تشخیص، در نقطه‌ای است که با مقادیر X و Y مشخص شده که X برابر با تعداد ویژگی‌های انتخاب شده و Y دقت حاصله با این مقادیر ویژگی است. این نتایج به وضوح بیانگر این نکته هستند که طبقه بند SVM بر اساس پارامتر دقت طبقه بندی، برای طبقه بندی تصاویر پوستی این مقاله مطلوب است. در ادامه، نتایج حاصل از روش‌های ارائه شده در این مقاله با نتایج روش‌های قبلی مقایسه می­شود.

 

 

شکل (8): دقت کل طبقه‌بندی با بهره‌گیری از آنالیز مؤلفه اصلی

 

 

شکل (9): دقت کل طبقه‌بندی با بهره‌گیری از روش پیشنهادی

 

 

به علت عدم معیارهای یکسان برای ارزیابی نتایج در مقالات بررسی شده، برای مقایسه نتایج در مقالات متشابه، معیاری به نام معیار شایستگی[9] با توجه به رابطه (27) تعریف می‌شود. این معیار صرفاً برای مقایسه بین نتایج در مقالات و یکسان نمودن دقت طبقه بندی مقالات است.

(27)

    

در رابطه (27)، M برابر با نسبت تعداد تصاویر ضایعه ملانوم به کل تصاویر پایگاه داده (N)، Acc بیانگر دقت کل سیستم تشخیصی، Sens حساسیت کل سیستم، Spec مشخصه ROC آن، Az انتگرال زیر منحنی ROC و Time زمان شبیه‌سازی بر حسب دقیقه است. به علت نبودن همه پارامترهای لازم در رابطه (27) نظیر زمان اجرای برنامه، می­توان مقدار متوسط یک پارامتر را برای پارامتر داده نشده در مرجع، قرار داد. البته، در برخی مقالات پارامترهای مورد استفاده در این رابطه به صورت مستقیم ارائه نشده است، بنابراین، از مقادیر میانگین استفاده شد. در جدول (1) روش‌های مختلف برای تشخیص ضایعه سرطانی ملانوم به همراه موارد تشخیصی متشابه آورده شده است. این جدول بیانگر دقت تشخیصی سرطان پوست با استفاده از روش‌های مختلف از سال 1990 تا کنون با استفاده از رابطه (27) است.

 

 

جدول (1): محاسبه و مقایسه معیار شایستگی در مقالات شناسایی سرطان ملانوم

                       

Source

N

M %

Sens.%

Spec. %

Acc %

FOM

Grin, 1990 [25] s

214

23

-

-

84/5

     3/48

 

Claridge, 1992 [26]

88

48

91

69

-

     2/47

 

Ganster, 2001[27]

270

35

87

92

73

3/12

 

Patwardhan, 2003 [28]

59

50

82

87

88

2/55

 

Tanaka, 2004 [29]

80

50

90/0

89/3

95/0

3/65

 

Burroni, 2004 [30]

391

47

78

79

-

     3/12

 

Yang, 2006 [31] s

44

22

-

88

86.9

     2/60

 

Alcón,2009 [32] s

160

50

94/0

68

86

2/789

 

Garnavi, 2010 [33]

102

50

91/8

91.8

88/24

3/43

 

Abbas, 2011 [34] s

100

50

96

97/1

-

     3/65

 

This work (PCA)

160

50

87

1/89

07/92

63/3

 

This work (Fisher)

160

50

87.5

91

73/94

82/3

 

 

 

