Investeşte în oameni! FONDUL SOCIAL EUROPEAN Programul Operaţional Sectorial Dezvoltarea Resurselor Umane 2007 – 2013 Axa prioritară 1 „Educaţie şi formare profesională în sprijinul creşterii economice şi dezvoltării societăţii bazate pe cunoaştere” Domeniul major de intervenţie 1.5. „Programe doctorale şi post-doctorale în sprijinul cercetării” Titlul proiectului: „Burse doctorale pentru dezvoltare durabila” BD-DD Numărul de identificare al contractului: POSDRU/107/1.5/S/76945 Beneficiar: Universitatea Transilvania din Braşov Universitatea Transilvania din Brașov Școala Doctorală Interdisciplinară Departament: Electronică și Telecomunicații Ing. Simona Maria V. BANU Sistem Expert de Evaluare a Severității Leziunilor de Psoriazis Expert System for Psoriasis Lesions Severity Assessment Conducător ştiinţific Prof.dr.ing. Gheorghe TOACȘE BRAȘOV, 2013
Transcript
Investeşte în oameni!
FONDUL SOCIAL EUROPEAN Programul Operaţional Sectorial Dezvoltarea Resurselor Umane 2007 – 2013 Axa prioritară 1 „Educaţie şi formare profesională în sprijinul creşterii economice şi dezvoltării societăţii bazate pe cunoaştere” Domeniul major de intervenţie 1.5. „Programe doctorale şi post-doctorale în sprijinul cercetării” Titlul proiectului: „Burse doctorale pentru dezvoltare durabila” BD-DD Numărul de identificare al contractului: POSDRU/107/1.5/S/76945 Beneficiar: Universitatea Transilvania din Braşov
Universitatea Transilvania din Brașov Școala Doctorală Interdisciplinară
Departament: Electronică și Telecomunicații
Ing. Simona Maria V. BANU
Sistem Expert de Evaluare a Severității
Leziunilor de Psoriazis
Expert System for Psoriasis Lesions
Severity Assessment
Conducător ştiinţific
Prof.dr.ing. Gheorghe TOACȘE
BRAȘOV, 2013
MINISTERUL EDUCAŢIEI NAŢIONALE
UNIVERSITATEA “TRANSILVANIA” DIN BRAŞOV BRAŞOV, B-DUL EROILOR NR. 29, 500036, TEL. 0040-268-413000, FAX 0040-268-410525
Numită prin ordinul Rectorului Universităţii „Transilvania” din Braşov Nr. 6065 din 02.10.2013
PREŞEDINTE: - Conf. univ. dr. ing. Carmen GERIGAN
DECAN Facultatea de Inginerie Electrică și Știința Calculatoarelor Universitatea “Transilvania” din Brașov
CONDUCĂTOR ŞTIINŢIFIC: - Prof. univ. dr. ing. Gheorghe TOACȘE Universitatea “Transilvania” din Brașov
REFERENŢI: - Prof. univ. dr. ing. Mircea BODEA Universitatea “Politehnica” din București
- Conf. univ. dr. ing. Mihai CIUC Universitatea “Politehnica” din București
- Prof. univ. dr. ing. Mihai ROMANCA Universitatea “Transilvania” din Brașov
Data, ora şi locul susţinerii publice a tezei de doctorat: sâmbătă, 23.11.2013, ora 10.30, sala NII1, corpul N. Eventualele aprecieri sau observaţii asupra conţinutului lucrării vă rugăm să le transmiteţi în timp util, pe adresa [email protected] Totodată vă invităm să luaţi parte la şedinţa publică de susţinere a tezei de doctorat. Vă mulţumim.
3
CUPRINS
LISTA DE ABREVIERI LISTA DE FIGURI 1. INTRODUCERE ................................................................................................
1.1 Motivaţia alegerii temei .................................................................................. 1.2 Obiectivul general propus pentru teză ............................................................ 1.3 Contribuții originale ........................................................................................ 1.4 Structura tezei .................................................................................................
2. DIAGNOSTIC MEDICAL ASISTAT DE CALCULATOR .......................... 2.1 Aplicații MDS (Medical Decision Support) ...................................................
2.1.1 Aplicații MDS – avantaje și dezavantaje ................................................ 2.1.2 Tehnici de modelare pentru aplicații MDS .............................................
2.1.2.1 Naive Bayes (NB) ............................................................................ 2.1.2.2 Analize de decizie ............................................................................ 2.1.2.3 Sisteme bazate pe reguli .................................................................. 2.1.2.4 Teoria seturilor Fuzzy ...................................................................... 2.1.2.5 Rețele Neuronale ............................................................................. 2.1.2.6 Rețele Bayesiene .............................................................................. 2.1.2.7 Support Vector Machines ................................................................ 2.1.2.8 Alte metode ......................................................................................
2.2 Diagnostic asistat de calculator în dermatologie ............................................ 2.2.1 Aplicații MDS în dermatologie ..............................................................
2.3.2 Sisteme CAD pentru leziuni cutanate ..................................................... 2.3.3 Componenta de pre-procesare a unui sistem CAD pentru leziuni cutanate ........................................................................................................................
2.3.3.1 Metode de corecție de culoare ......................................................... 2.3.3.2 Mire de culoare ................................................................................
2.4 Diagnostic diferențial pentru boli eritemato-scuamoase ................................ 2.5 Evaluare obiectivă a severității leziunilor de psoriazis ...................................
2.7 Obiectivele tezei de doctorat .......................................................................... 3. DEZVOLTAREA ȘI EVALUAREA SISTEMULUI EXPERT .....................
3.1 Diagnostic diferențial automatizat pentru psoriazis bazat pe caracteristici clinice ........................................................................................................................... 3.1.1 Analizarea caracteristicilor clinice ......................................................... 3.1.2 Clasificarea bazei de date Dermatology ................................................ 3.1.2.1 Clasificare folosind seturi rough .................................................... 3.1.2.2 Clasificare folosind algoritmi de machine learning .................... 3.1.3 Implementarea sistemului expert de clasificare a bazei de date Dermatology ................................................................................................................ 3.1.3.1 Analiză comparativă privind arborii de decizie generați ............... 3.1.3.2 Arhitectura sistemului expert de clasificare a bazei de date ..........
3.2 Pre-procesarea imaginilor – Corecția de culoare ............................................ 3.2.1 Metoda de corecție de culoare propusă ..................................................
3.4 Procesarea imaginilor – Extragere de caracteristici ........................................ 3.5 Procesarea imaginilor – Selectarea caracteristicilor ....................................... 3.6 Evaluarea severității eritemului leziunilor de psoriazis .................................. 3.7 Scorul PASI (Psoriasis Area and Severity Index) .......................................... 3.7.1 Aria de acoperire a leziunilor de psoriazis .............................................. 3.8 Internet of Things și Realitate Augmentată pentru psoriazis .......................... 3.8.1 Internet of Things .................................................................................... 3.8.2 Realitatea Augmentată ............................................................................ 3.9 Contribuții originale ........................................................................................ 4. IMPLEMENTAREA SISTEMULUI EXPERT ...............................................
4.1 Rezultate experimentale privind corecția de culoare ...................................... 4.2 Interfața grafică ...............................................................................................
4.3 Contribuții originale ........................................................................................ 5. CONCLUZII FINALE ȘI DIRECȚII VIITOARE DE CERCETARE .........
Notă: În rezumat s-au păstrat notaţiile figurilor, relaţiilor şi tabelelor din teza de doctorat.
5
TABLE OF CONTENTS
LIST OF ABBREVIATIONS LIST OF FIGURES 1. INTRODUCTION ..............................................................................................
1.1 Justification for the research ........................................................................... 1.2 Thesis main objective ..................................................................................... 1.3 Original contributions ..................................................................................... 1.4 Overview of the thesis organization ...............................................................
2.3.2 CAD systems for skin lesions ................................................................. 2.3.3 Pre-processing step for CAD skin lesions systems .................................
2.7 PhD thesis objectives ...................................................................................... 3. EXPERT SYSTEM DEVELOPMENT AND EVALUATION .....................
3.1 Psoriasis automatic differential diagnosis based on clinical features ............. 3.1.1 Clinical features analysis ....................................................................... 3.1.2 Dermatology database classification ..................................................... 3.1.2.1 Classification using rough sets ...................................................... 3.1.2.2 Classification using machine learning algorithms ......................... 3.1.3 Expert system’s implementation for the classification of Dermatology dataset .......................................................................................................................... 3.1.3.1 Generated decision trees comparison analysis ............................... 3.1.3.2 Expert system architecture .............................................................
3.5 Image processing – Feature selection ............................................................. 3.6 Psoriasis lesions’ erythema severity ............................................................... 3.7 PASI Score (Psoriasis Area and Severity Index) ............................................ 3.7.1 Psoriasis lesions’ area ............................................................................. 3.8 Internet of Things and Augmented Reality for psoriasis ................................ 3.8.1 Internet of Things .................................................................................... 3.8.2 Augmented Reality ................................................................................. 3.9 Original contributions ..................................................................................... 4. EXPERT SYSTEM SOFTWARE IMPLEMENTATION ............................
4.3 Original contributions ..................................................................................... 5. FINAL CONCLUSIONS AND FUTURE WORK ...........................................
5.1 Original contributions ..................................................................................... 5.2 Disseminations of results ................................................................................ 5.3 Recommendations for future research activities ............................................
REFERENCES .......................................................................................................... APPENDICES Appendix A.1, Software development for the psoriasis lesions objective severity assessment Expert System .......................................................................... Abstract (romanian/english) .......................................................................................... CV (romanian) ................................................................................................................. CV (english) ......................................................................................................................
Dermatologia este ramura medicinei care se ocupa cu diagnosticul si tratamentul bolilor depiele. Aparitia afectiunilor dermatologice depinde de sezon si zona geografica, acestea fiind in-fluentate de umiditate, temperatura si de alti factori de mediu. Pielea umana este imprevizibila sifoarte dificil de analizat în mod automat datorita complexitatii caracteristicilor aferente acesteia,cum ar fi: tonalitatea, prezenta parului, textura, etc.
Psoriazisul este o boala de piele cronica, inflamatorie si necontagioasa caracterizata de zoneale pielii înrosite si acoperite de scuama alburie. Majoritatea cercetatorilor considera ca aceastaboala este cauzata de factori genetici predispozanti si de reactii autoimune ce determina o crestereaccelerata a celulelor pielii [36]. Aproximativ 3% din populatia globului este afectata de psoriazis[56].
Tipuri de psoriazisExista cinci tipuri de psoriazis: vulgar sau cu placi, gutat, invers sau fleural, pustular si eritro-
dermic.
• Psoriazis vulgar sau cu placi. Este cel mai întâlnit tip de psoriazis, acesta fiind diagnosti-cat în 80% din cazuri. Psoriazisul vulgar se manifesta prin leziuni ale pielii bine definite,acoperite cu scuama (vezi Fig. 1.1 a)). Aproximativ 80% din pacientii ce dezvolta acest tipde psoriazis prezinta leziuni de gravitate usoara sau moderata, iar 20% din pacienti sufera deleziuni moderate pâna la foarte severe.• Psoriazis gutat. Acest tip de psoriazis este caracterizat de papule de culoarea somonului,
de marime ce variaza între 1 mm si 10 mm, acoperite cu scuama fina (vezi Fig. 1.1 b)).Aproximativ 2% din populatia afectata de psoriazis prezinta aceasta forma de boala.• Psoriazis invers sau fleural. Psoriazisul invers este caracterizat prin leziuni la nivelul cutelor
pielii. Datorita umiditatii gasita în aceste zone, aceste tipuri de leziuni prezinta scuamaputina. Zonele axilare, genitale, de perineu, interfesiere si submamare sunt cele mai afectatede acest tip de psoriazis (vezi Fig. 1.1 c)).• Psoriazis pustular. Toate tipurile de psoriazis contin neutrofile în stratul cornos. Atunci
când numarul neutrofilelor este foarte mare, fiind vizibile din punct de vedere clinic, tipul depsoriazis poarta numele de psoriazis pustular. Acesta poate fi localizat la nivelul palmelorsau poate fi generalizat acut (vezi Fig. 1.1 d)).• Psoriazis eritrodermic. Acest tip de psoriazis se poate dezvolta gradual din psoriazisul cu
placi. Este caracterizat prin eritem ce acopera întreaga arie de piele a pacientului, iar gradulde descuamare poate varia de la un caz la altul (vezi Fig. 1.1 e)).
Cu toate ca psoriazisul nu este o boala contagioasa, totusi, acesta are un impact emotional sisocial puternic asupra calitatii vietii pacientului [45]. În ciuda faptului ca nu exista nici un remediucunoscut pentru psoriazis, o serie de tratamente pot îmbunatatii simptomele acestei boli pâna ladisparitia acesteia pentru o perioada limitata de timp.
7
1 Introducere
(a) (b) (c) (d) (e)
Fig. 1.1: Tipuri de leziuni psoriatice. a) Vulgar sau cu placi. b) Gutat. c) Invers sau fleural. d)Pustular. e) Eritrodermic. (Imaginile b)-e) au fost preluate din [32])
1.1 Motivatia alegerii temei
Masurarea severitatii (gravitatii) bolii si stabilirea gradului de acoperire a placilor de psoriazisreprezinta o problema fundamentala în determinarea eficacitatii tratamentului aplicat.
Pentru evaluarea severitatii leziunilor de psoriazis au fost dezvoltate o serie de metode obiective[43]. Toate aceste metode, însa, se bazeaza pe evaluarea vizuala si subiectiva a medicului derma-tolog asupra ariei de acoperire a leziunilor, gradului de roseata (eritemul), grosimii si gradului dedescuamare. Dintre metodele utilizate pentru evaluarea severitatii psoriazisului, scorul PASI (Pso-riasis Area and Severity Index) ramâne în detrimentul criticilor primite, în special pentru preciziascazuta, lipsa de sensibilitate si neliniaritatea scalei de evaluare, metoda cea mai des utilizata [14].Cu toate ca PASI este considerat o metoda obiectiva, calculul acestui scor se bazeaza pe apreciereasubiectiva a caracteristicilor leziunilor de psoriazis (localizarea exacta pe suprafata corpului, ariade acoperire, eritemul, induratia si gradul de descuamare) [4]. În plus, scorul PASI este consumatorde timp, medicul specialist necesitând aproximativ jumatate de ora pentru calcularea acestuia.
1.2 Obiectivul general propus pentru teza
Prezenta teza de doctorat îsi propune sa reduca subiectivismul medicului dermatolog în deter-minarea celor patru parametrii (aria de acoperire, eritemul, gradul de descuamare si induratia)necesari calcularii scorului PASI. Astfel, teza îsi propune dezvoltarea unui instrument care sa îiasiste pe medicii dermatologi în evaluarea obiectiva a severitatii leziunilor de psoriazis si implicitîn punerea unui diagnostic cât mai aproape de realitate.
Pentru atingerea obiectivului principal al tezei, a fost cercetata literatura de specialitate (veziCapitolul 2). Eforturile de cercetare se vor concluziona în identificarea si rezolvarea unor problemespecifice ale caror solutii converg catre:
• Evaluarea obiectiva a severitatii eritemului leziunilor de psoriazis cu o acuratete de peste90%. Severitatea eritemului leziunilor de psoriazis va fi determinata prin extragerea unui setde caracteristici de culoare si de textura din imaginile segmentate. Eritemul leziunilor depsoriazis va fi clasificat într-una din cele patru categorii de severitate: forma usoara, formamoderata, forma severa si forma foarte severa. Clasificarea se va realiza cu ajutorul unoralgoritmi de machine learning.
8
1 Introducere
• Determinarea obiectiva a ariei de acoperire a leziunilor de psoriazis. Aria de acoperire aleziunilor psoriatice aflate pe suprafata corpului uman se va estima prin folosirea unei mirede culoare plasata în scena fotografiata.• Dezvoltarea unui sistem expert de evaluare a gravitatii leziunilor de psoriazis si calcularea
semi-automatizata a scorului PASI. Momentan, nu exista nici o aplicatie comerciala capabilasa evalueze obiectiv si automatizat parametrii necesari calcularii scorului PASI. Prin prezentateza se va propune un sistem expert de evaluare obiectiva a eritemului si ariei de acoperirea leziunilor de psoriazis. Scorul PASI va fi calculat într-un mod semi-automatizat, ceilaltidoi parametrii ai acestui scor, gradul de descuamare si induratia, fiind setati manual de catremedicul dermatolog.
1.3 Structura tezei
• Capitolul 1, intitulat "Introducere", cuprinde aspectele generale legate de psoriazis si eval-uarea gravitatii acestei boli de catre medicii dermatologi. În cadrul acestui capitol accentuleste pus pe motivatia alegerii temei, este prezentat obiectivul principal al tezei de doctorat sisunt prezentate în mod sistematic si concis contributiile originale aduse de cercetarea real-izata de autoarea tezei.• Capitolul 2, intitulat "Diagnostic medical asistat de calculator", prezinta o trecere în revista
a aplicatiilor MDS (Medical Decision Support) împreuna cu diferitele tehnici de modelareale acestor aplicatii cunoscute în literatura de specialitate. De asemenea, sunt prezentate suc-cint sistemele CAD (Computer Aided Diagnosis) punându-se accent pe diagnosticul asistatde calculator pentru leziuni cutanate. Doua componente importante ale acestui capitol suntreprezentate de diagnosticul diferential pentru bolile eritemato-scuamoase si de metodeleexistente de evaluare obiectiva a severitatii leziunilor de psoriazis. Pe baza analizei criticerealizate pentru aceste doua componente s-au fixat obiectivele secundare aferente tezei.• Capitolul 3, intitulat "Dezvoltarea si evaluarea Sistemului Expert", cuprinde rezultatele
cercetarii autoarei prezentate într-un mod detaliat. Astfel, se pune accent pe diagnosticuldiferential automatizat pentru psoriazis bazat numai pe caracteristicile clinice, pe etapeleintermediare aferente dezvoltarii unui sistem expert de evaluare a severitatii leziunilor depsoriazis si nu în ultimul rând, pe integrarea altor tehnologii curente, cum ar fi Internetof Things si Realitatea Augmentata, în diagnosticul si determinarea gravitatii psoriazisu-lui. Acest capitol se încheie cu contributiile originale aduse cercetarii stiintifice realizate îndomeniul medical folosind tehnici de procesare de imagini si algoritmi de machine learning.• În Capitolul 4, intitulat "Implementarea Sistemului Expert", este prezentata aplicatia soft-
ware dezvoltata în scopul asistarii medicului dermatolog în calcularea scorului PASI. Deasemenea, este prezentat un studiu comparativ legat de metodele de corectie de culoare (orig-inala si propusa în teza) pentru imagini color ce contin leziuni de psoriazis.• În ultimul capitol, intitulat "Concluzii finale si directii viitoare de cercetare", sunt sistem-
atizate concluziile aferente capitolelor precendente, sunt trecute în revista toate contributiileoriginale aduse în cadrul tezei de doctorat si sunt prezentate o serie de directii viitoare decercetare ce pot fi urmarite pentru îmbunatatirea sistemului expert propus.
