1.

INTRODUCERE

Pielea este alcătuită din trei straturi: epiderm, derm și hipoderm. Epidermul este stratul
exterior al pielii, cel mai subțire dintre toate cele trei, numit și strat superficial. Acesta are un rol
important în protejarea corpului împotriva radiațiilor solare, fiind alcătuit din celule pigmentate
numite melanocite.
Nevii, cunoscuți în limbaj popular sub denumirea de “alunițe”, reprezintă formațiuni
situate la nivelul epidermului care apar în urma unei proliferări de melanocite. Aceștia sunt
pigmentați diferit față de restul pielii, variind de la nuanțe de roz până la maro închis, au
dimensiuni și forme variabile. Un nev poate să fie prezent de la naștere (nev congenital) sau se
poate dezvolta pe parcursul vieții (nev dobândit).
Nevii se pot clasifica în două categorii: nevi benigni și nevi maligni. Majoritatea nevilor
sunt benigni deoarece procesul lor de formare este unul normal. În cazul nevilor maligni,
melanocitele devin canceroase prin multiplicarea haotică și invadarea țesurilor învecinate. Nevii
maligni se mai numesc și melanoame. Melanomul reprezintă unul dintre cele mai frecvente
cancere de piele și poate afecta nevii benigni.

1.1 METODA DE DETECȚIE A ALUNIȚELOR

Dermatoscopia, o tehnică de microscopie de suprafaţă a pielii, este o metodă clinică

modernă și noninvazivă pentru diagnosticul leziunilor pigmentare. Această metodă este realizată
prin intermediul dermatoscopului, un dispozitiv format dintr-o lupă și o sursă de lumină.
Cu ajutorul dermatoscopului, medicul dermatolog poate vizualiza o imagine în detaliu a
leziunii, putând astfel să observe și să analizeze caracteristicile acesteia.
În cazul unei alunițe, dermatoscopia ajută la examinarea amănunțită a fiecărei porțiuni
din alunița respectivă, permițând vizualizarea cu exactitate a caracteristicilor acesteia, care altfel
sunt invizibile unei examinări cu ochiul liber. Astfel, prin această metodă se pot detecta până și
cele mai mici schimbări care ar putea indica o leziune pre-canceroasă sau canceroasă.
Imaginea unei alunițe obținută cu ajutorul dermatoscopului este analizată utilizând
metoda ABCDE (Asymetry Border Color Diameter Evolving). Această metodă este frecvent
folosită pentru a determina potențialele alunițe cu risc de a deveni sau a fi melanoame.
Caracteristicile urmărite în identificarea unui melanom folosind metoda ABCDE sunt:
1. Asimetria (Asymetry) – o aluniță în general este simetrică, modificarea formei poate
indica dezvoltarea necontrolată de celule;
2. Bordurile (Borders) – dacă marginile sunt difuze sau inegale (nu au un contur precis);
3. Culoarea (Color) – alunițele sunt de regulă colorate uniform, dacă unele zone devin mai
închise la culoare sau roșiatice pot indica prezența unui melanom;
4. Diametrul (Diameter) – creșterea rapidă a dimensiunii aluniței;
5. Evoluția aluniței (Evolving) – dacă apar modificări semnificative la nivelul aluniței într-o
perioadă scurtă de timp.
 2. STATE-OF-THE-ART

1. Classification of malignant melanoma and benign skin lesions: implementation of

automatic ABCD rule
În această lucrare este implementată metoda de detecție a leziunilor dermatoscopice numită
ABCD. Preprocesarea imaginilor permite detectarea automată a firelor de păr folosind filtrele
Gabor și a limitelor leziunilor. Se folosesc atât metode deja existente cât și metode noi pentru a
detecta asimetria culorilor și structurile dermatoscopice. Rezultatele experimentale sunt obținute
în urma analizei a 200 de imagini dermatoscopice dintre care 80 de imagini au fost selectate ca
fiind melanoame maligne și 120 de imagini ca fiind leziuni benigne. Algoritmul atinge o
sensibilitate de 91.25%, o specificitate de 95.83%. Aceste rezultate sunt comparabile cu cele
obținute în implementarea umană a metodei ABCD (sensbilitatea de 92.8%, specificitatea de
90.3%).

