Detección y clasificación de patrones globales en lesiones pigmentadas

Abstract

El cáncer de piel es el tipo de cáncer más común, dentro del cual destaca el melanoma como el responsable de más muertes. El número de casos diagnosticados está incrementándose cada año, siendo de vital importancia un diagnóstico temprano que ayude a reducir la tasa de mortalidad. El presente proyecto pretende adentrarse en la ingeniería biomédica,siendo un paso previo en el camino que trata de dar solución a este problema,mediante el tratamiento digital de imágenes dermatoscópicas. El objetivo principal del trabajo es clasificar una lesión pigmentada dada en tres tipos de patrones globales. Estos tipos de patrones son reticulados, globulares y homogéneos. Para ello se ha seguido el esquema básico que sigue cualquier sistema de diagnóstico asistido por ordenador. Primero ha procedido a buscar el método óptimo de segmentación que nos permita tratar únicamente la zona de interés. Posteriormente se ha realizado la extracción de características de textura siguiendo distintos métodos, y se ha finalizado clasificando las lesiones en tres posibles clases según su patrón global: reticulado, globular y homogéneo. Para esto último se ha utilizado un sistema de machine learning. Por último,se han analizado los resultados obtenidos, encontrándose una precisión total de 87.08% y una sensibilidad total del 80.45%.

Skin cancer is the most common type of cancer in which melanoma is the leading cause of death. The number of diagnosed cases is increasing each year, and it is of vital importance an early diagnosis to reduce the mortality rate. The present project intends to be part of biomedical engineering, being a previous step in the way that tries to solve this problem using the digital treatment of dermoscopic images. The main objective is to classify a given pigmented skin leson into three types of global patterns. These types of patterns are: reticular, globular and homogeneous. It will follow the basic scheme that follows a computer-aided diagnosis system. First, we proceeded to look for the optimal method of segmentation that allowed us to treat only the zone of interest. Subsequently the extraction of texture features was carried out following different methods, and finally we classified the leson into three possible classes according to their global pattern: reticular, globular and homogeneous, using a machine learning algorithm. To conclude, the results obtained are analyzed where an accuracy of 87.08% and a sensitivity of 80.45% are achieved.