با توجه به جدول (1) تنها از ویژگی شکل ضایعه برای طبقه‌بندی استفاده شده، اما دقت طبقه‌بندی پایین است [26]. ویژگی‌های تشخیصی در مطب‌ها ارزیابـی شده که معمولاً در آنها از شکـل ضایعـه استفاده شده است [25, 27]. از تبدیل موجک برای استخراج ویژگی‌های بافتی استفاده می‌شود [28, 33]. در دو مقاله­ پیشین، اساس استخراج ویژگی یکسان است، اما نحوه استخراج ویژگی و طبقه‌بندی مورد استفاده، متفاوت است. در صورتی که در فرآیند طبقه بندی تنها از ویژگی­های تبدیل Ripplet استفاده گردد، نتایج حاصله با نتایج حاصل شبیه سازی تشابه زیادی دارد [33]. در برخی مراجع، علاوه بر ویژگی‌های تصویر و قانون ABCD، ویژگی‌هایی نظیر: سن، جنسیت، نوع پوست و قسمت مورد بررسی بدن نیز به عنوان ویژگی استفاده شده است و در ضمن تعداد عکس‌ها کم است، به همین علت دارای دقت بالاتری است [29, 32]. برای طبقه بندی می‌توان از طبقه‌بند غیر پارامتریک (k-NN) استفاده کرد [30]. نتایج حاصل از اعمال طبقه‌بند SVM روی ویژگی‌های بافتی، دارای نتایج خوبی است [31]. از ویژگی‌های مرتبط با شکل ضایعه به روش AMSFCM در کنار ABCD استفاده شده که نتایج بسیار خوبی دارد [34]. مقایسه نتایج روش‌های به کار رفته در این تحقیق با سایر مقالات، بیانگر دقت و صحت خوب این روش‌ با توجه به زمان پردازش مناسب آنهاست. همان‌طور که در جدول (1) می­بینیم، روش تحلیل مؤلفه‌های اصلی، نسبت به اکثر روش‌های قبلی به جز Abbas, ، (2011) دارای معیار شایستگی بالاتری است. به همین دلیل، برای بهبود نتایج از روش پیشنهادی (معیار فیشر) استفاده شده است. همان‌طور که می­بینید، نتایج حاصل از این روش دارای معیار شایستگی بالاتری است. به علت کم بودن تصاویر این تحقیق، دقت افزایش چشمگیر یافته است.

 

6- جمع بندی و نتیجه‌گیری

در مقاله پیش‌رو، روشی جدید برای استخراج ویژگی از تصاویر پوستی مشکوک به سرطان، به منظور شناسایی ضایعه پوستی و توسعه سیستم تصویربرداری با سرعت مناسب، ارائه شد. در روش پیشنهادی این تحقیق، برای افزایش دقت طبقه‌بندی از ترکیب ویژگی‌های بافتی و شکلی در تصاویر پوستی استفاده شد. از دو روش کاهش ویژگی «آنالیز مؤلفه‌های اصلی» و «معیار پیشنهادی فیشر» نیز استفاده شد که نتایج حاصل از روش دوم، افزایش قابل ملاحظه دقت طبقه‌بندی را در بر داشت.

دو معیار فیشر و PCA بسیار با یکدیگر متشابهند و در بسیاری از موارد PCA دارای جواب مقبول‌تری است، اما در این مقاله به علت بهره گیری از ویژگی‌هایی که در طبقه بندی دارای پاسخ بهتری هستند، به جواب بهتری دست یافتیم.

به عبارتی دیگر، برخی از ویژگی‌های مستقل در کنار ترکیب یکدیگر در طبقه بندی جواب مقبول‌تری داشته‌اند.

این شبیه سازی صد بار تکرار گردید تا مقادیر متوسط حسابی سیستم، در شرایط یکسان محاسبه گردد. به طور متوسط، مقادیر زیر منحنی ROC روش پیشنهادی (پارامتر Az) در این صد بار تکرار، 87.2 درصد به دست آمد. دقت متوسط طبقه‌بندی نیز به 94.73 درصد افزایش یافت.

در بیشتر روش‌های قبلی، از یک نوع ویژگی استفاده شده است، حال آن که در تحقیق حاضر نشان داده شد، بهره گرفتن از چند نوع ویژگی و ادغام آنها، می­تواند دقت تشخیص بیمار را با حفظ سایر پارامترهای طبقه‌بندی افزایش دهد.