9
Capitolul 2
Diagnostic medical asistat decalculator
2.1 Aplicatii MDS (Medical Decision Support)
Scopul principal al cercetarilor realizate în domeniul informaticii medicale consta în utilizareainstrumentelor de decizie bazate pe utilizarea calculatorului pentru cresterea acuratetii si opti-mizarea procesului de luare a deciziilor clinice. Cercetarea din ultimele cinci decenii a condusla dezvoltarea numeroaselor aplicatii de diagnostic medical asistat de calculator referite în aceastalucrare prin aplicatii MDS.
2.1.1 Aplicatii MDS - avantaje si dezavantaje
Aplicatiile MDS au fost introduse în scopul asistarii medicului specialist în procesul de di-agnosticare a unei afectiuni. Medicii pot fi subiectivi în luarea deciziilor clinice, ceea ce poatedetermina realizarea de diagnostice incorecte. Acest lucru se datoreaza limitarilor cognitive sicomplexitatii problemelor medicale.
Potentialul instrumentelor bazate pe calculator în luarea deciziilor medicale a fost observatacum jumatate de secol. Aplicatiile MDS au de obicei doua componente: o baza de date medicala(knowledge base) si un motor de inferenta (inference engine). Baza de date medicala continesimptome ale bolilor, relatii între simptome si relatii între boli. Motorul de inferenta interpreteaza,în esenta, informatia legata de pacient folosind baza de date medicala pentru a calcula decizii.
Cu toate ca aplicatiile MDS sunt în continuu cercetate de mai bine de 50 de ani, acestea nu suntînca acceptate si utilizate în domeniul sanatatii datorita urmatoarelor motive:
• Acuratetea în decizie: Este de dorit ca aplicatiile MDS sa prezinte un nivel înalt de precizieîn luarea deciziilor; foarte putine aplicatii au performante în diagnosticare comparabile cucele ale medicilor specialisti;• Integrarea în fluxul de lucru: Instrumentele bazate pe calculator nu asigura toate tipurile de
informatii necesare medicului. De exemplu, un instrument de diagnosticare, de obicei, nuasigura si un plan de tratament. Medicul trebuie sa caute aceasta informatie în alta parte,fapt ce duce la întreruperea fluxului de lucru;• Utilitatea: Multe sisteme nu prezinta interfete utilizator prietenoase, necesitând astfel re-
alizarea de training-uri de specialitate pentru utilizarea lor;• Detalii explanatorii: Medicii ar folosi mai mult sistemele MDS daca dezvoltatorii acestora
ar furniza dovezi stiintifice pentru a explica deciziile luate în urma computatiilor. Multesisteme MDS nu contin astfel de module explanatorii.
Acuratetea în decizie reprezinta factorul principal ce determina adoptarea si utilizarea aplicati-ilor MDS în practica de zi cu zi a medicilor. Stabilirea diagnosticului este cel mai intens tip de
10
2 Diagnostic medical asistat de calculator
decizie cercetat, deoarece diagnosticele medicale sunt usor de validat si comparat. În plus, majori-tatea problemelor de decizie medicala sunt de fapt probleme de clasificare, rezultatele modelelorde diagnosticare putând fi extrapolate usor catre alte tipuri de probleme.
2.1.2 Tehnici de modelare pentru aplicatii MDS
Exista o serie larga de tehnici de modelare pentru aplicatiile MDS. Primele sisteme MDS aufost de tip bayesian, urmate de cele bazate pe teoria seturilor fuzzy (fuzzy set theory - FST),cele bazate pe reguli si de sistemele euristice. Recent, au fost dezvoltate modele bazate pe reteleBayesiene (Bayesian Network - BN), retele neuronale (Artificial Neural Network - ANN) si Sup-port Vector Machine (SVM). În cele ce urmeaza sunt sistematizate concluziile generale legate defiecare tehnica de modelare în parte:
• Naive Bayes. Multe aplicatii bazate pe NB au obtinut o performanta comparabila cu cea aunui medic expert si unele dintre acestea au fost dezvoltate cu succes în spitale. Cu toateacestea, ipoteza legata de independenta simptomelor si exclusivitatea reciproca a bolilorau fost considerate ca fiind prea simpliste, dezavantaje ce au condus cercetatorii spre alteabordari.• Analize de decizie. Cu toate ca medicii folosesc analize de decizie atunci când iau o decizie
clinica, utilitatea acestora nu este luata în considerare în cadrul aplicatiilor MDS.• Sisteme bazate pe reguli. Cresterea numarului de reguli odata cu extinderea aplicatiilor
bazate pe reguli reprezinta un dezavantaj major al acestora deoarece aplicatiile nu mai pot ficontrolate corect. Metodele de descoperire automata si de optimizare a regulilor au readusinteresul pentru folosirea acestor tipuri de sisteme [44]. De asemenea, sistemele bazate pereguli sunt folositoare atunci când se doreste derivarea de explicatii pentru deciziile luate.• Teoria seturilor Fuzzy. Teoria seturilor fuzzy permite modelarea deciziilor medicale si
reprezinta un domeniu fertil pentru cercetarea MDS. Cu toate acestea, utilizarea modelelorfuzzy implica, în general, costuri ridicate pentru computatii.• Retele Neuronale. O retea neuronala artificiala reprezinta un model matematic ce simuleaza
o retea neuronala biologica. Un dezavantaj legat de aceste retele este ca nu ofera explicatiipentru deciziile luate. Astfel, retelele neuronale sunt vazute ca niste cutii negre (black-boxes).• Retele Bayesiene. Retelele Bayesiene depasesc ipoteza de independenta a simptomelor
asociata cu abordarea Naive Bayes. Retelele Bayesiene combina rationamentul simbolic cuabordarea bayesiana. Aceste retele pot fi complexe si practic nefiabile pentru rezolvarea unorprobleme. În momentul de fata se încearca diferite metode de optimizare a algoritmilor.• Support Vector Machines. Metodele ce folosesc SVM-urile mapeaza datele într-un spatiu
multi-dimensional si realizeaza o clasificare prin construirea unui hiper-plan de separarea instantelor. Modelarea aplicatiilor MDS folosind SVM se afla în stadiu incipient, darrezultatele obtinute pâna în prezent demonstreaza utilitatea acestei abordari.
11
2 Diagnostic medical asistat de calculator
2.2 Diagnostic asistat de calculator ın dermatologie
Diagnosticul diferential în dermatologie a aparut în anii ’70, odata cu dezvoltarea unui pro-gram de diagnostic al bolii febrile cu eruptie [35]. Sistemul folosea rationamentul Bayesian pentrua realiza un diagnostic bazat pe date demografice, istoricul recent legat de febra, tipul de leziune,distributia leziunilor si numarul acestora. În urmatorii ani, o serie de sisteme expert au fost dez-voltate pentru a demonstra ca diagnosticul în dermatologie poate fi asistat de calculator: SEEK[53], AI/DERM EXPERT [58]. Cu toate ca aceste sisteme MDS au stat la baza viitoarelor sistemeMDS comerciale, cum ar fi VisualDx [1], ele au ramas în sfera academica nefiind adoptate la scaralarga.
Odata cu evolutia calculului computerizat, medicii si alti cercetatori au început sa explorezetehnologia computationala pentru gestionarea infomatiilor medicale si optimizarea procesului deîngrijire al pacientilor. Cu toate ca sistemele expert MDS în dermatologie au aparut de mai bine de30 de ani, doar acum, instrumentele digitale pentru dermatologie au început sa fie utilizate pe scaralarga. Aceste instrumente sunt concepute pentru a îmbunatatii îngrijirea pacientilor, începând cuachizitionarea istoricului medical, generarea unui diagnostic diferential pertinent si terminând cumanagementul pacientului, stabilirea tratamentului si monitorizarea acestuia.
Medicii au început sa beneficieze de avantajele oferite de calculul interactiv pentru a-si sporicunostintele medicale si tehnicile de îngrijire a pacientilor. Asigurarea de servicii excelente întimpul monitorizarii bolilor cronice cum ar fi leziunile de piele, printre care si psoriazis, sau acneeaeste realizabila cu ajutorul imaginilor digitale, înregistrarilor electronice si sistemelor MDS.
2.3 Sisteme CAD (Computer Aided Diagnosis)
Diagnosticul asistat de calculator cunoscut sub numele de CAD este utilizat ca si termen gen-eral ce include si extragerea computerizata a indicatorilor cantitativi din imaginile medicale. Dinpunct de vedere al dezvoltarii algoritmului, acest lucru este natural deoarece detectia si cuantifi-carea leziunilor, de exemplu, fac parte din procesul de diagnosticare.
Programarea calculatoarelor pentru a întelege imaginile medicale este foarte dificila deoarecese încearca a se oferi o reteta universala pentru detectarea regiunilor suspicioase dintr-o imagine.Pentru aceasta, un sistem CAD sparge problema într-o serie de componente. Pentru medicii ce sefolosesc de sistemele CAD în realizarea de diagnostice este importanta întelegerea acestor com-ponente. Din pacate, majoritatea furnizorilor de solutii computerizate pentru asistarea medicilorîn practica de zi cu zi nu ofera detalii legate de algoritmii folositi, cum ar fi limitarile acestora saumodalitatea în care acestia sunt implementati.
2.3.1 Componente ale sistemelor CAD
Componentele principale ale unui sistem CAD de diagnosticare medicala sunt:
• Preprocesare: Multe sisteme CAD încep prin pasul de preprocesare a imaginilor. Scopulacestui pas este de a îndeparta diferentele dintre imaginile obtinute de la surse diferite sau
12
2 Diagnostic medical asistat de calculator
folosind protocoale diferite;• Segmentare: Al doilea pas este reprezentat de segmentare sau conturizare sau divizarea unei
imagini în regiuni anatomice;• Selectia candidatilor: Acest pas este reprezentat de identificarea unui numar de locatii ce
necesita o atentie sporita. Aceste locatii sunt referite de obicei ca si candidati: posibiletumori, microcalcifieri, polipi, dar si regiuni ce prezinta anormalitati. Detectia candidatilorreprezinta un pas specific sistemelor CAD;• Extragerea caracteristicilor (feature-urilor): Acest pas consta în analiza caracteristicilor
specifice fiecarui candidat în parte. Aproape toate sistemele CAD folosesc spatiile vectori-ale. Prin aceasta paradigma se întelege ca pentru fiecare leziune candidat un numar fix decaracteristici, numite features, sunt extrase;• Clasificare: Problema identificarii regiunilor din spatiul caracteristicilor unde sunt localizate
leziunile candidate normale si anormale este rezolvata prin folosirea unui clasificator de ma-chine learning. Pentru antrenarea unui astfel de clasificator este necesar un set de antrenarece contine candidati clasificati corect. Un astfel de set este de obicei creat pe baza observati-ilor medicul specialist, observatii folosite ca si un standard de referinta;• Iesirea sistemului: Analiza CAD se termina atunci când fiecarui candidat i s-a asignat un
grad de suspiciune de catre clasificator. Toti candidatii cu un grad de suspiciune mai maredecât un prag setat sunt afisati medicului. Cu toate acestea, medicul specialist trebuie sadetermine daca zona indicata de sistemul CAD este o leziune adevarata sau falsa.
Eficienta sistemelor CAD se estimeaza prin urmatorii parametrii:
• Sensibilitate - abilitatea de a detecta subiectii pozitivi dintr-o populatie (de exemplu, procen-tajul persoanelor bolnave ce sunt corect identificate ca având o boala specifica);• Specificitate - abilitatea unui test de a depista valorile negative dintr-o populatie (de exemplu,
procentajul persoanelor sanatoase ce sunt corect identificate ca neavând o boala specifica).
2.3.2 Sisteme CAD pentru leziuni cutanate
Sisteme expert de diagnostic al bolilor dermatologice sunt relativ putine în literatura de spe-cialitate. Prin studiul efectuat s-au putut evidentia o serie de sisteme CAD dezvoltate pentru diag-nosticarea bolilor cutanate. Printre acestea, se numara si sistemul expert introdus de Arifin et al.în 2012 menit sa diagnosticheze 6 boli dermatologice, printre care si psoriazis, folosind imaginidigitale. Acest sistem prezinta o acuratete în detectie a zonelor de piele nesanatoasa de 95.99% sio acuratete în clasificare a celor 6 boli dermatologice de 94.016%.
2.3.3 Componenta de pre-procesare a unui sistem CAD pentru
leziuni cutanate
Corectia de culoare automata sau nesupervizata reprezinta o provocare, si o serie larga destudii s-au realizat pe aceasta tema în ultimii ani. Conform lucrarii [29], calitatea imaginilor RGBînregistrate de dispozitivele digitale depinde de o serie de factori: de raspunsul senzorului camerei
13
2 Diagnostic medical asistat de calculator
de fotografiat pentru fiecare canal în parte în functie de intensitate, de balansul de alb integrat îndispozitiv, de proprietatile de suprafata a obiectelor aflate în scena si de conditiile de iluminare. Oparte dintre acesti factori sunt indispensabili atunci când se realizeaza o corectie de culoare. Dinpacate, acestia nu sunt cunoscuti a priori în aplicatiile de fotografie reale, si astfel, o buna parte dinalgoritmii de corectie de culoare nu ajung sa fie implementati.
2.3.3.1 Metode de corectie de culoare
Exista o serie de metode de corectie de culoare ce se bazeaza pe ipoteza Von Kries [22] ceatesta faptul ca se poate realiza o corectie de culoare prin reglarea celor trei coeficienti de crestereindependenti calculati pentru cele trei semnale de conuri (celulele cu conuri fiind celule fotore-ceptoare aflate în retina ochiului uman, acestea fiind responsabile pentru perceperea culorilor).Printre acestea se numara: Grey World (GW), White Patch (WP), General Grey World (gGW) siGrey-Edge (GE).
Recent, [31] a propus o noua metoda de corectie de culoare bazata pe feature-uri. Astfel,caracteristicile de nivel jos sunt obtinute din imaginea procesata si în functie de acestea se alegeunul din cele cinci tehnici independente de corectie de culoare: GW, WP, gGW, First Order GreyEdge (GE1) si Second Order Grey Edge (GE2). Cu toate ca rezultatele sunt promitatoare aceastametoda bazata pe puncte cheie necesita training si costul computational este foarte mare.
Pentru imaginile ce contin leziuni de psoriazis a fost rulat algoritmul dezvoltat în [18] undeeste prezentata o varianta modificata a algoritmului SIFT (Scale-Invariant Feature Transform).Rezultatele au evidentiat faptul ca nu se gasesc destule puncte cheie importante ce ar fi putut fifolosite la corectia de culoare. Astfel, metoda prezentata în [31] nu se preteaza pentru corectia deculoare a imaginilor ce contin leziuni de psoriazis.
Cu toate ca exista o serie mare de algoritmi ce se bazeaza pe ipoteza Von Kries, datorita ra-piditatii si usurintei în implementare, s-a observat si un mare dezavantaj: corectia de culoare serealizeaza liniar si în mod independent pentru fiecare canal de culoare în parte, ceea ce rezulta înaparitia fenomenului de saturatie, si implicit la distorsionarea imaginilor corectate în comparatiecu cele originale (imaginile corectate aparând nenaturale din punct de vedere al ochiului uman).
Pentru corectia imaginilor ce contin leziuni de psoriazis este nevoie de un algoritm rapid, usorde implementat si cu toate ca o solutie ar fi utilizarea metodelor bazate pe ipoteza Von Kries, da-torita dezavantajului specificat mai sus, aceste metode nu se preteaza pentru corectia si clasificareaimaginilor de psoriazis. Cu toate ca acesti algoritmi ar oferi informatii legate de culoarea adevarataa obiectelor fotografiate, trebuie luat în considerare si faptul ca un specialist ar considera imaginilecorectate ca fiind nenaturale si total diferite fata de ceea ce se vede cu ochiul liber. Astfel, sedoreste sa se implementeze un algoritm de corectie de culoare ce nu distorsioneaza imaginea (eaapare natural) si de asemenea contine informatii legate de culorile adevarate continute în imagine.
2.3.3.2 Mire de culoare
Corectia de culoare este înca intens cercetata deoarece nu exista o metoda generala ce poatecorecta culorile în toate tipurile de imagini, existând astfel algorimi de corectie de culoare special-izati local, având o serie de constrângeri ce îi fac sa nu poata fi generalizati.
14
2 Diagnostic medical asistat de calculator
În literatura de specialitate au fost propuse o serie de abordari ce folosesc camerele RGB pepost de colorimetri. De exemplu, Wu et al. [65] au folosit o camera calibrata pentru calculul ma-tricilor de calibrare ce mapeaza valorile din spatiul de culoare RGB peste valorile corespondentespatiului de culoare CIEXYZ prin minimizarea unei functii de cost în spatiul de culoare CIELAB,sau prin minimizarea erorii medii patratice în CIEXYZ. Autorii au folosit aceasta metoda pentrumasurarea culorilor dintilor umani. Aceasta metoda de calibrare necesita accesul la datele rawale senzorilor, iar transformata de culoare rezultata este dependenta de camera folosita. Trans-formata este de obicei aplicata înaintea renderizarii imaginii de catre dispozitivul de fotografiat.Eu îmi propun sa abordez o alta tehnica mai putin costisitoare si cu mai putine constrângeri im-plicate. Astfel, aplicând transformata de culoare dupa pasul de renderizare, nu mai avem nevoiede informatiile legate de caracteristicile senzorilor dispozitivului, în schimb, trebuie sa aplicamtransformata pentru fiecare imagine în parte.
Pentru îmbunatatirea consistentei de culoare în contextul folosirii mai multor tipuri de camerede fotografiat si a conditiilor de iluminare necunoscute a priori, strategia uzuala consta în folosireaunei mire de culoare plasata în scena fotografiata. Apoi, printr-un proces de optimizare se es-timeaza o transformata ce mapeaza culorile imaginii peste coordonatele tinta de referinta.
O alegere clasica pentru paleta de culori de referinta o reprezinta mira de culoare Macbeth(vezi Fig. 2.1) ce contine 24 de culori [39]. Aceasta referinta de culoare acopera o gama larga decazuri, cum ar fi simulari spectrale pentru piele deschisa si închisa la culoare. Aceasta harta deculori este adaptata foarte bine la imagini naturale compuse dintr-o serie mare de culori distincte.Totusi, exista un dezavantaj ce consta în diminuarea performantei atunci când se doreste o calibrarea imaginilor folosind o mira standard, deoarece exista cazuri când culorile de interes nu se gasescpe aceasta mira.
Fig. 2.1: Mira de culoare Macbeth.
O serie de lucrari s-au concentrat pe evaluarea culorii pielii folosind mire de culoare ce acoperagama de tonuri de piele [48]. Autorii au investigat consistenta culorilor pielii folosind mai multecamere de fotografiat, prin studierea corelatiei dintre diferitele tonuri de piele extrase din imaginiale acelorasi oameni fotografiati cu ajutorul a patru camere diferite. Paleta de culoare de referintafolosita contine 16 patch-uri ce acopera toata gama de culori de piele, plus culorile primare sisecundare.
15
2 Diagnostic medical asistat de calculator
2.4 Diagnostic diferential pentru boli eritemato-scuamoase
Realizarea unui diagnostic diferential pentru setul de boli eritemato-scuamoase reprezinta oproblema dificila în dermatologie, deoarece aceste boli prezinta aceleasi caracteristici clinice pen-tru eritem si scuama. Setul de boli eritemato-scuamoase cuprinde urmatoarele 6 variante: psoriazis,dermatita seboreica, lichen planus, pitiriazis rozat, dermatita cronica si pitiriazis rubra pilaris. ÎnFigura 2.2 se pot observa cele sase boli cunoscute sub numele de boli eritemato-scuamoase.
