System wspomagający diagnostykę czerniaka złośliwego przy pomocy metod przetwarzania obrazu i algorytmów inteligencji obliczeniowej

Nowotwory skóry są najczęściej spotykanymi nowotworami na świecie. Czerniaki złośliwe stanowią od około 5 do 7% wszystkich nowotworów złośliwych skóry u człowieka. Ich wczesne zdiagnozowanie jest kluczowym czynnikiem w późniejszej pomyślnej terapii. Niniejsza praca zawiera propozycję rozwinięcia i zautomatyzowania najważniejszej metody diagnozowania czerniaków, metody ABCD Stoltza. W artykule przedstawiono koncepcję i implementację zautomatyzowanego systemu do diagnostyki znamion skórnych pod kątem wykrycia czerniaka zł ościowego. Zaproponowano nową, rozszerzoną wersję metody dermatoskopowej ABCD i zaimplementowano niezbędne algorytmy w środowisku Matlab. Główne cechy znamion skórnych o charakterze nowotworowym są wyszukiwane automatycznie przy pomocy metod przetwarzania obrazu oraz opracowanych algorytmów. Decyzja na temat rozpoznania lub nie czerniaka złośliwego podejmowana jest przez sztuczną sieć neuronową, wnioskującą na podstawie wskaźników wyznaczonych na etapie przetwarzania obrazów. Omawiany system wspomagania decyzji może służyć jako narzędzie usprawniające pracę lekarzy pierwszego kontaktu lub jako system umożliwiający szybkie samobadanie skóry przez pacjentów. Aplikację przetestowano na 126 znamionach skórnych. Uzyskano czułość równą 98% oraz swoistość równą 73%, co jest bardzo dobrym osiągnięciem.

Skin cancer is the most common cancer in the world. Malignant melanomas make up about 5-7% of all types of human skin cancer. The work describes the development process of an automated system purposed for the diagnosis of skin lesions in order to detect a malignant melanoma. The application should be used as a decision support system for primary care physicians or as a system capable of self-examination of the skin. When designing an application author developed and proposed a new, enhanced version of the ABCD dermatoscopic method of Stoltz. To describe main features of skin lesions for malignancy, image processing methods were used. In addition, application was trained by artificial neural network, which acts as a specialist doctor, who is responsible of making a diagnosis based on these features. The application has been tested on 126 the skin moles. It gets high final score with a sensitivity of 98% and specificity equal to 73.08%.