2. Advanced Earlier Melanoma Detection Algorithm Using Colour Correlogram

Lucrarea științifică propune un algoritm avansat de detecție a melanomului, folosind
corelograma de culoare și analiza texturii. Se folosește clasificatorul probabilistic Bayesian
pentru a detecta celulele anormale ale pielii cu ajutorul corelogramei de culoare și a vectorilor
caracteristici SFTA (Segmentation-based Fractal Texture Analysis). Sistemul este testat pe baza
de date Pedro Hispano Hospital(PH2) și are o acuratețe de 91.5%.

3. Deep Learning-Based System for Automatic Melanoma Detection

În acest articol este propusă o metodă de deep learning pentru a detecta automat leziunile de
la nivelul pielii care pot fi melanoame. Se utilizează o abordare împărțită în mai multe etape
pentru a clasifica în funcție de pixeli leziunile pielii în melanoame și nonmelanoame cu ajutorul
unui software, softmax. Bazele de date folosite în acest experiment sunt International
Symposium on Biomedical Imaging(ISBI)2017 și Pedro Hispano Hospital(PH2). Acuratețea
metodei de detecție și coeficientul Sørensen–Dice sunt 95%, respectiv 92% pentru prima bază de
date, ISBI 2017, iar pentru a doua bază de date, PH2, sunt 95%, resprectiv 93%.
 4. Automatic Skin Lesion Segmentation and Melanoma Detection: Transfer Learning
Approach with U-Net and DCNN-SVM
Articolul prezintă o schemă bazată pe procesul de deep learning pentru a segmenta automat
leziunile pielii și a detecta melanoame pe baza imaginilor rezultate în urma dermatoscopiei.
U-NET a fost folosită cu scopul de a separa leziunea de restul pielii. Este introdusă în acest
proces metoda de învățare prin transfer, fapt care crește eficiența sistemului. Studiul este realizat
pe două baze de date, ISIC 2018 și PH2. Pentru prima bază de date, ISIC 2018, s-au obținut în
medie un scor Sørensen–Dice de 0.87 și un indice Jaccard de 0.8, iar pentru a doua bază de date,
PH2, s-au obținut 0.93, respectiv 0.87. Pentru clasificarea melanomului malign, a fost utilizat un
model DCNN-SVM în care au fost comparate rețele de deep learning recent apărute pentru a
defini aplicabilitatea învățării prin transfer în domeniul diagnosticului dermatologic. Acuratețea
rezultatelor obținute în urma utilizării modelului este de 92% pentru baza de date PH2.

5. Automatic Detection of Melanoma Skin Cancer using Texture Analysis

Studiul se bazează pe o metodă automată de diagnosticare a melanomului aplicată pe un set
de imagini dermatoscopice. Se extrag caracteristici pe baza matricei de co-ocurențe GLCM
(Gray-Level Co-Occurrence Matrix) și pe baza utilizării clasificatorului MLP (Multilayer
Perceptron). Prin aceste procese nevii pot fi clasificați în două categorii, nevi benigni și
melanoame. Clasificatorul MLP propune două tehnici pentru antrenare și testare, automată și
tradițională. Tehnica automată este mai rapidă, însă acuratețea tehnicii tradiționale este mai bună.
Pe setul de imagini de antrenare acuratețea este de 100%, iar pe setul de testare este de 92%.
 REFERINȚE

1. Classification of malignant melanoma and benign skin lesions: implementation of

automatic ABCD rule
2. Advanced Earlier Melanoma Detection Algorithm Using Colour Correlogram
3. Deep Learning-Based System for Automatic Melanoma Detection
4. Automatic Skin Lesion Segmentation and Melanoma Detection: Transfer Learning
Approach with U-Net and DCNN-SVM
5. Automatic Detection of Melanoma Skin Cancer using Texture Analysis