(a) (b) (c) (d) (e) (f)
Fig. 2.2: Setul de boli eritemato-scuamoase. a) Psoriazis; b) Dermatita seboreica; c) Lichen planus;d) Pitiriazis rozat; e) Dermatita cronica; f) Pitiriazis rubra pilaris.
Aceste boli sunt observate în mod frecvent în departamentele ambulatorii de dermatologie.La prima vedere, toate prezinta simptome de eritem si scuama similare. Când sunt inspectatecu mai multa grja, unii pacienti prezinta caracteristicile clinice tipice ale unei boli la locul depredilectie (localizare pe suprafata pielii unde o boala este înclinata sa apara), în timp ce un altgrup prezinta o localizare tipica. Caracteristicile clinice sunt importante pentru realizarea unuidiagnostic diferential corect. De exemplu, gradul de roseata si gradul de descuamare sunt maimici pentru dermatita cronica decât pentru psoriazis, fenomenul koebner este prezent numai lapsoriazis, lichen planus si pitiriazis rozat. Pruritul si forma poligonala a papulelor sunt prezentenumai la lichen planus, în timp ce papulele foliculare sunt prezente în cazul pitiriazisului rubrapilaris. Mucozitatile orale reprezinta o caracteristica clinica predilecta pentru lichen planus, iargradele de implicare al genunchilor, scalpului si coatelor sunt caracteristici de predilectie pentrupsoriazis.
Unii pacienti pot fi corect diagnosticati numai cu ajutorul caracteristicilor clinice. Cu toateacestea, pentru realizarea unui diagnostic diferential adecvat, de obicei, este necesara efectuareaunei biopsii a leziunii cutanate. Totusi, aceste sase boli au în comun numeroase caracteristicihistopatologice.
În 1998, Guvenir et al. [33] au construit o baza de date ce contine 366 de înregistrari, fiecaredintre acestea având 34 de caracteristici (12 clinice si 22 histopatologice). Valorile caracteristicilorhistopatologice au fost determinate prin analizarea probelor la microscop. Tabelul 2.1 contine dis-tributia bolilor eritemato-scuamoase împreuna cu descrierea caracteristicilor. Baza de date constru-ita se numeste Dermatology si este integrata în repozitoriul de machine learning UCI (Universityof California, Irvine).
Baza de date Dermatology ce contine date referitoare la cele sase boli eritemato-scuamoasea fost intens studiata. Cu toate acestea, în aceste studii, caracteristicile histopatologice au fostfolosite pentru clasificare. Nici un studiu din literatura de specialitate nu a avut în vedere utilizareanumai a caracteristicilor clinice pentru luarea deciziilor medicale. Autoarea acestei teze de doc-
16
2 Diagnostic medical asistat de calculator
torat a realizat un studiu referitor la clasificarea bazei de date Dermatology folosindu-se numai decaracteristicile clinice. Detalii legate de acest studiu se regasesc în Capitolul 3.
Boli eritemato-scuamoase Caracteristici clinice Caracteristici histopatologice(numar pacienti) (valori posibile: 0,1,2,3) (valori posibile: 0,1,2,3)Psoriasis(112) Erythema Melanin incontinenceSeboreic dermatitis(61) Scaling Eosinophils in the infiltrateLichen planus(72) Definite borders PNL infiltratePityriasis rosea(49) Itching Fibrosis of the papillary dermisCronic dermatitis(52) Koebner phenomenon ExocytoisPityriasis rubra pilaris(20) Polygonal papules Acanthosis
Follicular papules HyperkeratosisOral mucosal involvement ParakeratosisKnee, elbow involvement Clubbing of the rete ridgesScalp involvement Elongation of the rete ridgesFamily history (0 sau 1) Thinning of the suprapapillary epidermisAge (Liniar) Spongiform pustule
Munro microabcessFocal hypergranulosisDisappearance of the granular layerVacuolisation and damage of basal layerSpongiosisSaw-tooth appearance of retesFollicular horn plugPerifollicular parakeratosisInflammatory monoluclear inflitrateBand-like infiltrate
Tabel 2.1: Baza de date Dermatology ce contine distributia bolilor eritemato-scuamoase.
2.5 Evaluare obiectiva a severitatii leziunilor de pso-riazis
Medicii dermatologi pot evalua rapid severitatea psoriazisului. Dermatologii experimentati îsipot aminti cu acuratete statutul anterior al pacientului si pot discerne usor daca starea acestuia s-aschimbat de la o vizita la alta. Adevarata provocare consta în evaluarea obiectiva a severitatii bolii.
În 1978, Fredriksson si Pettersson [26] au introdus scorul PASI (Psoriasis Area and SeverityIndex) pentru a evalua eficacitatea tratamentului asupra psoriazisului folosind acitretin. Acest scora câstigat popularitate în studiile clinice ulterioare. A reprezentat un prototip pentru dezvoltareaunei noi serii de scoruri adoptate în dermatologie în ultimii 20 de ani (vezi tabelul 2.2). Acestiindecsi evalueaza severitatea bolii având în vedere zonele de piele implicata la un moment datsi scorurile aferente diferitelor caracteristici clinice prezente: eritemul, gradul de descuamare sigrosimea sau induratia leziunilor de psoriazis.
17
2 Diagnostic medical asistat de calculator
Index DescrierePASI Leziunile sunt gradate în functie de 3 criterii: eritemul (E), grosimea
sau induratia (G) si scuama ( S). Severitatea este evaluata pen-tru fiecare criteriu pe o scala de la 0-4 (0 - absenta leziunilor; 4- cel mai mare grad de severitate). Corpul uman este divizat în 4parti: cap (c), membre superioare (s), trunchi (t) si membre infe-rioare (i). Pentru fiecare dintre aceste zone aria de acoperire (A) aleziunilor este gradata pe o scala de la 0-6 (0 - absenta leziunilor;6 - acoperire mai mare de 90%). Diferitele regiuni ale corpuluisunt ponderate pentru a reflecta proportia lor fata de suprafata cor-porala totala. Scorul PASI se calculeaza folosind urmatoarea ecuatie:PASI = 0.1(Ec +Gc + Sc)Ac + 0.2(Es +Gs + Ss)As
+ 0.3(Et +Gt + St)At + 0.4(Ei +Gi + Si)AiPsoriasis Log-based Area andSeverity Index (PLASI)
Pentru a depasi problema de ponderare necorespunzatoare aparametrului de arie (de ex. când aria de acoperire din oricare zonaa corpului scade sub 10%, gradarea PASI pentru parametrul de arie îsipierde sensibilitatea). Pentru PLASI parametrul de arie este împartitlogaritmic în 6 parti egale si limitele superioare ale grupului (100, 46,21, etc.) sunt folosite pentru gradarea ariei de acoperire.
Psoriasis Exact Area and Sever-ity Index (PEASI)
Pentru a depasi problema de ponderare necorespunzatoare aparametrului de arie (vezi PLASI) acest index foloseste procentajulefectiv de implicare a unei zone a corpului în locul folosirii unui scorfinit.
Self-administered PASI(SAPASI)
Adopta scalele vizuale analogice (VAS - visual analogue scales)pentru a descrie culoarea, grosimea si gradul de descuamare a uneileziuni de psoriazis oarecare. SAPASI se calculeaza dupa formula:SAPASI = [(0.1×Ac) + (0.2×As) + (0.3×At) + (0.4×Ai)]
[0.0333× (V ASE + V ASG + V ASS)],undeAc - scorul pentru aria de acoperire a leziunilor din zona capului;As - scorul pentru aria de acoperire a leziunilor din zona membrelorsuperioare; At - scorul analog pentru zona trunchiului; Ai - scorulanalog pentru zona membrelor inferioare; V ASE - scorul VAS pentrueritem; V ASS - scorul VAS pentru scuama si V ASG - scorul VASpentru grosime.
Simplified PASI (SPASI) Presupune estimarea eritemului, grosimii si a gradului de descuamarea leziunilor de psoriazis pentru întreg corpul folosind aceleasi gradarica si PASI, si multiplicând rezultatul cu aria de acoperire totala a lezi-unilor.
Aria de acoperire a leziunilor Procentajul estimat de clinician pentru suprafata totala de acoperire acorpului uman cu leziuni psoriatice; cuprins între 0% si 100%.
Physician Global Assessment(PGA))
De obicei, folosit ca un scor în 7 puncte. Scala statica: 0 = fara leziunipsoriatice; 1-6 = crestere liniara a severitatii.
18
2 Diagnostic medical asistat de calculator
Lattice System PGA Procentajul de implicare a leziunilor de psoriazis se împarte în 7 cat-egorii: 0%, 1%-3%, 4%-9%, 10%-20%, 21%-29%, 30%-50%, 51%-100%. Aceste arii de implicare sunt combinate cu gradele de roseata,de descuamare si de induratie, fiecare fiind evaluate într-una din cele2 categorii: none-to-mild (lipsa spre usor), moderate-marked (mod-erat spre foarte sever). Astfel psoriazisul poate fi categorisit într-unadin cele 8 categorii cuprinse între clear (lipsa) si very severe (foartesever).
Salford Psoriasis Index (SPI) Acesta reprezinta un index în 3 cifre. Prima cifra transforma scorulPASI într-un numar de la 0 la 10 indicând gradul de extindere al pso-riazisului. A doua cifra evalueaza efectul psiho-social pe care boala îlare asupra fiecarui pacient în parte, folosind un VAS de la 0 la 10. Atreia cifra reflecta istoricul de severitate al bolii judecat dupa nevoiade tratament sistemic, internarea în spital si de numarul de episoadede eritrodermie.
Tabel 2.2: Indecsi de evaluare a gravitatii psoriazisului.
Indecsii derivati din PASI sunt folositi la evaluarea severitatii psoriazisului si la definirearaspunsului la tratament. Când un index este folosit ca si index de severitate, sunt stabilite pragurice permit trecerea de la un nivel de severitate la cel inferior sau superior lui [23]. Pe de alta parte,când un index este folosit ca si o metoda de evaluare a raspunsului bolii la tratament, atunci suntluate în considerare modificarile valorilor scorurilor respective.
Scorul PASI nu capteaza influenta psoriazisului asupra calitatii vietii pacientului. Aceasta di-mensiune poate fi evaluata cu ajutorul unei metode diferite numite Dermatology Life Quality In-dex. Aceasta metoda este reprezentata de chestionare completate de pacienti si urmaresc cum bo-lile de piele, printre care si psoriazis, afecteaza calitatea vietii pacientului [25]. O cauza potentialapentru inacuratetea scorului PASI este reprezentata de variabilitatea mare între observatii legatede aria de acoperire a leziunilor de psoriazis, observatii provenind de la doi medici dermatologidiferiti. Acest lucru se întâmpla datorita subiectivismului cu care sunt evaluati cei 4 parametriiai scorului: aria de acoperire, eritemul (roseata), gradul de descuamare si induratia (grosimea)leziunilor psoriatice.
Pentru a depasii problemele generate de rationamentul subiectiv al medicului dermatolog înevaluarea scorului PASI, au fost dezvoltate o serie de metode obiective, cum ar fi utilizarea imag-isticii cu ultrasunete pentru evaluarea grosimii leziunilor de psoriazis [50], sau utilizarea tehnicilorde procesare de imagini pentru evaluarea ariei de acoperire, a eritemului si a scuamei [3].
Scorul PASI reprezinta o metoda buna de evaluare a severitatii leziunilor de psoriazis. Chiardaca aceasta a primit multe critici de-a lungul timpului este înca considerata metoda de aur fata decare toate celelalte scoruri dezvoltate ulterior se compara.
19
2 Diagnostic medical asistat de calculator
2.6 Concluzii
Prin parcurgerea literaturii de specialitate privind diagnosticul medical asistat de calculatorputem concluziona urmatoarele:
• Extinderea aplicatiilor MDS în dermatologie. Aplicatiile MDS folosesc diferite tehnicilogice si functionale pentru a furniza utilizatorului date legate de fiecare pacient în parte.Pentru reprezentarea informatilor clinice si pentru sugerarea de diagnostice, testare core-spunzatoare, terapii sau alte îndrumari, se folosesc tehnici neprobabilistice, probabilistice,sisteme bazate pe reguli, algoritmi, etc. Oricare ar fi tehnica folosita, scopul aplicatiilorMDS este de a reprezenta datele pacientului si de a asista medicul în luarea deciziilor avândla dispozitie datele contextuale într-un mod organizat. Aplicatiile MDS si-au gasit loc îndermatologie datorita capacitatii lor de a stoca un volum foarte mare de informatii.• Introducerea diagnosticului asistat de calculator în dermatologie. Cu toate ca exista
studii numeroase legate de aplicarea calculatoarelor în medicina, foarte putine dintre acesteaau abordat legatura dintre dermatologie si stiinta calculatoarelor. Astfel, sistemul expertpe care îl dezvoltam si prezentam în cadrul tezei abordeaza întrepatrunderea acestor douadomenii integrând tehniciile de procesare de imagini si de machine learning în dermatologie.• Corectia de culoare a imaginilor color reprezentând leziuni cutanate. Exista o serie de
metode de corectie de culoare a imaginilor ce contin piele si / sau leziuni cutanate folosindmire de culoare. Deoarece Sistemul Expert de evaluare a severitatii leziunilor de psoriazispropus se bazeaza pe un numar limitat de imagini de test, nu este posibil sa construim o miracustomizata. Algoritmul cel mai apropiat scopului acestei teze este cel dezvoltat de [48],algoritm specializat pe diferitele tonuri de piele. Totusi, acesta nu se preteaza în forma saoriginala pentru corectia imaginilor ce contin leziuni de posriazis. Astfel, algoritmul trebuiemodificat / îmbunatatit pentru a se putea realiza o corectie de culoare corecta a imaginilor detest continute de baza noastra de date.• Dificultatile diagnosticului diferential pentru bolile eritemato-scuamoase. Baza de date
Dermatology a fost si este intens studiata de foarte multi cercetatori. În toate aceste studii,clasificarea s-a bazat în principal pe folosirea caracteristicilor histopatologice pe lânga car-acteristicile clinice aferente celor 6 boli eritemato-scuamoase. Nici un studiu din literaturade specialitate nu a avut în vedere utilizarea exclusiva a caracteristicilor clinice pentru luareadeciziilor medicale.• Evaluarea obiectiva a severitatii leziunilor de psoriazis. Cu toate ca exista o serie mare
de indecsi de evaluare obiectiva a severitatii psoriazisului, toate aceste metode se raporteazala rezultatele obtinute cu ajutorul scorului PASI. În ciuda faptului ca acest scor reprezintametoda de aur pentru psoriazis, PASI nu este folosit de catre medici în practica de zi cu zideoarece toti parametrii necesari calcularii scorului sunt determinati vizual. Subiectivismulce sta în spatele evaluarii celor patru parametrii (eritem, grad de descuamare, induratia siarie de acoperire) reprezinta o problema majora. Sistemul expert propus în prezenta tezaeste capabil ca evalueze în mod obiectiv eritemul si aria de acoperire a leziunilor rezultândîntr-un calcul semi-automatizat al scorului PASI.
20
2 Diagnostic medical asistat de calculator
2.7 Obiectivele tezei de doctorat
Asa cum a fost precizat în capitolul introductiv, obiectivul principal al acestei teze de doctoratconsta în dezvoltarea un sistem expert de evaluare obiectiva a severitatii leziunilor de psoriazis.Pentru atingerea obiectivului principal al tezei, a fost cercetata literatura de specialitate aferentatemei alese de autoarea tezei. Eforturile de cercetare s-au concluzionat în identificarea si rezolvareaunor probleme specifice legate de metodologia de gradare a severitatii psoriazisului. Solutiileacestor probleme reprezinta obiectivele secundare ale tezei de doctorat:
• Dezvoltarea unui sistem expert de clasificare a bolilor eritemato-scuamoase în doua clasede decizie: psoriazis si non-psoriazis. Bolile eritemato-scuamoase au în comun numeroasecaracteristici clinice si histopatologice, astfel realizarea unui diagnostic diferential pentruaceste boli reprezinta o problema curenta, greu de rezolvat. Astfel, prin prezenta teza, se vaidentifica un set minim de caracteristici clinice necesare diagnosticarii unei boli eritemato-scuamoase ca fiind psoriazis sau nu. Se va dezvolta si un sistem expert de clasificare a aces-tor boli, accentul punându-se pe identificarea simptomelor aferente psoriazisului, deoareceacest sistem va fi parte integranta dintr-un sistem expert de evaluare obiectiva a severitatiileziunilor de psoriazis.• Dezvoltarea unui algoritm de corectie de culoare pentru imaginile color. Deoarece este
aproape imposibil sa se obtina aceleasi conditii de achizitie în fiecare cabinet dermatologicsau la doua vizite diferite în acelasi cabinet, este necesar integrarea unui algoritm de corectiede culoare a imaginilor ce contin leziuni de psoriazis. Pentru dezvoltarea unui algoritm decorectie de culoare robust, o mira de culoare de referinta va fi plasata în scena fotografiata.Prin intermediul acestui algoritm toate imaginile de test prezente în baza noastra de date vorfi calibrate corespunzator pentru a fi ulterior procesate.• Evaluarea obiectiva a severitatii eritemului leziunilor de psoriazis. Severitatea eritemului
leziunilor de psoriazis va fi determinata prin extragerea si selectarea unui set de caracteristicide culoare si de textura importante din imaginile segmentate în prealabil. Apoi, cu ajutorulunor clasificatori de machine learning, eritemul leziunii procesate va fi clasificat într-unadin cele 4 categorii de severitate: mild (forma usoara), moderate (forma moderata), severe(forma severa) sau very severe (forma foarte severa).• Dezvoltarea unui sistem expert de evaluare a gravitatii leziunilor de psoriazis si calcularea
semi-automatizata a scorului PASI. Prin prezenta teza se va propune un sistem expert deevaluare obiectiva a eritemului si ariei de acoperire a leziunilor de psoriazis. Se va calculascorul PASI într-un mod semi-automatizat, ceilalti doi parametrii, gradul de descuamare siinduratia, vor fi setati manual de catre medicul dermatolog.
21
Capitolul 3
Dezvoltarea si evaluarea SistemuluiExpert
Un sistem expert (SE) este un sistem de informare computerizat ce emuleaza abilitatea ex-pertului uman de a lua decizii [40]. Sistemele expert sunt dezvoltate pentru a rezolva problemecomplexe folosind rationamente logice asa cum procedeaza si un expert uman. În principiu, unsistem expert are o structura reprezentata de doua componente principale: o parte fixa, indepen-denta de sistemul expert, numita "motor de inferenta" si o parte variabila reprezentata de baza dedate de cunostinte. În anii ’80 a fost integrata o a treia componenta: o interfata cu utilizatorulce permite comunicarea între sistemul expert si utilizatorul final. În Figura 3.1 sunt prezentatecomponentele de baza ale unui sistem expert.
Fig. 3.1: Arhitectura unui sistem expert.
