Representações esparsas através de dicionários para processamento e análise de imagens macroscópicas de lesões melanocíticas

Abstract

O melanoma é o tipo mais letal de câncer de pele, uma vez que é mais propenso à metástase. Especificamente, a taxa de pacientes que sobrevivem pelo menos cinco anos após o diagnóstico dessa doença no estágio inicial é superior a 99%. No entanto, essa taxa diminui para cerca de 25% se a detecção ocorre somente no último estágio. Nesse contexto, sistemas que auxiliem no diagnóstico precoce do melanoma podem desempenhar um papel de extrema importância, especialmente em regiões nas quais o acesso a dermatologistas é precário. Contudo, diferenciar um melanoma de lesões melanocíticas benignas pode ser uma tarefa desafiadora, mesmo para especialistas experientes. Para lidar com esse problema, nesta tese, propõe-se um sistema automático para detectação de melanoma a partir de uma simples fotografia digital, o qual baseia-se em modelos de representações esparsas. Os resultados apresentados pelo sistema proposto são promissores e sugerem que o sistema proposto pode potencialmente superar alternativas estado-da-arte e até mesmo médicos treinados.

Melanoma is the most lethal type of skin cancer, since it is most prone to metas tasis. Specifically, the rate of patients who survive at least five years after early stage diagnosis of this disease is over 99%. However, this rate decreases to about 25% if detection occurs only at the last stage. In this context, systems that assist in the early diagnosis of melanoma can play an extremely important role, espe cially in regions where access to dermatologists is poor. However, differentiating melanoma from benign melanocytic lesions can be a challenging task, even for experienced specialists. To address this problem, in this thesis, an automatic sys tem is proposed for melanoma detection from a simple digital photograph, which is based on sparse representation models. The results presented by the proposed system are promising and suggest that it can potentially outperform state-of-the art alternatives and even trained dermatologists.