2 Cutaneous malignant melanoma

[2] Gray Level Co-occourance Matrix

[3] Gray Level Run Lenght Matrix

[4] Normalize Radius Length

[5] MVF

[6] Haralick

[7]Confusion matrix

[9] Figure Of Merit

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

References

[1]   R. Bono, P. Puddu, R. Perotti, F. Nobile, L. Andreassi, and P. Rubegni, "Melanoma Computer-Aided Diagnosis," Clinical cancer research, vol. 10, pp. 1881-1886, 2004.
[2]   X. Yuan, Z. Yang, G. Zouridakis, and N. Mullani, "SVM-based texture classification and application to early melanoma detection", pp. 4775-4778, 2006.
[3]   J. F. Alcón, C. Ciuhu, W. Ten Kate, A. Heinrich, N. Uzunbajakava, G. Krekels, D. Siem, and G. de Haan, "Automatic imaging system with decision support for inspection of pigmented skin lesions and melanoma diagnosis," Selected Topics in Signal Processing, IEEE Journal of, vol. 3, pp. 14-25, 2009.
[4]   R. Garnavi, M. Aldeen, and J. Bailey, "Classification of Melanoma Lesions Using Wavelet-based Texture Analysis,", pp. 75-81, 2010.
[5]   Q. Abbas, M. Celebi, and I. F. García, "Skin tumor area extraction using an improved dynamic programming approach," Skin Research and Technology, 2011.
 