O serie de avantaje reies din folosirea unui sistem expert:
• Disponibilitate rapida si posibilitate de a se programa singur. Sistemele expert fiind bazatepe reguli regasite în limbajul natural al oamenilor, pot fi scrise mult mai repede în comparatiecu programele conventionale. Acestea pot fi abordate de utilizatori si de experti deopotriva,nefiind necesara explicarea subiectului;• Abilitatate de a explota baze de date foarte mari. Numarul regulilor folosite de un sistem
expert nu influenteaza functionarea motorul de inferenta;• Fiabilitate si consistenta. Fiabilitatea sistemului expert este direct proportionala cu fiabili-
tatea bazei de date, adica buna, mai mare decât cea a unui program clasic. Sistemele expertsunt capabile sa ia aceeasi decizie în mod consistent. Daca baza de date este construitafara ambiguitate, atunci sistemul expert ce primeste aceleasi criterii de intrare va oferi întot-deauna acelasi output;• Scalabilitate. Un sistem expert evolueaza prin adaugarea, modificarea sau stergerea reg-
ulilor. Deoarece regulile sunt scrise în limbaj natural, este usor a se identifica regulile cetrebuiesc modificate sau sterse;
22
3 Dezvoltarea si evaluarea Sistemului Expert
• Pedagogie. Motoarele pe care se ruleaza rationamente logice sunt capabile sa explice uti-lizatorului, folosind un limbaj natural, motivul pentru care cer o data de intrare noua si cumau dedus fiecare solutie în parte;• Conservare a cunostintelor. Cunostinte valoroase pot disparea o data cu decesul, sau re-
tragerea din domeniu a expertului. Înregistrate într-un sistem expert, aceste cunostinte ramânpentru totdeauna.
Dezvoltarea sistemelor expert prezinta un mare dezavantaj ce explica succesul lor scazut:colectarea cunostintelor si interpretarea lor sub forma regulilor, concept cunoscut sub numele deinginerie a cunostintelor (knowledge engineering). Majoritatea dezvoltatorilor nu au la dispozitieo metoda automata de a pune în aplicare acest concept. Cunostintele unui expert, în general, nusunt întelese de catre dezvoltatori; de exemplu, unele reguli sunt contradictorii, nefolositoare sauscrise defectuos. De asemenea, majoritatea sistemelor expert folosesc un motor de inferenta inca-pabil sa realizeze rationamente logice. Ca si rezultat, acele sisteme expert nu functioneaza corectsi proiectul aferent lor este abandonat.
Ne propunem sa dezvoltam un sistem expert robust, bazat pe reguli ce permit crearea de ration-amente logice pentru evaluarea severitatii leziunilor de psoriazis. Analizând întregul proces dedezvoltare a unui sistem expert, sistemul propus în aceasta teza ar trebui sa contina urmatoarelecomponente:
• Un modul (sistem expert) de diagnosticare a psoriazisului folosind numai caracteristici clin-ice.• Un sistem de achizitie de imagini color ce reprezinta leziuni de psoriazis. În scena fotografi-
ata este necesara plasarea unei mire de culoare folosita ca referinta în urmatoarele etape deprocesare.• Un algoritm robust de corectie de culoare a imaginilor color.• O interfata grafica pentru facilitarea segmentarii leziunilor de psoriazis de catre medicul
dermatolog.• Un modul pentru calcularea ariei de acoperire a leziunilor de psoriazis.• Un modul de clasificare a eritemului leziunilor de psoriazis din punct de vedere al gravitatii.
În cadrul acestei etape sunt extrase caracteristici de culoare si de textura din imaginile colorsegmentate. Pentru scaderea timpului de procesare sunt selectate numai un set minimal decaracteristici necesare obtinerii unei acurateti în clasificare cât mai mare.• Un modul în care se determina scorul PASI pe baza a patru parametrii: eritem si arie de
acoperire (obtinuti automat prin intermediul sistemului expert), gradul de descuamare siinduratia (setati manual de catre medicul dermatolog prin intermediul interfetei grafice dez-voltate).
Figura 3.2 prezinta organigrama sistemului expert de evaluare a gravitatii leziunilor de psori-azis.
23
3 Dezvoltarea si evaluarea Sistemului Expert
Fig. 3.2: Organigrama sistemului expert de evaluare a severitatii psoriazisului.
24
3 Dezvoltarea si evaluarea Sistemului Expert
3.1 Diagnostic diferential automatizat pentru psori-azis bazat pe caracteristici clinice
Strategia uzuala folosita la diagnosticarea automata a unei boli se bazeaza pe folosirea algorit-milor de machine learning. Acestia sunt directionati spre o predictie bazata pe un set de proprietaticunoscute, învatate anterior din setul de date de antrenare. În domeniul medical, acesti algoritmisunt antrenati sa învete metodologia de decizie a unui medic legata de o boala particulara, ca maiapoi sa asiste medicul expert la diagnosticarea viitorilor pacienti ce prezinta simptome similare[62].
Primul pas în dezvoltarea sistemului expert propus este de recunoastere a leziunilor de pso-riazis având la dispozitie numai un set de caracteristici clinice. Pentru aceasta, am folosit bazade date Dermatology (vezi Tabel 2.1) ce contine 12 caracteristici clinice si 22 histopatologice cu-mulate în 366 de instante. Din acest set de caracteristici numai primele 10 caracteristici cliniceau fost folosite pentru clasificare (eritemul (erythema), gradul de descuamare (scaling), gradul dedefinire al marginilor (definite borders), pruritul (itching), prezenta fenomenului koebner (koebnerphenomenon), prezenta papulelor poligonale (polygonal papules), prezenta papulelor foliculare (follicular papules), gradul de implicare al mucozitatilor bucale (oral mucosal involvement), gradulde implicare al leziunilor pe suprafata genunchilor si a coatelor (knee and elbow involvement) sigradul de implicare al leziunilor pe suprafata scalpului (scalp involvement)). Acestor caracteristicili s-au alocat 4 grade de gravitate (’0’ reprezentând absenta caracteristicii, ’3’ reprezentând celmai mare scor posibil, ’1’, ’2’ indicând valorile relative intermediare). Celelalte 2 caracteristiciclinice, vârsta si istoricul familial, au fost excluse din studiul realizat, deoarece o serie de 8 înreg-istrari nu contin caracteristica de vârsta, iar istoricul familial nu este gradat la fel ca si celelalte10 caracteristici clinice (astfel, ’1’ denota aparitia bolii în familie si ’0’ absenta ei). Folosind cele10 caracteristici clinice am decis sa clasific cele 6 boli eritemato-scuamoase în doar doua clasede decizie: psoriazis si non-psoriazis. La baza acestei decizii a stat faptul ca sistemul expert dez-voltat se axeaza explicit pe evaluarea obiectiva si neinvaziva a psoriazisului, astfel nefiind necesaracunoasterea celorlalte cinci clase distincte (vezi Tabel 2.1).
Înainte de clasificarea propriu-zisa a bazei de date Dermatology am analizat cele 10 caracteris-tici clinice selectate din punct de vedere al corelatiei lor cu cele doua clase de decizie si din punctde vedere al procentajului de aparitie al uneia din valorile specifice fiecarui feature în parte. Încazul caracteristicilor selectate, valorile posibile ce pot fi asignate sunt 0, 1, 2 sau 3. Pentru aceastaanaliza am decis sa folosesc seturile rough (dure, aspre, brute) ce genereaza reguli de deciziefolosite la clasificarea obiectelor dintr-un set de date în mod supervizat.
Seturi rough. Seturile rough introduse de Pawlak în 1982 [41], reprezinta o tehnica de data-mining relativ noua, folosita pentru descoperirea de sabloane (patterns) într-un set de date. Scopulprincipal al acestei teorii este de a reduce numarul elementelor (atributelor) dintr-o tabela bazându-se pe informatia continuta de fiecare atribut în parte sau pe informatia continuta de o colectie deatribute (obiecte), astfel încât sa existe o mapare între obiecte similare si o clasa de decizie aferentalor. În general, nu toata informatia continuta într-o tabela este necesara: multe dintre atribute pot ficonsiderate redundante, în sensul în care acestea nu influenteaza în mod direct decizia finala de aclasifica un obiect într-o clasa specifica. Seturile rough urmaresc sa elimine atributele redundante.
25
3 Dezvoltarea si evaluarea Sistemului Expert
Ele folosesc conceptul de aproximare superioara si inferioara a seturilor pentru a genera limite(granite) de decizie folosite la clasificarea obiectelor. Un mare avantaj al acestei teorii este ca nunecesita informatii suplimentare legate de obiectele dintr-o baza de date. Am folosit seturile roughpentru a examina caracteristicile clinice comparativ cu subsetul de caracteristici histopatologiceîn vederea demonstrarii potentialului folosirii caracteristicilor non-invazive, clinice la clasificareaunei boli eritemato-scuamoase ca fiind psoriazis sau nu.
3.1.1 Analizarea caracteristicilor clinice
Un set de 8 înregistrari din cele 366 continute de baza de date Dermatology, nu prezinta atribu-tul de vârsta. Astfel, am ales sa elimin aceasta caracteristica clinica din componenta tuturor înreg-istrarilor. Istoricul familial gradat cu valorile 0 si 1 a fost si acesta sters din cele 366 de instantepentru a pastra consistenta bazei de date (cele 10 caracteristici clinice ramase au o gradare nomi-nala între 0-3).
Am analizat cele 10 caracteristici clinice (eritemul, gradul de descuamare, gradul de definireal marginilor, pruritul, prezenta fenomenului koebner, prezenta papulelor poligonale, prezentapapulelor foliculare, gradul de implicare al mucozitatilor bucale, gradul de implicare al leziunilorpe suprafata genunchilor si a coatelor si gradul de implicare al leziunilor pe suprafata scalpului)folosind sistemul RSES (Rough Set Exploration System - v. 2.2) [63]. Acest sistem faciliteazaanalizarea datelor în format tabular folosind diferite metode, în special cele bazate pe teoria se-turilor rough. În Tabelul 3.1 am prezentat analiza statistica realizata asupra acestor caracterstici.
Nume atribut Media (µ) Dispersia (σ) Coeficient de Valoare atributcorelatie (r)
grad de implicare al leziunilor pesuprafata genunchilor si a coatelor
0.615 0.983 -0.68 0 (68.5%)
grad de implicare al leziunilor pesuprafata scalpului
0.519 0.906 -0.73 0 (72.1%)
Tabel 3.1: Analiza statistica asupra celor 10 atribute de decizie clinice. Ultima coloana prezintavaloarea atributului cu cel mai mare procentaj de aparitie.
Se poate observa ca aproximativ 60% din setul de atribute au raportat grade de corelatie marifata de clasa lor de decizie (6 caracteristici cu coeficienti peste 30%). De asemenea, este de remar-cat ca valoarea pentru majoritatea atributelor (7 din cele 10) ce apare cel mai des în cele 366 de
26
3 Dezvoltarea si evaluarea Sistemului Expert
înregistrari este ’0’. Aditional, am observat ca nici una dintre caracteristici nu este corelata cu val-oarea maxima de ’3’. Astfel, am concluzionat ca valorile medii (’1’ si ’2’), mai putin precise decâtcele extreme de ’0’ si ’3’ sunt mai importante pentru pasul de generare a setului de reguli necesarclasificarii bazei de date Dermatology în cele doua clase de decizie: psoriazis si non-psoriazis. To-tusi, asa cum voi prezenta în urmatoarea sectiune, numarul de reguli de decizie generat este mare(de ordinul sutelor), multe dintre acestea oferind un suport minim în clasificare. Scopul studiuluia fost sa determin daca setul de caracterisitici clinice poate asigura o baza sigura pentru realizareaunui diagnostic diferential precis a bolilor eritemato-scuamoase.
3.1.2 Clasificarea bazei de date Dermatology
3.1.2.1 Clasificare folosind seturi rough
Rezultatele utilizarii teoriei seturilor rough pot fi sumarizate într-o matrice de confuzie (veziTabelul 3.2). TP (True Positive) reprezinta numarul de înregistrari corect identificate ca facândparte dintr-o clasa, FN (False negative) - numarul de înregistrari incorect respinse ca nefacândparte dintr-o clasa, FP (False Positive) - numarul de înregistrari incorect identificate ca facândparte dintr-o clasa , TN (True Negative) - numarul de înregistrari corect respinse ca nefacând partedintr-o clasa . Cu ajutorul acestor parametrii se pot calcula acuratetea clasificarii, sensibilitatea saurata pozitiva adevarata si specificitatea (vezi setul de ecuatii 3.1).
1 2 / Raspuns clasificator1 TP FN2 FP TN
Raspuns adevarat4
Tabel 3.2: Structura unei matrici de confuzie.
acuratete =TP + TN
TP + FN + FP + TNsensib. =
TP
TP + FNspecif. =
TN
TN + FP(3.1)
Tabelul 3.3 prezinta rezultatele clasificarii bazei de date Dermatology folosind numai primele10 caracteristici clinice. Am realizat clasificarea prin metoda de antrenare si testare a bazei de datefolosind setul de reguli generat de sistemul RSES, iar acuratetea totala obtinuta a fost de 99.5%.
Tabel 3.3: Matricea de confuzie pentru clasificarea bazei de date Dermatology folosind teoriaseturilor rough. Acuratetea totala este indicata de ultima valoare de pe diagonala principala.
27
3 Dezvoltarea si evaluarea Sistemului Expert
Pentru validarea clasificatorului am folosit metoda încrucisata (cross-validation) cu K = 5,respectiv K = 10 felii (folds). În urma validarii, acuratetea obtinuta a fost de 95.3% (5 felii) si de94.7% (10 felii).
Asa cum am mentionat anterior, numarul regulilor generate cu ajutorul seturilor rough estede ordinul sutelor. Acest lucru se datoreaza faptului ca valorile medii de ’1’ si ’2’ pentru fiecareatribut sunt mai importante decât valorile extreme de ’0’ si ’3’. În Figura 3.3 se poate observaun esantion din cele 469 de reguli generate. Atributele sunt depistate prin secventa de litere a-jcorespunzatoare celor 10 caracteristici (vezi Tabelul 2.1). Pentru micsorarea numarului de regulide decizie teoria seturilor rough pune la dispozitie si posibilitatea de a reduce numarul de atributefolosite la clasificare prin utilizarea unor reducts. Un reduct reprezinta setul minimal de atributeincluse în tabela de decizie A ce conserva partitionarea universului U astfel încât se pot realizaclasificari cu aceeasi acuratete ca si cea obtinuta cu întregul set de atribute A. În urma generariicelor doua seturi de reducti doua atribute au fost eliminate, ele fiind considerate reduntante. Acesteatribute sunt eritemul (eliminat din ambele seturi), gradul de implicare al mucozitatilor bucale(eliminat din primul set de reducti) si prezenta papulelor poligonale (eliminat din al doilea setde reducti). În Figura 3.4 am sistematizat aceste ultime rezultate. În urma folosirii a numai 8caracteristici clinice, acuratetea în clasificare ramâne aceeasi, în schimb, numarul de reguli dedecizie generate este semnificativ mai mic (aproximativ 316 reguli).
Fig. 3.3: Esantion de reguli de decizie selectate folosind RSES.
Fig. 3.4: Setul de reducti generati de RSES. SC reprezinta coeficientul de stabilitate al setului dereducti.
Folosind numai 10 caracteristici clinice, acuratetea obtinuta pentru clasificarea bazei de dateDermatology se afla în jurul valorii de 95%. Acest rezultat demonstreaza utilitatea caracterisiti-cilor clinice, neinvazive în asigurarea unei baze sigure pentru realizarea unui diagnostic diferentialprecis a bolilor eritemato-scuamoase.
28
3 Dezvoltarea si evaluarea Sistemului Expert
3.1.2.2 Clasificare folosind algoritmi de machine learning
O serie de 6 algoritmi de machine learning au fost folositi pentru clasificarea bazei de date Der-matology în doua clase: psoriazis si non-psoriazis. Algoritmii folositi sunt urmatorii: k-NearestNeighbor (kNN), Naive Bayes (NB), Retele Neuronale (NN), Support Vector Machine (SVM),AdaBoost (AB) si Online Multiple Kernel (OMK).
1. kNN: Clasificatorul k-Nearest Neighbour. Este un clasificator bazat pe instante ce gasesteun grup de k obiecte în setul de antrenare care sunt apropiate de obiectul de testat. Asigneazao clasa obiectului de test bazându-se pe preponderenta unei clase specifice aflate în vecina-tatea lui [60]. Cu toate ca acest clasificator este considerat "lenes" deoarece nu construiestemodelele în mod explicit, acuratetea obtinuta pentru clasificarea bazei de date Dermatologyeste de 95.08% pentru k = 7. Prin alegerea unui k mai mare sau mai mic acuratetea a scazutspre 93%.
2. NB: Clasificatorul Naive Bayes. Este un clasificator probabilistic bazat pe teoria de de-cizie Bayesiana pornind de la ipoteze naive independente [21]. Acest algoritm este usor deconstruit, usor de înteles si robust. O discutie legata de meritele sale pot fi gasite în [52]. Al-goritmul Naive Bayes constituie una dintre cele mai vechi si simple metode de clasificare.Cu toate acestea, este adesea surprinzator de efectiva. Ca si rezultat, acuratetea obtinutapenttru clasificarea bazei de date Dermatology în cele doua clase propuse este de 95.9%.
3. NN (Neural Networks): Retele Neuronale. Algoritmul NN a fost aplicat cu succes larezolvarea problemelor de diagnostic medical [13], [42]. În cazul realizarii de clasificari,NN estimeaza direct probabilitatile a posteriori [54]. Retelele Neuronale pot fi împartite îndoua topologii: Retele de tip Feed-forward si Retele recurente. Retelele de tip Feed-forwardpot avea unul sau mai multi neuroni. O aplicatie de recunoastere a expresiilor fetelor umanece foloseste o retea neuronala de tip feed-forward a fost prezentata de [10]. Acurateteaobtinuta folosind o retea neuronala de tip feed-forward cu doua nivele pentru clasificareabazei de date Dermatology în cele doua clase propuse este de 95.9%.
4. SVM: Support Vector Machine. SVM este un algoritm de învatare supervizat bazat peteoria de învatare statistica introdusa de Vapnik [64] în 1995. Scopul acestei teorii este dedetermina un hiper-plan ce separa în mod optimal doua clase folosind un set de date deantrenare. Acuratetea obtinuta folosind clasificatorul binar SVM este de 96.7%.
5. AB: Clasificatorul AdaBoost. Algoritmul Ada Boosting este o metoda de învatare deansamblu (ensemble learning [19]) introdusa de Freund si Schapire [27]. Ensemble learningcuprinde metode ce folosesc algoritmi de învatare multiplii pentru rezolvarea unei probleme.AB este una din cele mai importante metode ce folosesc acest concept deoarece are o fun-datie teoretica solida, este foarte simplu de implementat (Schapire atesta ca sunt nevoie denumai 10 linii de cod) si este folosit în nenumarate aplicatii. Cu ajutorul algoritmului AB,acuratetea obtinuta pentru clasificarea bazei de date Dermatology în cele doua clase propuseeste de 97.2%.
6. OMK: Clasificatorul Online Multiple Kernel. Aceasta abordare foloseste învatarea onlinepentru a prezice o functie prin selectarea unui subset de functii kernel predefinite [37]. Al-goritmul este bazat pe o combinatie a doua metode de învatare online: algoritmul Perceptron[55] si algoritmul Hedge [27]. Autorii au propus patru variante pentru clasificatorul OMK
29
3 Dezvoltarea si evaluarea Sistemului Expert
ce combina si actualizeaza selectia determinista si cea stohastica a kernelelor. Prin utilizareaacestui algoritm, acuratetea obtinuta pentru clasificarea bazei de date Dermatology este de93.7%.
Acuratetea în clasificare si timpul de procesare sunt parametrii folositi pentru evaluarea celor6 clasificatori. În studiul realizat, acuratetea a fost masurata folosind urmatoarea ecuatie:
acuratete(T ) =∑N
i=1 clasa(ti), ti ∈ T ;
clasa(t) =
{1, classify(t) = clasaObiectuluit0, altfel
(3.2)
unde T reprezinta setul de date de test si classify(t) returneaza clasificarea lui t realizata deoricare din cei 6 clasificatori.
Rezultatele obtinute în urma experimentelor sunt prezentate în Tabelul urmator:
Nume clasificator Acuratete (%) Timp de procesare (s)kNN 95.08 0.39NB 95.9 1.07NN 95.9 2.91
SVM 96.7 0.92AB 97.2 3.21
OMK 93.7 0.22
Tabel 3.4: Comparatie privind acuratetea si timpul de procesare între cei 6 clasificatori.
Acuratetea cea mai mare a fost obtinuta folosind clasificatorul AdaBoost (97.2%), în timpce timpul de procesare cel mai mic a fost obtinut cu ajutorul clasificatorului OMK. SVM-ul aobtinut o acuratete în clasificare de 96.7% si un timp de procesare necesar realizarii computatiilorde aproximativ 1 secunda. Pentru studiul realizat timpul de procesare nu prezinta o importantaridicata, totusi pentru sistemul expert de evaluare a severitatii eritemului, ce înglobeaza si acestpas premergator, timpul de procesare prezinta o importanta considerabila.
3.1.3 Implementarea sistemului expert de clasificare a bazei de
date Dermatology
Asa cum am mentionat la începutul capitolului, un sistem expert se bazeaza pe un set de regulide decizie. Pentru extragerea acestor reguli am folosit doua metodologii: una bazata pe arbori dedecizie ce încorporeaza teoria seturilor rough si una bazata pe clasa "classregtree" din MATLAB. Înurma comparatiei realizate între cele doua metode, am decis sa implementez în Visual Studio 2010arborele de decizie bazat pe seturi rough folosind framework-ul .NET WPF (Windows PresentationFoundation).
Cu ajutorul arborilor de decizie sunt construite modele de clasificare. Axându-se pe dateleasigurate creeaza un model cu o structura arborescenta folosind rationamentul inductiv. Pentru aclasifica toate datele de intrare, fiecare nod al arborerului este reprezentat printr-o ecuatie distincta.
30
3 Dezvoltarea si evaluarea Sistemului Expert
Ecuatia se va concentra asupra unei variabile si va determina daca data importata este mai mare,mai mica sau egala cu o anumita valoare. Fiecare astfel de nod poate clasifica datele importateîntr-o anumita categorie [15]. Arborii de decizie asigura functii pentru realizarea de clasificari side predictii simultan. Datele sunt clasificate folosind o secventa de întrebari si reguli.
Am decis sa implementez în continuare sistemul expert bazat pe reguli de decizie pentru clasi-ficarea bazei de date Dermatology în doua clase folosind arborele de decizie generat cu ajutorulsistemului RSES deoarece acesta este mai precis din punct de vedere al acuratetii în clasificare,98.1% fata de 92.9% obtinuta cu ajutorul arborelui de decizie generat în MATLAB.
3.1.3.1 Arhitectura sistemului expert de clasificare a bazei de dateDermatology
Pentru implementarea sistemului expert s-a ales framework-ul .NET WPF. WPF este cel mairecent framework, lansat pe piata de Microsoft, ce este folosit la dezvoltarea de aplicatii software.Cu ajutorul acestei tehnologii se pot creea atât aplicatii de sine statatoare cât si aplicatii web. WPFse bazeaza pe un motor grafic bazat la rândul lui pe vectori, construit special pentru a beneficiade avantajele placilor grafice moderne. WPF extinde aceste capabilitati cu un set de caracteristicipentru dezvoltarea aplicatiilor ce includ XAML (Extensible Application Markup Language), con-troale, data-binding, grafica 2D si 3D, animatii, sabloane(templates), documente, etc. WPF esteinclus în Microsoft .NET Framework pentru a putea construi aplicatii care încorporeaza toate ele-mentele expuse în WPF dar si cele pre-existente în framework-ul .NET. Limbajul XAML este unlimbaj declarativ bazat pe o structura XML (Extensible Markup Language) folosit la implemetareainterfetei cu utilizatorul.
Arhitectura proiectului este conceputa pe 2 nivele : un prim nivel pentru reprezentarea interfeteicu utilizatorul si un al doilea nivel pentru definirea arborelui de decizie. Pentru definirea arboreluide decizie trebuie construit un XML aferent acestuia. Scriptul XML folosit la definirea regulilorgenerate de RSES poate fi vizualizat în Figura 3.5.
Fig. 3.5: XML aferent arborelui de decizie.
Nivelul ce defineste interfata cu utilizatorul cuprinde doua ferestre: fereastra principala folositapentru a lansa în executie arborele de decizie si fereastra "ExpertDialog" folosita pentru a aduna
31
3 Dezvoltarea si evaluarea Sistemului Expert
datele necesare luarii unei deciziii de catre arborele de decizie. Nivelul de interfata cu utilizatorullanseaza automat fereastra principala care, la rândul ei, afiseaza fereastra "ExpertDialog" pentrufiecare decizie în parte.
Portarea catre Windows Phone 7.1. Pentru a porta aplicatia catre Windows Phone 7.1 a fostnecesara doar schimbarea nivelului de reprezentare a interfetei cu utilizatorul, nivelul de imple-mentare al arborelui de decizie ramânând neschimbat. Aceasta schimbare este necesara deoarecesuprafata de lucru pentru un dispozitiv mobil este foarte diferita de cea a unui calculator din punctde vedere al modalitatii de comunicare cu utilizatorul. Pe un calculator normal se folosesc mouse-ul si tastatura pentru comunicare, în timp ce pe un dispozitiv mobil se folosesc preponderentmecanismele de tip touch si tastatura virtuala. Datorita acestor diferente, interfata cu utilizatoruleste definita separat pentru cele 2 cazuri (vezi Figs. 3.6, 3.7).
Fig. 3.6: Interfata UI pentru aplicatia dezvoltata pe calculator.
3.2 Pre-procesarea imaginilor: Corectia de culoare
Sistemul expert de evaluare a severitatii leziunilor de psoriazis propus se bazeaza pe un numarlimitat de imagini de test, astfel nu este, momentan, posibil a se construi o mira customizata. Deasemenea, eritemul leziunilor de psoriazis difera destul de putin din punct de vedere al spectruluide culori, adica acesta este preponderent rosu. Construirea unei mire customizate specializata pemasurarea culorilor eritemului nu este fiabila, neavând la dispozitie mai multe culori pe aceeasileziune. Astfel, am decis sa folosesc pentru corectarea imaginilor de psoriazis o mira de culoare
32
3 Dezvoltarea si evaluarea Sistemului Expert
Fig. 3.7: Interfata UI pentru aplicatia dezvoltata pe Windows Phone 7.1.
standard cu 8 patch-uri reprezentând culorile primare: rosu, verde si albastru pentru modelul deculoare RGB; culorile aditive primare: magenta, cyan si galben; si non-culorile: alb si negru).
3.2.1 Metoda de corectie de culoare propusa
Metoda propusa de noi necesita doar o mira de culoare prezenta în scena fotografiata, mirafiind de departe cel mai ieftin tip de "hardware" ce poate fi distribuit utilizatorilor. Obiectul deinteres, în cazul nostru leziunea de psoriazis, este fotografiata alaturi de mira de referinta, ceea cepermite realizarea unei corectii de culoare a imaginii independenta de iluminant si de dispozitivulfolosit. Achizitia imaginilor a fost realizata cu ajutorul unei camere digitale de fotografiat CanonEOS 5D Mark II. Camerele digitale sunt considerate dispozitive usor de folosit de catre persoanelenespecializate. Ne propunem sa dezvoltam un sistem expert robust, ieftin si usor de utilizat, astfelnu am considerat folosirea unor dispozitive complexe si scumpe, cum ar fi cromametre si scanerelaser 3D pentru pasul de achizitie al imaginilor.
Pentru ”calibrare” am folosit o varianta modificata a metodei descrise în lucrarile [48], [49].Diferenta dintre metoda originala si algorimul dezvoltat de noi consta în alegerea unui alt spatiude culoare (RGB) pentru realizarea computatiilor. În varianta originala s-a ales spatiul de culoaresRGB (standard RGB). Cu toate ca imaginile achizitionate au profilul de culoare sRGB, o datace acestea au fost redimensionate cu programul AdobePhotoshop, ele au fost salvate sub profilulAdobeRGB. De asemenea, metoda de corectie de culoare propusa de noi se bazeaza pe mini-
33
3 Dezvoltarea si evaluarea Sistemului Expert
mizarea erorii patratice ponderate folosind o matrice de optimizare, matrice ce nu este prezenta învarianta originala.
În functie de conditiile de iluminare (naturala, artificiala, hibrida), culorile scenei pot fi alterate.În plus, în functie de parametrii de achizitie si de intensitatea iluminarii, poate aparea saturatia ceperturba evaluarea culorii texturilor. Aceasta problema este ilustrata în Figura 3.8.
Fig. 3.8: Leziune de psoriazis fotografiata în conditii de iluminare diferite.
Este aproape imposibil sa se obtina aceleasi conditii de achizitie în fiecare cabinet dermatologicsau la doua vizite diferite în acelasi cabinet. Astfel, am redus aceasta constrângere la folosirea uneipalete de culoare de referinta acarei reprezentare ideala poate fi observata în Figura 3.9. Consid-erând modificarea culorilor între doua achizitii ca fiind liniara, calculam pentru fiecare imagine otransformata liniara exprimând astfel continutul imaginii de test în functie de imaginea de referinta.
Fig. 3.9: Reprezentare ideala a mirei de culoare ce contine coordonatele RGB ale fiecarui esantionde culoare.
Luând n coordonate de culoare din imaginea de referinta R, obtinem un set de coordonate dereferinta: R3×n (de fapt, sunt extrase coordonatele de culoare din regiunea mirei de culoare). Înacelasi fel se extrag cele I3×n coordonate de culoare corespondente imaginii I ce urmeaza a finormalizata si, apoi se calculeaza transformata liniara astfel:
R3×n = M3×3I3×n + T3×3 = M ′3×4I
′4×n (3.3)
unde I ′4×n este egal cu I3×n, plus o linie adtionala de ’1’ folosita pentru integrarea translatieiT în transformata vectoriala M ′. Se cauta transformata M ′ ce normalizeaza imaginea I având casi referinta imagineaR. Transformata pseudo-inversa clasica permite rezolvarea acestei problemeliniare cu ajutorul abordarii Moore-Penrose, permitând calculul direct al transformatei M ′.
M ′ = R · IT (I · IT )−1 (3.4)
Algoritmul de corectie de culoare propus de [48] si [49] se opreste aici, autorii nemaiestimânderoarea de repartitie a culorilor dintre imaginea de referintia si cea de procesat. Pentru mini-mizarea acestei erori, am generat un vector de eroare Err unde fiecare element Erri este egalcu distanta Euclideana dintre coordonatele de culoare corespondente imaginii de referinta, R si
34
3 Dezvoltarea si evaluarea Sistemului Expert
coordonatele de culoare corespondente imaginii de procesat I. Acest vector de eroare este folositla determinarea vectorului de optimizare O = 1
Err+εcu ε = 0.01. Apoi am generat o matrice de
optimizare Yn×n ce contine elementele vectorului de optimizare pe prima diagonala si zero în rest.
Erri =√
(Rredi − Iredi)2 + (Rgreeni− Igreeni
)2 + (Rbluei − Ibluei)2 i = 1..n (3.5)
Cu ajutorul matricei diagonala de optimizare Y se estimeaza noua transformata liniara folosindurmatoarea ecuatie:
M ′ = I · Y ·RT (I · Y · IT )−1 (3.6)
In Figura 3.10 este prezentat pasul de corectie de culoare (CC) bazat pe mira de culoare dereferinta: coloana din stânga - imaginea înainte de corectia de culoare, coloana din dreapta - imag-inea dupa corectia de culoare. S-au ales culorile de referinta pentru maximizarea dinamicii imag-inii color, astfel culorile de pe mira aparând saturate si, în plus, toate culorile scenei fotografiateprezentând o dinamica mai buna (acest lucru este demonstrat calitativ de histogramele RGB 3D).
Fig. 3.10: Corectia de culoare pentru o leziune de psoriazis. Primul rând: imaginea originalaurmata de imaginea corectata. Rândul al doilea: Histogramele RGB 3D pentru imaginile dinprimul rând.
3.3 Segmentarea imaginilor
Pentru evaluarea severitatii eritemului leziunilor de psoriazis este necesara segmentarea (con-turizarea) imaginilor originale. Deoarece pentru sistemul expert propus timpul necesar procesariiimaginilor de test trebuie sa fie cât mai mic posibil am ales sa segmentam manual leziunile, înlocul folosirii unor algoritmi de segmentare automata. În Figura 3.11 sunt afisate, în scop compar-ativ, o leziune segmentata manual si aceeasi leziune segmentata folosind o metoda modificata desegmentare ce foloseste contururi active [61].
Cu toate ca pentru a realiza o segmentare manuala medicul consuma un timp (câteva minute),totusi acest timp comparabil mai mic decât cel aferent segmentarii computerizate pentru care este
35
3 Dezvoltarea si evaluarea Sistemului Expert
Fig. 3.11: Pasul de segmentare al unei leziuni particulare de psoriazis. Prima imagine: segmentarecomputerizata folosind contururi active. A doua imagine: segmentare manuala pentru aceeasileziune de psoriazis.
necesara aproximativ jumatate de ora pentru realizarea calculelor.
3.3.1 Clasificarea pixelilor
Dupa pasul de segmentare în urma caruia leziunea a fost separata de zonele de piele sanatoasa,trebuie realizata o clasificare a pixelilor din interiorul leziunii într-una din cele doua categorii: pix-eli aferenti leziunii si pixeli aferenti scuamei/pustulelor. Pentru realizarea unei separari cât maiexacte au fost încercate mai multe metode. Una dintre aceste metode a pornit de la cercetarea real-izata de [47] în care autorii au propus o metoda de clasificare a imaginilor de psoriazis, ierarhizatape doua nivele, folosind banda |B − G|(Albastru-Verde) pentru separarea leziunilor de psoriazisde pielea sanatoasa, totusi, aceasta metoda nu a oferit rezultate satisfacatoare pentru studiul nostru.Astfel, am ales sa evidentiez numai valorile din canalul de culoare Verde pentru pixelii selectati.Aceasta ultima metoda este mai potrivita, rezultatele obtinute evidentiind o separare buna întrepixelii aferenti leziunii si cei aferenti pustulelor/scuamei. În Figura 3.12 este prezentat pasul declasificare a pixelilor din interiorul unei leziuni de psoriazis.
Fig. 3.12: Separarea eritemului de zonele ce contin pustule/scuame. Prima imagine prezinta lezi-unea segmentata manual. În a doua imagine au fost separate zonele de eritem (alb) de cele core-spunzatoare pielii sanatoase si de zonele de scuama/pustule (negru). În a treia imagine este prezen-tata histograma pe canalul de Verde.
36
3 Dezvoltarea si evaluarea Sistemului Expert
3.4 Procesarea imaginilor - Extragere de caracteris-tici
Extragerea de caracteristici reprezinta o metoda speciala de reducere a dimensionalitatii în-tâlnita des în domeniul de pattern recognition (recunoastere de sabloane). Atunci când numaruldatelor de intrare folosite pentru procesare de catre un algoritm este prea mare, aceste date vor fitransformate într-un set de caracteristici (numit vector de feature-uri) de dimensiuni reduce, car-acteristici reprezentative pentru întreg setul de date de intrare. Transformarea datelor de intrareîntr-un set de feature-uri poarta numele de extragere de feature-uri.
Un feature este o caracteristica ce poate captura o anumita proprietate vizuala a unei imag-ini, fie la nivel global pentru întreaga imagine, fie la nivel local pentru obiecte sau regiuni [34].Sistemele CAD (Computer Aided Diagnosis) folosesc feature-uri pentru operatii de cautare, in-dexare si navigare printr-o baza de date cu imagini. O imagine este reprezentata printr-un vectorde feature-uri, iar dimensiunea unui astfel de vector este mult mai mica decât dimensiunea uneiimagini.
Culoarea este o caracteristica importanta pentru reprezentarea imaginilor deoarece este invari-anta la scalare, translatie si rotatie. Deoarece nu se poate face o distinctie clara între leziunile depsoriazis doar prin folosirea culorilor RGB, am ales sa extrag din imagini momentele statisticede culoare reprezentate de media, dispersia si asimetria (skewness) calculate pentru doua spatiide culoare: RGB si HSV. Am ales sa folosesc si spatiul de culoare HSV datorita neuniformitatiispatiului de culoare RGB. Valoarea (V) reprezinta intensitatea unei culori decuplata de informatiade culoare din imaginea reprezentata. Hue (H) si saturatia (S) sunt componente de crominanta,acestea fiind în legatura directa cu felul în care ochiul uman percepe culorile.
Momente de culoare. Momentul de culoare este o reprezentare compacta a caracteristicii deculoare ce caracterizeaza o imagine color. A fost demonstrat ca distributia informatiei de culoareeste surprinsa de trei momente. Momentul de ordin unu (µc) surprinde media culorilor, momentulde ordin doi (σc) captureaza deviatia standard sau dispersia culorilor si momentul de ordin trei(θc) surprinde asimetria culorilor. Aceste momente de culoare sunt extrase din fiecare de canal deculoare: R,G,B si H,S,V.
Medicii dermatologi evalueaza gravitatea eritemului prin compararea culorii leziunilor cu cea apielii ce le înconjoara. Astfel, am ales sa calculez diferentele ∆L∗, ∆hue si ∆crominanta dintreleziune si zona de piele sanatoasa [38]. Spatiul de culoare CIE L∗a∗b∗ este utilizat des pentrumasurarea diferentelor dintre doua culori. Acesta este un spatiu de culoare uniform perceptual siliniar cu sistemul vizual uman. L∗ reprezinta luminanta cuprinsa între 0 si 100, a∗ si b∗ reprezintadimensiunile oponente de culoare (a∗ denota axa rosu - verde (valori pozitive pentru rosu si valorinegative pentru verde)), si b∗ denota axa galben - albastru (valori pozitive pentru galben si valorinegative pentru albastru)) [46].