مراجع
[1]   V. Hammond, A. Reeder, and A. Gray, "Patterns of real-time occupational ultraviolet radiation exposure among a sample of outdoor workers in New Zealand," Public health, vol. 123, pp. 182-187, 2009.
[2]   M. E. Celebi, H. A. Kingravi, B. Uddin, H. Iyatomi, Y. A. Aslandogan, W. V. Stoecker, and R. H. Moss, "A methodological approach to the classification of dermoscopy images," Computerized Medical Imaging and Graphics, vol. 31, pp. 362-373, 2007.
[3]   D. S. Rigel, J. Russak, and R. Friedman, "The evolution of melanoma diagnosis: 25 years beyond the ABCDs," CA: A Cancer Journal for Clinicians, vol. 60, pp. 301-316, 2010.
[4]   M. Nematollahi and H. Ghassemian, "A CBIR Approach to differential diagnosis of pigmented skin lesions," iranian journal of electrical and computer engineering, vol. 9, pp. 23-33, 2010.
[5]   T. Lee, V. Ng, R. Gallagher, A. Coldman, and D. McLean, "Dullrazor®: A software approach to hair removal from images," Computers in Biology and Medicine, vol. 27, pp. 533-543, 1997.
[6]   H. Zhou, G. Schaefer, A. Sadka, and M. E. Celebi, "Anisotropic mean shift based fuzzy c-means segmentation of skin lesions,"vol 12 , pp. 438-443, 2008.
[7]   Q. Abbas, M. Emre Celebi, I. F. Garcia, and W. Ahmad, "Melanoma recognition framework based on expert definition of ABCD for dermoscopic images," John Wiley & Sons A/S, vol 19, Issue 1, pages e93–e102, February 2013.
[8]   J. Jaworek-Korjakowska, "Automatic Detection of Melanomas: An Application Based on the ABCD Criteria," Information Technologies in Biomedicine, vol 7339 ,pp. 67-76, 2012.
[9]   R. M. Haralick, K. Shanmugam, and I. H. Dinstein, "Textural Features for Image Classification," Systems, Man and Cybernetics, IEEE Transactions on, vol. 3, pp. 610-621, 1973.
[10]              F. Mirzapour and H. Ghassemian, "Using GLCM and Gabor filters for classification of PAN images," in Electrical Engineering (ICEE), 2013 21st Iranian Conference on, 2013, pp. 1-6.
[11]              H. Wibawanto, A. Susanto, T. S. Widodo, and S. M. Tjokronegoro, "Discriminating Cystic and Non Cystic Mass using  GLCM and GLRLM-base Texture Features," International Journal of Electronic Engineering Research, vol. 2, pp. 569–580, 2010.
[12]              M. H. Ghassemian and A. N. Venetsanopoulos, "Image coding using vector quantization in LP space," in Advances in Digital Filtering and Signal Processing, 1998 IEEE Symposium on, 1998, pp. 7-11.
[13]              S. Nesaei and H. Ghassemian, "A New Spatial-Frequency Quantization for Texture Classification," INTERNATIONAL SYMPOSIUM  ON TELECOMMUNICATIONS, 2005.
[14]              S. Nesaei and H. Ghassemian, "Texture Classification Using Retina Cell- based Mode Filter Bank," Proceeding of 15th Iranian Conference on Electrical Engineering, ICEE2007, vol. 5, pp. 12-17, May 2007.
[15]              J. Xu, L. Yang, and D. Wu, "Ripplet: A new transform for image processing," Journal of Visual Communication and Image Representation, vol. 21, pp. 627-639, 2010.
[16]              S. Das, M. Chowdhury, and M. K. Kundu, "Medical image fusion based on ripplet transform type-I," Progress In Electromagnetics Research, vol. 30, pp. 355-370, 2011.
[17]              A. Tahmasbi, F. Saki, H. Aghapanah, and S. B. Shokouhi, "A novel breast mass diagnosis system based on Zernike moments as shape and density descriptors," 18th Iranian Conference on BioMedical Engineering, Tehran, Iran, pp. 100-104,2011.
[18]              E. Huque, "Shape Analysis and Measurement for the HeLa cell classification of cultured cells in high throughput screening," Master Thesis, School of Humanities & Informatics University of Skövde, Sweden, 2006.
[19]              F. L. Lawrence, S. K. Sharma, and M. S. Sisodia, "Network Intrusion detection by using Feature Reduction Technique," International Journal of Advanced Research in Computer Science and Electronics Engineering (IJARCSEE), vol. 1, pp: 27-32, 2012.
[20]              S. Samanta and S. Das, "Unsupervised texture segmentation using feature selection and fusion", pp. 2197-2200,2009.
[21]              T. T. Van Cao, "A CFAR thresholding approach based on test cell statistics,", pp. 349-354, 2004.
[22]              G. Zhang and X. Jia, "Feature selection using Kernel based Local Fisher Discriminant Analysis for hyperspectral image classification,", pp. 1728-1731, 2011.
[23]              M. Sugiyama, T. Idé, S. Nakajima, and J. Sese, "Semi-supervised local Fisher discriminant analysis for dimensionality reduction," Machine learning, vol. 78, pp. 35-61, 2010.
[24]              S. Shivashankar, K. P. Vasudev, and D. P. Jagadesh, "PCA plus LDA on wavelet co-occurrence histogram features: application to CBIR,", pp. 193-200, 2011.
[25]              C. M. Grin, A. W. Kopf, B. Welkovich, R. S. Bart, and M. J. Levenstein, "Accuracy in the clinical diagnosis of malignant melanoma," Archives of dermatology, vol. 126, p. 763, 1990.
[26]              E. Claridge, P. N. Hall, M. Keefe, and J. P. Allen, "Shape analysis for classification of malignant melanoma," Journal of Biomedical Engineering, vol. 14, pp. 229-234, 1992.
[27]              H. Ganster, P. Pinz, R. Rohrer, E. Wildling, M. Binder, and H. Kittler, "Automated melanoma recognition," Medical Imaging, IEEE Transactions on, vol. 20, pp. 233-239, 2001.
[28]              S. V. Patwardhan, A. P. Dhawan, and P. A. Relue, "Classification of melanoma using tree structured wavelet transforms," Computer Methods and Programs in Biomedicine, vol. 72, pp. 223-239, 2003.
[29]              T. Tanaka, R. Yamada, M. Tanaka, K. Shimizu, and H. Oka, "A study on the image diagnosis of melanoma," 2004, pp. 1597-1600.
 M. Burroni, R. Corona, G. Dell’Eva, F. Sera
 
Computational Intelligence in Electrical Engineering
Volume 5, Issue 1
May 2014
Pages 1-12

Files

History

  • Receive Date: 14 June 2016
  • Revise Date: 11 December 2017
  • Accept Date: 14 June 2016

Share

How to cite

Statistics