Transformarea unei imagini din spatiul de culoare RGB în spatiul de culoare CIE L∗a∗b∗ serealizeaza în doi pasi. Primul, este transformata imaginea RGB în spatiul de culoare CIE XYZfolosind transformata liniara data de ecuatia 3.7. Al doilea, imaginea CIE XYZ rezultata estetransformata la rândul ei în spatiul de culoare CIE L∗a∗b∗ folosind relatiile 3.8.
unde, Xn, Yn si Zn sunt valorile normalizate ale iluminantului (sursei de lumina) de referinta.Pentru a calcula diferentele de culoare dintre leziune si pielea sanatoasa am convertit valorile
L∗, a∗, b∗ în valori de: hue (hab), saturatie sau cromaticitate (Cab) si stralucire (L∗) folosind relatiileurmatoare:
Cab =√a∗2 + b∗2 hab = arctan(b∗/a∗) (3.9)
Deoarece leziunile de psoriazis pot aparea într-o varietate mare de culori, clasificarea în cele4 grade de severitate nu poate fi realizata având ca suport doar informatia de culoare. Astfel, pelânga cele 21 de caracteristici de culoare (18 reprezentând momentele de culoare pentru spatiile deculoare RGB si HSV si 3 reprezentate de diferentele de culoare dintre leziune si pielea sanatoasacalculate în spatiul CIE L∗a∗b∗) au fost extrase si o serie de cinci caracteristici de textura princalcularea matricei de co-ocurenta.
Caracteristici de textura. Textura este reprezentata de tipare vizuale ce contin proprietati deomogenitate [57]. Caracteristicile de textura constau în principal din uniformitate, densitate, con-trast si asprime (coarseness). Diferentele dintre doua texturi sunt reprezentate de gradul de variatieal textonilor (elemente ale tiparelor vizuale, cum ar fi marimea, culoarea, forma si orientarea).Textura este o proprietate continuta de aproape toate tipurile de suprafete, cum ar fi caramizi, tesa-turi, nori, terenuri, piele, etc., care contine informatii importante legate de structura suprafetelordintr-o imagine. Descriptorii de textura pot fi calculati folosind modele statistice ce exploreazadependenta spatiala pe nivele de gri a texturilor pentru a extrage o serie de caracteristici statisticereprezentative pentru textura aleasa.
Elementele matricii de co-ocurenta pe nivele de gri (Gray-level co-occurrence matrix - GLCM)sunt reprezentate de frecventele relative de aparitie a combinatilor pe nivele de gri printre perechide pixeli ai imaginii. Matricea GLCM poate fi calculata pe mai multe directii: orizontala, verticala,diagonala si anti-diagonala. Aceasta matrice contine informatie pe nivele de gri de ordin doi,informatie ce poate discrimina doua texturi. Folosind matricea GLCM am calculat 5 caracteristicide textura: energia, entropia, contrastul, omogenitatea si gradul de corelatie. Pentru a calculamatricea GLCM Pd trebuie specificat mai întâi un vector de deplasare de forma d = (δx, δy).Perechea (i, j) din Pd denota frecventa de aparitie a perechii pe nivele de gri i si j ce se afla ladistanta d unul de celalalt.
Împreuna cu cele 21 de caracteristici de culoare am calculat 26 de caracteristici ce vor fi folositela clasificarea eritemului din punct de vedere al gravitatii acestuia într-una din cele trei categorii:mild (forma usoara), moderate (forma moderata) si severe (forma severa). În Tabelul 3.5 suntafisate cele 26 de caracteristici, fiecare având alocat un numar de ordine necesar pasului de selectie
38
3 Dezvoltarea si evaluarea Sistemului Expert
a celor mai importante caracteristici.
Numar de ordine Nume caracteristica Numar de ordine Nume caracteristica1 Asimetrie canal Rosu 14 Medie canal Albastru2 Asimetrie canal Verde 15 Dispersie canal Rosu3 Asimetrie canal Albastru 16 Dispersie canal Verde4 Asimetrie canal Hue 17 Dispersie canal Albastru5 Asimetrie canal Saturatie 18 Medie canal Hue6 Asimetrie canal Valoare 19 Medie canal Saturatie7 Entropie 20 Medie canal Valoare8 Contrast 21 Dispersie canal Hue9 Corelatie 22 Dispersie canal Saturatie10 Energie 23 Dispersie canal Valoare11 Omogenitate 24 ∆L∗
12 Medie canal Rosu 25 ∆hue13 Medie canal Verde 26 ∆crominanta
Tabel 3.5: Cele 26 de caracteristici extrase din imagini ce contin leziuni de psoriazis.
Pasul de extragere de caracteristici a rezultat în calcularea a 26 de caracteristici ce sunt potentialutile în discriminarea leziunilor din punct de vedere al severitatii lor. Nu toate aceste caracteristicisunt la fel de importante pentru clasificare datorita redundantei sau irelevantei lor. Mai mult, estedificil de analizat si recunoscut tipare în înregistrarile dintr-o baza mare de date. Astfel, este nevoiesa aplicam o etapa de selectie a celor mai relevante caracteristici pentru realizarea unei clasificariprecise. Prin acest pas de selectie a caracteristicilor, putem oferi medicului dermatolog o explicatielegata de importanta alegerii acestora pentru evaluarea severitatii eritemului.
Am ales 6 algoritmi de selectie a celor mai importante caracteristici. Caracteristicile selectateîn urma aplicarii fiecarui algoritm în parte au fost folosite la antrenarea a trei clasificatori de ma-chine learning cunoscuti: Naive Bayes, Retele neuronale de tip feed-forward si SVM pentru clasemultiple. Cei 6 algoritmi de selectie a celor mai importante caracteristici sunt: Sequential ForwardSelection (SFS), Sequential Backward Selection (SBS), Information Gain Attribute Ranking (IG),Relief-F, Correlation-based Feature Selection (CFS) si Scorul Fisher.
În urma analizarii caracteristicilor alese de cei 6 algoritmi de selectie a caracteristicilor amajuns la urmatoarele concluzii:
• Caracteristicile de textura nu au fost considerate importante de 5 din cele 6 metode de se-lectie; CFS a oferit un grad de importanta caracteristicii de corelatie (9);• Cu toate ca leziunile de psoriazis contin nuante de rosu, dispersia de pe canalul de culoare
Rosu (caracteristica 15) a fost aleasa de un singur algoritm de selectie (SBS); valoarea mediei
39
3 Dezvoltarea si evaluarea Sistemului Expert
pe canalul de culoare Rosu nu a fost aleasa de nici un algoritm de selectie;• Pe de alta parte, mediile si dispersiile pe canalele de culoare Verde si Albastru (13, 14 si 16,
17) au fost alese de toti cei 6 algoritmi de selectie în mod partial sau total;• Diferentele ∆hue si ∆crominanta au primit grade de importanta mari de la 4 din cele 6
metode de selectie de caracteristici.• Media pe canalul Hue si media pe canalul Saturatie au fost selectate de 5 din cei 6 algoritmi
de selectie;• Doar metodele de selectie de caracteristici SBS si CFS au oferit grade mari de importanta
caracteristicilor de asimetrie pe canalul Verde, Albastru si Saturatie.
3.6 Evaluarea severitatii eritemului leziunilor de pso-riazis
Etapa de clasificare implica dezvoltarea / selectia unor clasificatori potriviti pentru rezolvareaunei probleme specifice, în cazul nostru evaluarea gravitatii eritemului leziunilor de psoriazis siclasificarea acestora într-una din cele 3 clase de decizie: mild (usor), moderate (moderat), si severe(sever). Fiecarei clase de decizie i s-a alocat un numar de ordine, astfel: mild = 1, moderate =2 si severe = 3. Pentru cea de-a patra clasa de decizie, very severe (foarte sever) nu dispunemde cazuri de test, astfel clasificarea a fost realizata numai pentru cele 3 clase de decizie. Pentrupasul de clasificare am ales trei clasificatori cunoscuti (detalii legate de acestia se regasesc însubcapitolul "Clasificarea bazei de date Dermatology"): Naive Bayes, Retele Neuronale de tipfeed-forward cu doua nivele si SVM pentru clase multiple. Din cele 17 imagini de test continândleziuni cu scoruri între 1 si 3 au fost realizate 56 de cropuri manuale, selectând numai regiuniafectate de psoriazis. Clasele de decizie pentru fiecare înregistrare în parte, 56 la numar, au fostcompletate pe baza indicatiilor oferite de un medic specialist dermatolog. Acesta a clasificat fiecareleziune în parte având ca suport atlasul de referinta Abbott. Cei trei clasificatori au fost antrenaticu informatia oferita de cele 26 caracteristici extrase din fiecare portiune selectata manual. Apoi,aceeasi clasificatori au fost antrenati pe rând cu cele 6 subseturi de caracteristici obtinute cu ajutorulcelor 6 metode de selectie a caracteristicilor.
În Tabelul 3.6 se poate observa acuratetea (A) si timpul de procesare (tp) obtinute aplicândori toate cele 26 de caracteristici sau aplicând pe rând unul din cele 6 subseturi de caracteristici,obtinute prin cei sase algoritmi de selectie. În acet tabel pentru metodele ce nu aleg un subsetdefinit de caracteristici, adica metodele IG, Relief-F si scorul Fisher, am folosit primele 6 celemai importante caracteristici obtinute cu fiecare metoda în parte ordonate crescator în functie denumarul de ordine alocat.
În Tabelul 3.7 am reclasificat bazele de date aferente celor trei metode de selectie de caracter-istici folosind caracteristicile ordonate în functie de importanta lor. Dupa cum se poate observa,rezultatele sunt diferite în acest caz. Acest lucru se datoreaza modalitatii diferite de functionare afiecarui clasificator în parte. Daca pentru clasificatorii Naive Bayes si Multi-SVM ordinea caracter-isticilor nu influenteaza acuratetea, în cazul Retelelor Neuronale ordinea de aparitie a caracteristi-cilor este importanta. Astfel, pentru cele 6 caracteristici selectate cu ajutorul metodei IG obtinem o
40
3 Dezvoltarea si evaluarea Sistemului Expert
acuratete în clasificare de 100%, diferita de cea de 90.9% obtinuta atunci când cele 6 caracteristicisunt ordonate crescator dupa numarul de ordine. În acelasi timp, pentru scorul Fisher se observa oscadere semnificativa în acuratetea de clasificare, 63.6% fata de 81.8% obtinuta pentru o ordonarea caracteristicilor dupa numarul de ordine. Din cele doua analize putem concluziona ca:
• Ordinea folosirii caracteristicilor pentru antrenarea Retelelor Neuronale este importanta atuncicând se foloseste metoda de selectie de caracteristici IG;• În functie de metoda de selectie aleasa obtinem precizii diferite pentru cei trei clasificatori;• Alegem sa folosim metoda de selectie de caracteristici IG având caracteristicile ordonate
dupa gradul de importanta obtinut, pentru antrenarea celor trei clasificatori datorita precizieiîn clasificare mare pentru toti clasificatorii.
Metoda selectie caracteristici Naive Bayes Retele Neuronale Multi-SVM(numar caracteristici) A (%) tp (s) A (%) tp (s) A (%) tp (s)
Tabel 3.7: Acuratetea (A (%)) si timpul de procesare (tp (s)) obtinute folosind trei clasificatori sitrei seturi de caracteristici.
3.7 Scorul PASI
Scorul PASI (Psoriasis Area and Severity Index) reprezinta metoda curenta de evaluare a sever-itatii psoriazisului. Prin scorul PASI se evalueaza severitatea a patru regiuni ale corpului: capul,trunchiul, membrele inferioare si membrele superioare. Pentru fiecare regiune, aria de acoperire,eritemul, gradul de descuamare si gradul de induratie sunt determinate. Ecuatia 3.10 este folositala calcularea scorului PASI:
PASI = 0.1(Ec +Gc + Sc)Ac + 0.2(Es +Gs + Ss)As
+ 0.3(Et +Gt + St)At + 0.4(Ei +Gi + Si)Ai(3.10)
41
3 Dezvoltarea si evaluarea Sistemului Expert
unde A - aria de acoperire (0-6), E - eritemul (0-4), G - grosimea sau induratia (0-4), S - scuama(0-4), c - cap, s - membre superioare, t - trunchi, i - membre inferioare.
Dupa computatii, valoarea scorului PASI este cuprinsa între 0 si 72. Cu toate ca acesta esteconsiderat un standard, el nu este folosit de medici în practica de zi cu zi. De asemenea, cei patruparametrii sunt determinati vizual, ceea ce poate rezulta în aparitia variatiilor chiar si între medicidermatologi experimentati. Aditional, determinarea scorului PASI este consumatoare de timp [24].Având în minte aceste aspecte deficitare din practica curenta, este necesara implementarea uneimetode fiabile, rapide si mai ales obiective de evaluare a severitatii psoriazisului. În subcapitolul3.6 am prezentat metoda obiectiva de evaluare a eritemului leziunilor de psoriazis. În cele ceurmeaza voi prezenta metodologia de evaluare obiectiva a parametrului de arie (A). Ceilalti doiparametrii, induratia si gradul de descuamare sunt introdusi manual de catre medicul dermatolog.Astfel, scorul PASI este calculat, prin intermediul sistemului expert propus, într-un mod semi-supervizat.
3.7.1 Aria de acoperire a leziunilor de psoriazis
Pentru determinarea aproximativa a ariei de acoperire a leziunilor de psoriazis medicul der-matolog se foloseste de asa numita regula a palmei. Prin aceasta metoda, palma pacientului esteechivalenta cu 1% din suprafata totala de piele a acestuia. Astfel, portiunea capului ce reprezinta10% din suprafata totala de piele este echivalata cu 10 palme, trunchiul se echivaleaza cu 30 palme(30%), membrele inferioare cu 40 de palme (40%) si membrele superioare cu 20 de palme sau20%. În Tabelul 3.8 se poate observa metodologia de gradare a parametrului A, pentru stabilireascorului PASI.
Aria de acoperire a leziunilor (%) A
0 0<10 1
[10-30) 2[30-50) 3[50-70) 4[70-90) 5[90-100] 6
Tabel 3.8: Distributia scorului PASI pentru parametrul de arie (A).
În sistemul expert propus suprafata totala de piele a unui pacient se calculeaza folosind relatia3.11 [30]. Prima metoda de determinare a BSA-ului (Body Surface Area) a fost introdusa deDuBois si Dubois în 1916 [20], dar aceasta determinare a fost contestata de Gehan si George în1970. Am decis folosirea relatiei lui Gehan si George bazându-ma pe o serie de studii realizateanterior ce au recomandat-o datorita acuratetii ridicate în masurare [16].
Dupa etapa de segmentare a leziunilor de psoriazis, determinarea ariei de acoperire a acestorase face cu ajutorul unei mire de culoare MacBeth aflata în scena fotografiata (vezi Figura 3.10).
42
3 Dezvoltarea si evaluarea Sistemului Expert
Masurându-se a priori suprafata mirei în centimetrii patrati, s-a putut realiza o mapare liniara apixelilor aferenti leziunii peste suprafata (cm2) mirei. Calculându-se suprafata totala a pielii cuajutorul relatiei 3.11 si aproximând fiecare regiune a corpului cu un anumit procent s-a putut de-termina suprafata de acoperire a leziunilor de psoriazis, si implicit stabilirea scorului PASI aferentparametrului de arie, A.
3.8 Internet of Things si Realitate Augmentata pen-tru psoriazis
3.8.1 Internet of Things
În prezent, Internetul este folosit de peste doua miliarde de consumatori din întreaga lumepentru a trimite si primi email-uri, a accesa resurse multimedia, a se delecta cu jocuri online, anaviga diferite tipuri de continut si pentru a interactiona prin intermediul retelelor de socializare.Mai mult, este de asteptat ca Internetul sa fie folosit ca si platforma globala pentru interconectareaobiectelor fizice sau things, astfel, permitând aparitia unor noi modalitati de a interactiona, lucra side a trai [51].
Internet of Things (IoT - Internetul Lucrurilor) se refera la o viziune asupra Internetului în careexista o conexiune puternica între oricine si orice si are loc oriunde si oricând. IoT prevestesteun viitor în care lucruri (things) fizice si digitale pot fi conectate pentru a permite si sprijini dez-voltarea de noi aplicatii si servicii. Aceasta noua tehnologie si-a gasit loc în multe domenii: do-motica, e-health (sanatate), logistica, monitorizare de sisteme, etc. [59].
Exista o cerere tot mai mare pentru solutii avansate de asistenta medicala axate pe: a) reducereacosturilor pentru asistenta medicala; b) necesitatea unor rezultate mai bune si mai eficiente. Obiec-tivul meu este de a aduce idei / dovezi preliminare de îmbunatatire a calitatii serviciilor medicalesi / sau de a reduce costul acestora prin intermediul tehnologiei IoT.
În sectorul românesc de sanatate, informatia legata de fiecare pacient în parte este dispersataîntre diferite spitale si clinici medicale, neexistând nici o conexiune între acestea. Exista o lipsamajora de interoperabilitate datorita nestandardizarii continutului aferent pacientilor existent îndosarele medicale. Datele furnizate de fiecare baza de date sunt de obicei incomplete si nu exista,momentan, nici o modalitate de actualizare si sincronizare a acestor baze de date cu alte baze dedate din diferite orase ale tarii (sau chiar din acelasi oras).
Considerând dezavantajele mentionate mai sus, în articolul "Internet of Things in PsoriasisAssessment and Treatment" [9] am propus un prototip ce are ca scop integrarea lucrurilor fizice sidigitale (tehnologia IoT) în viata de zi cu zi a pacientilor suferinzi de psoriazis si a medicilor ceîi trateaza si monitorizeaza. În aceasta lucrare am prezentat un sistem expert ce poate fi folosit laevaluarea obiectiva a severitatii leziunilor de psoriazis. Acest sistem este integrat într-o arhitecturaIoT mai complexa ce include trei nivele principale: un nivel de perceptie, unul de retea si un nivelde aplicatie.
Arhitectura IoT propusa este prezentata în Figura 3.13. Sistemul este bazat pe tehnologia RFIDsi include urmatoarele componente principale:
43
3 Dezvoltarea si evaluarea Sistemului Expert
• Telefoane Smartphone echipate cu tag-uri RFID;• Cititoare RFID plasate în spitale, clinici de specialitate, etc.;• Un server EMR (Electronic Medical Record) ce serveste la stocarea înregistrarilor medicale
ale pacientilor;• Un server HL7 folosit pentru interactiunea cu aplicatii dezvoltate de clinici diferite.
La nivelul de aplicatie vor exista doua tipuri de aplicatii (una pentru doctor si una pentru pa-cient). Cele doua aplicatii sunt conectate la sistemul expert ce întoarce ca si raspuns nivelul deseveritate pentru eritemul psoriazisului. Leziunile de psoriazis sunt mai întâi fotografiate de pa-cient acasa sau de doctor la spital. Aceste imagini sunt uploadate prin intermediul aplicatiilorspecifice în sistemul expert ce urmeaza sa le proceseze. Pe baza raspunsului oferit de sistemulexpert medicul dermatolog poate oferi tratamentul cel mai bun pentru fiecare pacient în parte, side asemenea acesta poate sa updateze si înregistrarile medicale aferente fiecarui pacient.
Fig. 3.13: Arhitectura IoT propusa.
Solutia IoT prezentata reduce subiectivismul datorat analizei vizuale a leziunilor de psoriazis decatre medicii dermatologi si ofera îndrumare în timpul aplicarii planului de tratament. Principaleleavantaje oferite de sistemul propus constau în:
• acces imediat la date;• posibilitatea transmiterii datelor oricând sunt disponibile (pacientii si doctorii pot uploada
poze oricând isi doresc prin intermediul aplicatiilor);• feedback direct legat de eficacitatea tratamentului;
44
3 Dezvoltarea si evaluarea Sistemului Expert
• timpul alocat fiecarui diagnostic vizual în timpul administrarii tratamentului este redus;• este îmbunatatita calitatea vietii paciec tilor suferinzi de psoriazis.
Principala problema ce poate aparea în evaluarea severitatii psoriazisului, o reprezinta calitateaimaginilor uploadate de pacienti. De asemenea, este nevoie si de ceilalti 2 parametrii (grosime sigrad de descuamare) pentru calcularea scorului PASI. Induratia (grosimea leziunii) poate fi evalu-ata corect numai de medicul dermatolog.
3.8.2 Realitate Augmentata
Echipamentele si tehnicile de Realitate Virtuala (RV) si Realitate Augmentata (RA) ofera mediivirtuale ce au caracteristici în comun cu mediul nostru înconjurator. Vizualizarea obiectelor 3D siinteractiunea cu ele este mai aproape de realitate decât abordarile 2D si cele matematice. Tehnolo-gia oferita de Realitatea Augmentata (o forma expandata a RV) reprezinta o tehnologie de ultimaora ce integreaza imagini ale obiectelor virtuale în lumea reala.
În domeniul educational Banu [6], [8] a prezentat un prototip numit AG3DO (AugmentedGeometry 3D Objects) ce reprezinta o unealta de generare a obiectelor tri-dimensionale pornindde la schite bi-dimensionale. Sistemul este folosit la asistarea studentilor în procesul învatarii siîntelegerii geometriei descriptive. Cu ajutorul tehnologiei de Realitate Augmentata modele 3D potfi vizualizate. Datele de intrare sunt reprezentate de doua contururi ale obiectului tri-dimensionalfinal. Testele au demonstrat dezvoltarea capacitatii de vizualizare în spatiu a utilizatorilor. Deasemenea, Banu [7] a descris un sistem interactiv ce animeaza procesul de despaturire a modelelororigami. La dezvoltarea aplicatiei s-au folosit algoritmi de Computer Vision si Realitatea Augmen-tata. Pentru augmentarea obiectului virtual animat în scena reala s-a folosit ca si marker o poza amodelului origami real.
Înregistrarile medicale cresc o data cu nevoia unui sistem de sanatate personalizat. Sanatateapreventiva, o initiativa pentru o societate mai sanatoasa, necesita o promovare folosind tehniciavansate si personalizate bazate pe RA si RV.
În domeniul dermatologic exista putine aplicatii ce folosesc tehnologia RA. Una dintre acesteaeste reprezentata de "Doctor Mole" [2]. Aceasta aplicatie ruleaza pe telefoanele Smartphone siofera utilizatorului posibilitatea examinarii proprii a alunitelor de pe corp în contextul diagnos-ticarii acestora ca fiind canceroase. Aplicatia foloseste Realitatea Augmentata pentru a identificaneregularitatile în marime, forma si culoare ale unei alunite.
Datorita integrarii cu succes în domeniul dermatologic, Realitatea Augmentata poate fi folositasi la evaluarea obiectiva a severitatii leziunilor de psoriazis, atunci când avem la dispozitie o ima-gine a leziunilor respective. Astfel RA poate fi integrata în sistemul expert propus.
Pe lânga IoT si RA mai sunt numeroase alte tehnologii si dispozitive de ultima ora ce pot fifolosite la manipularea imaginilor medicale. Unul dintre acestea este reprezentat de Kinect, prinintermediul caruia se pot realiza interactiuni de la distanta cu ajutorul gesturilor. Sistemul prezen-tat de [28] are o interfata cu utilizatorul de tip "touch-free" si poate fi utilzat în departamentelede chirurgie, unde folosirea dispozitivelor ne-sterilizabile este interzisa. Deoarece dispozitiveleKinect sunt susceptibile la zgomot, în [17] au fost prezentate doua metode de îndepartare a regiu-nilor "negre" ce apar în imaginile de distanta achizitionate cu ajutorul Kinectului.
45
Capitolul 4
Implementarea Sistemului Expert
Obiectivul principal ce a stat în spatele dezvoltarii unui sistem expert de evaluare a severitatiileziunilor de psoriazis a fost acela de a oferi un suport software utilizabil de catre medicii derma-tologi pentru facilitarea procesului de diagnosticare si generare a unui plan de tratament customizatpentru fiecare pacient în parte.
4.1 Rezultate experimentale privind corectia de cu-loare
Au fost achizitionate folosind o camera de fotografiat Canon EOS 5D Mark II 17 imagini cecontin leziuni de psoriazis având gravitatea cuprinsa între 1 si 3. Înainte de a putea fi procesate cuajutorul algoritmilor implementati în Matlab, aceste imagini trebuiesc corectate deoarece conditiilede iluminare pentru fiecare imagine în parte sunt diferite. Asa cum a fost prezentat în capitolul 3,pentru corectarea imaginilor color a fost folosit un algoritm de corectie de culoare deja existent înliteratura de specialitate.
Acest subcapitol contine o analiza comparativa din punct de vedere al erorii ∆Eab dintre culo-rile eferente mirei ideale si aceleasi culori prezente pe mira fotografiata. Mira de culoare folositaca si referinta reprezinta singurul element bine definit din imagine; astfel, am folosit aceasta mirapentru a estima performanta transformatei de culoare obtinute atât cu metoda originala de corectiede culoare cât si cu metoda propusa în aceasta teza de doctorat.
Transformata de culoare M ′ a fost calculata folosind cele 8 patch-uri prezente pe mira dereferinta. Aceasta transformata a fost testata pentru cele 17 imagini de test. Eroarea a fost estimataprin calcularea diferentelor de culoare în spatiul CIELAB, mai precis distantele Euclidiene dintrevalorile extrase din imaginile de test si valorile de referinta obtinute din mira de referinta:
unde imaginea de referinta a fost notata cu ref si img denota imaginea de test.În Figura 4.1 sunt prezentate erorile ∆Eab obtinute cu ajutorul celor doua metode de corectie
de culoare pentru toate cele 17 imagini de test.Printr-o colaborare cu departamentul de cercetare La Roche Posay din Franta am obtinut un
alt set de imagini de test ce contin leziuni de psoriazis. Am aplicat cele doua metode de corectiede culoare pentru aceste set nou de imagini si rezultatele pot fi vizualizate în Figura 4.2. Ceidoi algoritmi de corectie de culoare produc rezultate asemanatoare. Totusi, se poate observa caimaginile corectate cu ajutorul metodei propuse au o dinamica a culorilor mai buna. De asemenea,acestea din urma sunt mai placute ochiului uman aparând mai naturale, comparativ cu imaginilecorectate cu ajutorul metodei originale.
46
4 Implementarea Sistemului Expert
Fig. 4.1: Erorile estimate pentru transformata de culoare obtinuta cu ajutorul celor doua metode decorectie de culoare.
(a) (b) (c) (d)
(e) (f) (g) (h)
(i) (j) (k) (l)
Fig. 4.2: Corectia de culoare pe un set nou de imagini. Randul întâi: imaginile originale. Rânduldoi: imaginile corectate folosind algoritmul de corectie de culoare original. Rândul trei: imaginilecorectate folosind metoda de corectie de culoare propusa.
47
4 Implementarea Sistemului Expert
4.2 Interfata grafica
Fig. 4.3: Interfata grafica a sistemului expert de evaluare a severitatii leziunilor de psoriazis.
Din punct de vedere al arhitecturii, aplicatia dezvoltata contine si o interfata grafica (GUI) (veziFigura 4.3) ce faciliteaza setarea parametriilor necesari calculului semi-automatizat al scoruluiPASI. Aceasta interfata grafica a aplicatiei urmareste evaluarea obiectiva a eritemului si a ariei deacoperire a leziunilor de psoriazis pe suprafata corpului uman.
Odata pornita aplicatia se poate trece la setarea diferitilor parametrii necesari calcularii scoruluiPASI. Astfel, se executa o serie de pasi într-o ordine logica, bine stabilita a priori:
1. Se selecteaza o imagine ce contine leziuni de psoriazis fotografiate în proximitatea unei mirede culoare. Mira de culoare este necesara etapei de corectie de culoare.
2. Se segmenteaza manual leziunile de psoriazis prin apasarea butonului "Segmentare". Înfereastra de segmentare se poate seta grosimea creionului virtual folosit de utilizator pentruconturizarea leziunilor. Odata ce toate leziunile din imagine sunt conturizate se salveazanoua imagine. Salvarea se realizeaza automat, noua imagine primind un nume de forma"numeOriginal_sgm.extensieImagine". În Figura 4.4 se poate observa etapa de segmentaremanuala a leziunilor de psoriazis.
3. Se selecteaza o parte a corpului uman si se apasa butonul "MATLAB". Pâna la finalizareacomputatiilor realizate în Matlab se afiseaza un mesaj de asteptare pentru utilizator. Odatace computatiile sunt finalizate dispare mesajul de pe ecran si se afiseaza în acelasi timpatât gradul eritemului leziunilor segmentate manual, cât si aria de acoperire a acestora încentimetrii patrati. Detalii legate de operatiile realizate în Matlab se regasesc în capitolul 3.
48
4 Implementarea Sistemului Expert
(a) (b) (c)
Fig. 4.4: Functionalitatea butonului "Segmentare". a) Fereastra de segmentare. b) Pas intermediardin segmentarea manuala. c) Finalizarea segmentarii manuale si salvarea imaginii prin apasareabutonului "Salveaza".
4. Odata ce imaginea selectata este pozitionata pe partea corpului dorita, cursorul aferent eritemu-lui se pozitioneaza automat conform gradului determinat anterior .
5. Pentru calcularea scorului PASI induratia si gradul de descuamare se introduc manual decatre medicul dermatolog. De asemenea înaltimea si greutatea pacientului se introduc man-ual pentru a se calcula suprafata totala de piele a acestuia. În momentul în care toti parametriiaferenti calculului scorului PASI sunt introdusi se apasa pe butonul "SCOR PASI" si acestscor este calculat în mod automat de catre aplicatie (vezi Fig. 4.5).
Fig. 4.5: Functionalitatea butonului "SCOR PASI". Scorul PASI este afisat utilizatorului prinintermediul unui mesaj.
49
Capitolul 5
Concluzii finale si directii viitoare decercetare
Prezenta teza de doctorat a avut ca obiectiv principal dezvoltarea unui sistem expert capabilsa evalueze în mod obiectiv gravitatea leziunilor de psoriazis. În urma studiilor, experimentelor sipropunerilor realizate în cadrul acestei teze, se pot concluziona urmatoarele:
• Diagnosticul asistat de calculator se poate extinde cu succes pentru domeniul dermatologic.Scopul aplicatiilor MDS este de a reprezenta datele pacientului si de a asista medicul în lu-area deciziilor având la dispozitie datele contextuale într-un mod organizat. Aplicatiile MDSsi-au gasit loc în dermatologie datorita capacitatii lor de a stoca un volum foarte mare de in-formatii. Cu toate ca exista studii numeroase legate de folosirea calculatoarelor în medicina,foarte putine dintre acestea au abordat legatura dintre dermatologie si stiinta calculatoarelor.Astfel, se poate devolta un sistem expert ce abordeaza întrepatrunderea acestor doua domeniiintegrând tehniciile de procesare de imagini si de machine learning în dermatologie.• Algoritmii de corectie de culoare a imaginilor color se pot extinde si îmbunatatii pentru
imagini ce contin leziuni de psoriazis.Exista o serie de metode de corectie de culoare a imaginilor ce contin piele si / sau lezi-uni cutanate folosind mire de culoare. Deoarece Sistemul Expert de evaluare a severitatiileziunilor de psoriazis propus se bazeaza pe un numar limitat de imagini de test, nu esteposibil sa construim o mira customizata. Algoritmul cel mai apropiat scopului acestei tezeeste cel dezvoltat de [48], algoritm specializat pe diferitele tonuri de piele. Totusi, acesta nuse preteaza în forma sa originala pentru corectia imaginilor ce contin leziuni de psoriazis.Acest algoritm poate fi modificat / îmbunatatit pentru a se putea realiza o corectie de culoarecorecta a imaginilor de test continute de baza noastra de date.• Diagnosticul diferential pentru bolile eritemato-scuamoase se poate realiza exclusiv pe baza
caracteristicilor clinice.Baza de date Dermatology a fost si este intens studiata de foarte multi cercetatori. În toateaceste studii, clasificarea s-a bazat în principal pe folosirea caracteristicilor histopatologicepe lânga caracteristicile clinice aferente celor 6 boli eritemato-scuamoase. Nici un studiudin literatura de specialitate nu a avut în vedere utilizarea exclusiva a caracteristicilor clinicepentru luarea deciziilor medicale.• Severitatea leziunilor de psoriazis poate fi evaluata obiectiv.
Cu toate ca exista o serie mare de indecsi de evaluare obiectiva a severitatii psoriazisului,toate aceste metode se raporteaza la rezultatele obtinute cu ajutorul scorului PASI. În ciudafaptului ca acest scor reprezinta metoda de aur pentru psoriazis, PASI nu este folosit decatre medici în practica de zi cu zi deoarece toti parametrii necesari calcularii scorului suntdeterminati vizual. Subiectivismul ce sta în spatele evaluarii celor patru parametrii (eritem,grad de descuamare, induratie si arie de acoperire) reprezinta o problema majora. Sistemulexpert propus în prezenta teza este capabil ca evalueze în mod obiectiv gravitatea eritemului
50
5 Concluzii finale si directii viitoare de cercetare
si aria de acoperire a leziunilor de psoriazis:
– Aria de acoperire a leziunilor de psoriazis.Pentru determinarea aproximativa a ariei de acoperire a leziunilor de psoriazis mediculdermatolog se foloseste de asa numita regula a palmei. Aria de acoperire a leziunilorpe suprafata corpului uman poate fi estimata folosind o mira de culoare MacBeth aflataîn scena fotografiata. Masurându-se a priori suprafata mirei în centimetrii patrati, sepoate realiza o mapare liniara a pixelilor aferenti leziunii peste suprafata (cm2) mirei.
– Eritemul leziunilor de psoriazis.Evaluarea severitatii eritemului leziunilor de psoriazis se realizeaza folosind metodavizuala. Prin folosirea tehnicilor de procesare de imagini si algoritmi de machine learn-ing, eritemul se poate clasifica în mod obiectiv. Astfel, se pot extrage si selecta o seriede caracteristici de interes din imaginile segmentate. Apoi prin folosirea unui algo-ritm de clasificare se poate determina automat gradul de roseata al imaginilor ce continleziuni de psoriazis.
• Tehnologia IoT poate fi integrata în evaluarea obiectiva a severitatii leziunilor de psoriazis.Internet of Things (IoT - Internetul Lucrurilor) se refera la o viziune asupra Internetuluiîn care exista o conexiune puternica între oricine si orice si are loc oriunde si oricând. IoTprevesteste un viitor în care lucruri (things) fizice si digitale pot fi conectate pentru a permitesi sprijini dezvoltarea de noi aplicatii si servicii. Folosind tehnologia IoT în dezvoltarea unuisistem expert de evaluare a severitatii psoriazisului se poate reduce subiectivismul datoratanalizei vizuale a leziunilor de psoriazis de catre medicii dermatologi.
5.1 Contributii originale
În cadrul prezentei teze de doctorat pot fi evidentiate urmatoarele contributii originale:
• Clasificarea bazei de date Dermatology ce contine 6 boli eritemato-scuamoase,în doua clase de decizie propuse: psoriazis si non-psoriazis folosind seturirough si 6 algoritmi de machine learning [11].În contextul cercetarilor curente nu s-a pus accent pe folosirea exclusiva a caracteristicilorclinice pentru diagnosticarea diferentiala a psoriazisului printre cele sase boli eritemato-scuamoase. Astfel, initial, am analizat critic 10 din cele 12 caracteristici clinice prezenteîn baza de date Dermatology folosind sistemul RSES (Rough Set Exploration System). Afost demonstrata prin obtinerea unei acurateti în clasificare ridicate (aproximativ 95%) utili-tatea caracteristicilor clinice în asigurarea unei baze sigure pentru realizarea unui diagnosticdiferential precis a bolilor eritemato-scuamoase. Clasificând baza de date Dermatology încele doua clase de decizie propuse folosind 6 algoritmi de machine learning am obtinut oacuratete în clasificare de 96.7% în urma utilizarii algoritmului SVM (Support Vector Ma-chine), ceea ce demonstreaza înca o data importanta caracteristicilor clinice atunci când seurmareste realizarea unui diagnostic diferential pentru bolile eritemato-scuamoase.
51
5 Concluzii finale si directii viitoare de cercetare
• Dezvoltarea unei platforme software pentru clasificarea bazei de date Der-matology în cele doua clase de decizie propuse: psoriazis si non-psoriazis[11].Am realizat o analiza comparativa privind arborii de decizie generati în MATLAB si RSES.Acuratetea obtinuta cu ajutorul arborelui de decizie generat în MATLAB a fost de 92.9%.Acuratetea obtinuta cu ajutorul arborelui de decizie generat cu sistemul RSES a fost de98.1%. Luând în considerare cea mai mare acuratete obtinuta, am decis sa implementez înVisual Studio 2010 arborele de decizie bazat pe seturi rough folosind framework-ul .NETWPF (Windows Presentation Foundation).• Propunerea unei metode îmbunatatite de corectie de culoare a imaginilor
color reprezentând leziuni de psoriazis [12].Metoda propusa necesita doar o mira de culoare prezenta în scena fotografiata. A fost modifi-cat si îmbunatatit algoritmul de corectie de culoare dezvoltat de [48] si [49] prin minimizareaerorii de repartitie a culorilor dintre imaginea de referinta si imaginea de procesat. Rezul-tatele obtinute sunt mai bune decât cele aferente metodei originale de corectie de culoare.• Clasificarea pixelilor din interiorul leziunilor segmentate [12].
Am realizat o clasificare a pixelilor din interiorul leziunilor segmentate manual într-una dincele doua categorii: pixeli aferenti leziunii si pixeli aferenti scuamei/pustulelor. Separareaa fost realizata prin evidentierea valorile din canalul de culoare Verde aferent spatiului deculoare RGB (red, green, blue) pentru pixelii selectati.• Evaluarea severitatii eritemului leziunilor de psoriazis [12].
Au fost extrase un set de 26 de caracteristici folosite la clasificarea eritemului din punctde vedere al gravitatii acestuia într-una din cele trei categorii: mild (forma usoara), moder-ate (forma moderata) si severe (forma severa). Nu toate aceste caracteristici sunt la fel deimportante pentru clasificare datorita redundantei sau irelevantei lor. Astfel, am ales 6 algo-ritmi de selectie a celor mai importante caracteristici: Sequential Forward Selection (SFS),Sequential Backward Selection (SBS), Information Gain Attribute Ranking (IG), Relief-F,Correlation-based Feature Selection (CFS) si Scorul Fisher. Au fost folositi 3 clasificatoride machine learning, SVM pentru clase multiple, Retele Neuronale si Naive Bayes pentruclasificarea eritemului într-una din cele trei categorii. Am ales folosirea metodei de selectiede caracteristici IG având caracteristicile ordonate dupa gradul de importanta obtinut, pentruantrenarea celor trei clasificatori datorita preciziei în clasificare mare (peste 81%) pentru toticlasificatorii. Acuratetea în clasificare folosind algoritmul SVM pentru clase multiple a fostde 99.4%.• Calcularea semi-automatizata a scorului PASI.
Doi din cei patru parametrii ai scorului PASI au fost determinati în mod automat. Astfel, ariade acoperire a leziunilor de pe suprafata corpului uman a fost estimata folosind o mira deculoare MacBeth aflata în scena fotografiata. Masurându-se a priori suprafata mirei în cen-timetrii patrati, s-a putut realiza o mapare liniara a pixelilor aferenti leziunii peste suprafata(cm2) mirei. Gradul de severitate al eritemului (rosetii) a fost determinat prin intermediulsistemului expert propus de autoarea tezei. Ceilalti doi parametrii, gradul de descuamare siinduratia se introduc manual de catre utilizator.
52
5 Concluzii finale si directii viitoare de cercetare
• Integrarea tehnologiei Internet of Things în evaluarea severitatii psoriazisu-lui [9].Am propus un prototip ce are ca scop integrarea lucrurilor fizice si digitale (tehnologia IoT)în viata de zi cu zi a pacientilor suferinzi de psoriazis si a medicilor ce îi trateaza si mon-itorizeaza. Solutia IoT propusa reduce subiectivismul datorat analizei vizuale a leziunilorde psoriazis de catre medicii dermatologi si ofera îndrumare în timpul aplicarii planului detratament.• Conceperea si implementarea unui program de evaluare a severitatii leziu-
nilor de psoriazis.În cadrul sistemului expert propus am implementat corectia de culoare a imaginilor color cecontin leziuni de psoriazis, clasificarea eritemului leziunilor segmentate manual, algoritmulde calcul al suprafetei totale de piele a pacientului, aria de acoperire a leziunilor segmentatesi algoritmul de calcul al scorului PASI. A fost realizata de asemenea si o interfata grafica încadrul careia se pot seta parametrii necesari calculului semi-automatizat al scorului PASI sise pot vizualiza rezultatele obtinute din cadrul diferitelor etape aferente evaluarii obiective aeritemului si ariei de acoperire a leziunilor de psoriazis.
5.2 Directii viitoare de cercetare
Printre directiile viitoare de cercetare se pot identifica:
• Proiectarea si implementarea unor algoritmi pentru determinarea obiectiva a gradului dedescuamare si a induratiei, parametrii necesari calculului scorului PASI. Acesti parametriisunt momentan setati manual de catre medicul dermatolog.• Îmbunatatirea algoritmului de corectie de culoare utilizat la corectia imaginilor ce contin
leziuni de psoriazis.• Portarea algoritmilor aferenti evaluarii obiective a severitatii leziunilor de psoriazis, momen-
tan implementati în Matlab, catre .NET Framework, astfel încât aplicatia prin intermediulcareia se calculeaza scorul PASI sa fie dezvoltata integral folosind un singur limbaj de pro-gramare.
53
Bibliografie selectiva
[1] VisualDx - Visual Clinical Decision Support System (CDSS). http://www.visualdx.com/.Accesat: 2013-08-02.
[2] Yi Chen. PSFK Picks: Top 10 Health Innovation Of The Week. AR App Lets Users Scan Moles ToSee If They Are Cancerous. http://www.psfk.com/2012/10/skin-cancer-mole-app.html#ixzz28LbIvvAt. Accesat: 2013-08-02.
[3] M. H. Ahmad Fadzil, Dani Ihtatho, Azura Mohd Affandi, and S H Hussein. Objective assessment ofpsoriasis erythema for pasi scoring. Journal of medical engineering technology, 33(7):516–524, 2008.
[4] M.H. Ahmad Fadzil, H. Fitriyah, E. Prakasa, H. Nugroho, S.H. Hussein, and A.M. Affandi. Objectiveassessment of psoriasis lesion thickness for pasi scoring using 3d digital imaging. Proceedings ofWorld Academy of Science, Engineering and Technology, 63:109–115, 2010.
[5] Luigi Atzori, Antonio Iera, and Giacomo Morabito. The internet of things: A survey. Comput. Netw.,54(15):2787–2805, October 2010.
[6] Banu, S.M. Augmented reality system based on sketches for geometry education. In e-Learning ande-Technologies in Education (ICEEE), 2012 International Conference on, pages 166–170, 2012.
[7] Banu, S.M. Augmented reverse-origami: from 3d model to square paper. In Mixed and AugmentedReality (ISMAR-AMH), 2012 IEEE International Symposium on, pages 101–102, 2012.
[8] Banu S.M. New augmented reality system introduced in the educational context. In InternationalConference on Virtual Learning (ICVL) 2012, 2012.
[9] Banu S.M, L.M. Dascalu, and G. Toacse. Internet of things in psoriasis assessment and treatment. InDoCEIS, pages 172–179, 2013.
[10] Banu, S.M., G.M. Danciu, R.G. Boboc, H. Moga, and C. B˘ alan. A novel approach for face expres-sions recognition. In Intelligent Systems and Informatics (SISY), 2012 IEEE 10th Jubilee InternationalSymposium on, pages 537–541, 2012.
[11] Banu, S.M. and G. Toacse. A mobile/desktop medical application for automatic differential diagnosisof psoriasis lesions. In International Conference on e-Learning and e-Technologies in Education(ICEEE), 2013, Acceptat spre publicare.
[12] Banu, S.M. and G. Toacse. Objective erythema assessment of psoriasis lesions for psoriasis area andseverity index (PASI) evaluation. Journal of Applied Sciences, Trimis spre recenzie.
[13] W.G. Baxt. Use of an artificial neural network for data analysis in clinical decision-making: Thediagnosis of acute coronary occlusion. Neural Computation, 2(4):450–489, 1990.
[14] J. Berth-Jones, K. Grotzinger, C. Rainville, B. Pham, J. Huang, S. Daly, M. Herdman, P. Firth, andK. Hotchkiss. A study examining inter- and intrarater reliability of three scales for measuring sever-ity of psoriasis: Psoriasis area and severity index, physician’s global assessment and lattice systemphysician’s global assessment. Br J Dermatol, 155(4):707–13, 2006.
[15] C. F. Chien, I. Wang, and L. F. Chen. Using data mining to improve the quality of human resourcemanagement of operators in semiconductor manufactures. Journal of Quality, 12(1):9–28, 2005.
[16] W. R. Crom. Pharmacokinetics in the child. Environ Health Perspect, 102 Suppl 11:111–117, 1994.
[17] G. Danciu, Banu, S.M., and A. Caliman. Shadow removal in depth images morphology-based forkinect cameras. In System Theory, Control and Computing (ICSTCC), 2012 16th International Con-ference on, pages 1–6, 2012.
54
BIBLIOGRAFIE SELECTIVA
[18] G.M. Danciu, S.M. Banu, and M. Ivanovici. Scale and rotation-invariant feature extraction for colorimages of iris melanoma. In The 13th International Conference on Optimization of Electrical andElectronic Equipment, OPTIM’12, Brasov, Romania, pages 1436 – 1443, 2012.
[19] Thomas G. Dietterich. Machine-learning research – four current directions. AI MAGAZINE, 18:97–136, 1997.
[20] D. Du Bois and E. F. Du Bois. Clinical Calorimetry, tenth paper. A formula to estimate the approximatesurface area if height and weight be known. Arch Int Med, 17:863–871, 1916.
[21] R. O. Duda and P. E. Hart. Pattern Classification and Scene Analysis. John Willey & Sons, New Yotk,1973.
[22] Mark D. Fairchild. Color appearance models. Addison-Wesley-Longman, 1997.
[23] S.R. Feldman. A quantitative definition of severe psoriasis for use in clinical trials. J DermatologTreat, 15(1):27–9, 2004.
[24] S.R. Feldman and G.G. Krueger. Psoriasis assessment tools in clinical trials. Ann Rheum Dis, 64 Suppl2, 2005.
[25] A. Y. FINLAY and G. K. KHAN. Dermatology Life Quality Index (DLQI)-a simple practical measurefor routine clinical use. Clinical and Experimental Dermatology, 19:210–216, 1994.
[26] T. Fredriksson and U. Pettersson. Severe Psoriasis – Oral Therapy with a New Retinoid. Dermatology,157:238–244, 1978.
[27] Yoav Freund and Robert E. Schapire. A decision-theoretic generalization of on-line learning and anapplication to boosting. J. Comput. Syst. Sci., 55(1):119–139, August 1997.
[28] L. Gallo, A.P. Placitelli, and M. Ciampi. Controller-free exploration of medical image data: Experi-encing the kinect. In Computer-Based Medical Systems (CBMS), 2011 24th International Symposiumon, pages 1 –6, june 2011.
[29] Francesca Gasparini and Raimondo Schettini. Color balancing of digital photos using simple imagestatistics. Pattern Recognition, 37(6):1201–1217, 2004.
[30] E. A. Gehan and S. L. George. Estimation of human body surface area from height and weight. CancerChemother. Rep., 54(4):225–235, 1970.
[31] Arjan Gijsenij and Theo Gevers. Color constancy using natural image statistics and scene semantics.IEEE Trans. Pattern Anal. Mach. Intell., 33(4):687–698, 2011.
[32] Alice Gottlieb, Neil J. Korman, Kenneth B. Gordon, Steven R. Feldman, Mark Lebwohl, John Y. Koo,Abby S. Van Voorhees, Craig A. Elmets, Craig L. Leonardi, Karl R. Beutner, Reva Bhushan, and AlanMenter. Guidelines of care for the management of psoriasis and psoriatic arthritis: Section 2. Psoriaticarthritis: overview and guidelines of care for treatment with an emphasis on the biologics. Journal ofthe American Academy of Dermatology, 58(5):851–864, May 2008.
[33] H. A. Güvenir, G. Demiröz, and N. Ilter. Learning Differential Diagnosis of Erythemato-Squamousdiseases using voting feature intervals. Artificial Intelligence in Medicine, 13:147–165, 1998.
[34] Isabelle Guyon, Steve Gunn, Masoud Nikravesh, and Lotfi A. Zadeh. Feature Extraction: Founda-tions and Applications (Studies in Fuzziness and Soft Computing). Springer-Verlag New York, Inc.,Secaucus, NJ, USA, 2006.
[35] Terrv P Hadiley, Daniel E Geer, S B Howard, L Bleich, and Irwin M Freedberg. The use of digi-tal computers in dermatologic diagnosis: Computer-aided diagnosis of febrile illness with eruption.Journal of Investigative Dermatology, 62(4):467–471, 1974.
[36] T. Henseler. Genetics of psoriasis. Archives of Dermatological Research, 290(9):463–476, 1998.
55
BIBLIOGRAFIE SELECTIVA
[37] Steven C.H. Hoi, Rong Jin, P.L. Zhao, and T. Yang. Online multiple kernel classification. Mach Learn,90:289–316, 2013.
[38] D. Ihtatho, M.H.A. Fadzil, A.M. Affandi, and S.H. Hussein. Area assessment of psoriasis lesion forPASI scoring. In Conference of the IEEE EMBS, Lyon, France, 2007.
[39] Adrian Ilie and Greg Welch. Ensuring color consistency across multiple cameras. In ICCV, pages1268–1275. IEEE Computer Society, 2005.
[40] Peter Jackson. Introduction to Expert Systems. Addison-Wesley Longman Publishing Co., Inc.,Boston, MA, USA, 3rd edition, 1998.
[41] J. Komorowski, L. Polkowski, and A. Skowron. Rough sets: a tutorial, 1998.
[42] Tadashi Kondo, Junji Ueno, and Shoichiro Takao. Medical image diagnosis of liver cancer using aneural network and artificial intelligence. JACIII, 15(6):714–722, 2011.
[43] S. Kreft, M. Kreft, A. Resman, P. Marko, and K. Kreft. Computer-aided measurement of psoriaticlesion area in a multicenter clinical trial-comparison to physician’s estimations. Journal of Dermato-logical Science, 44:21–27, 2006.
[44] Mila Kwiatkowska, M. Stella Atkins, Najib T. Ayas, and C. Frank Ryan. Knowledge-based dataanalysis: First step toward the creation of clinical prediction rules using a new typicality measure.IEEE Transactions on Information Technology in Biomedicine, 11(6):651–660, 2007.
[45] R.G.B. Langley, G.G. Krueger, and C.E.M. Griffiths. Psoriasis: epidemiology, clinical features, andquality of life. Ann Rheum Dis, 64 Suppl 2, 2005.
[46] Hsien-Che Lee. Introduction to color imaging science. Cambridge University Press, New York, 2005.
[47] G. Maletti and B. Ersbøll. Principal component analysis of psoriasis lesions images, 2003.
[48] Joanna Marguier, Nina Bhatti, Harlyn Baker, Michael Harville, and Sabine Süsstrunk. Assessing hu-man skin color from uncalibrated images. International Journal of Imaging, Systems and Technology,special issue on Applied Color Image Processing, 17(3):143 – 151, 2007.
[49] Joanna Marguier, Nina Bhatti, Harlyn Baker, Michael Harville, and Sabine Süsstrunk. Color correctionof uncalibrated images for the classification of human skin color. In Proceedings of the 15th IS&T/SIDColor Imaging Conference, 2007.
[50] R. Marks, S. P. Barton, D. Shuttleworth, and A. Y. Finlay. Assessment of disease progress in psoriasis.Arch Dermato, 125:235–40, 1989.
[51] Daniele Miorandi, Sabrina Sicari, Francesco De Pellegrini, and Imrich Chlamtac. Internet of things:Vision, applications and research challenges. Ad Hoc Networks, 10(7):1497–1516, September 2012.
[52] M Pazzani and P Domingos. On the optimality of the simple bayesian classifier under zero-one loss.Machine learning, 1997.
[53] P.G. Politakis. Using Empirical Analysis to Refine Expert System Knowledge Bases. Technical report(Rutgers University. Dept. of Computer Science. Laboratory for Computer Science Research). RutgersUniversity, Department of Computer Science, Laboratory for Computer Science Research, 1982.
[54] Michael D. Richard and Richard P. Lippmann. Neural Network Classifiers Estimate Bayesian a poste-riori Probabilities. Neural Computation, 3(4):461–483, December 1991.
[55] Frank Rosenblatt. The perceptron: A probabilistic model for information storage and organization inthe brain. Psychological Review, 65(6):386–408, 1958.
[56] T. Schafer. Epidemiology of psoriasis. review and the german perspective. Dermatology, 212(4):327–37, 2006.
56
BIBLIOGRAFIE SELECTIVA
[57] J. R. Smith and Shih-Fu Chang. Automated binary texture feature sets for image retrieval. In Proceed-ings of the Acoustics, Speech, and Signal Processing, 1996. on Conference Proceedings., 1996 IEEEInternational Conference - Volume 04, ICASSP ’96, pages 2239–2242, Washington, DC, USA, 1996.IEEE Computer Society.
[59] H. Sundmaeker, P. Guillemin, P. Friess, and S. Woelffle. Vision and Challenges for Realising theInternet of Things. European Commission, 2010.
[60] Pang-Ning Tan, Michael Steinbach, and Vipin Kumar. Introduction to Data Mining, (First Edition).Addison-Wesley Longman Publishing Co., Inc., Boston, MA, USA, 2005.
[61] Madalina Turiac, Mihai Ivanovici, Tiberiu Radulescu, and Vasile Buzuloiu. Variance-driven activecontours. In IPCV, pages 83–86, July 2010.
[62] E. D. Übeyli. Multiclass support vector machines for diagnosis of erythemato-squamous diseases.Expert Systems with Applications, 35(4):1733 – 1740, 2008.
[64] Vladimir N. Vapnik. The Nature of Statistical Learning Theory. Springer, 1995.
[65] Wencheng Wu, Jan P. Allebach, and Mostafa Analoui. Imaging colorimetry using a digital camera. InColor Imaging Conference, pages 15–20. IS&T - The Society for Imaging Science and Technology,1999.
57
58
REZUMAT În ultimii ani, clasificarea bazată pe calculator a fost introdusă ca și instrument suplimentar pentru îmbunătățirea diagnosticării clinice a bolilor eritemato-scuamoase. Printre obiectivele prezentei teze de doctorat se numără și demonstrarea importanței algoritmilor de clasificare în asistarea medicului în realizarea unui diagnostic diferențial pentru psoriazis printre celelalte boli ce prezintă simptome similare. Această clasificare reprezintă primul pas în dezvoltarea unui Sistem Expert de diagnosticare și evaluare a severității leziunilor de psoriazis. Gravitatea psoriazisului este de obicei bazată pe calculul scorului PASI (Psoriasis Area and Severity Index). Medicii clasifică subiectiv cei patru parametrii ai acestui scor (aria, eritemul, gradul de descuamare și grosimea) în mai multe grade de severitate. Pentru a sprijini decizia medicilor în oferirea celui mai bun tratament pentru pacienții suferinzi de psoriazis, această teză de doctorat propune un Sistem Expert de evaluare obiectivă a severității leziunilor de psoriazis. Interesul major al acestei abordări este de a fi ieftină, rapidă, robustă și ușor de utilizat de către medicii dermatologi, cu foarte puține constrângeri privind protocolul de achiziție al imaginilor ce conțin leziuni de psoriazis. Deoarece condițiile de achiziție a imaginilor sunt diferite de la o vizită la alta a pacientului, în această teză, imaginile color sunt corectate folosind o miră de culoare de referință plasată în scena fotografiată. Efectuarea pasului de corecție de culoare are cel puțin un avantaj major: stabilirea corectă a gradului de severitate al eritemului de către medical dermatolog. Deoarece numai eritemul și aria de acoperire a leziunilor de psoriazis sunt evaluate obiectiv prin intermediul Sistemului Expert propus, ceilalți doi parametrii fiind introduși manual de către medic, scorul PASI este calculat într-un mod semi-automatizat.
ABSTRACT In the last few years, computer-based classification has been introduced as an additional tool to improve the clinical diagnosis of the erythemato-squamous diseases. One of the objectives of this thesis is to demonstrate the importance of computer-based classification algorithms which have only clinical features as input in helping the physician to differentiate between psoriasis and non-psoriasis diseases. This classification represents the first stage in developing an Expert System for the diagnosis and severity evaluation of psoriasis lesions. Psoriasis severity assessment is usually performed based on the computation of the Psoriasis Area and Severity Index (PASI). Physicians subjectively classify the four parameters (area, erythema, scaling and induration) into several grades of severity. To support the decision and the evaluation of the psoriasis lesions' evolution in time, this thesis proposes an Expert System for the objective assessment of psoriasis lesions’ severity. The major interest of this approach is to be cheap, fast, robust and easy to use by the dermatologists, with very few constraints on the acquisition protocol. In this thesis the issue of reproducibility of skin image acquisition in dermatological context using a colour chart reference and a normalization step by a reference image is addressed. Performing the colour correction step has at least one major advantage: establishing the correct erythema severity degree had no ambiguity for the medical doctor. Furthermore, it allows comparing this measure between different acquisition dates. Because only the erythema and area are objectively assessed by the proposed Expert System, the other two parameters being manually introduced by the medical doctor, the PASI score is semi-automatically computed.
59
CURRICULUM VITAE
Nume: BANU Prenume: Simona-Maria Data şi locul naşterii: 16 iunie 1985, Brașov Naţionalitate: Română Adresă: Strada Bronzului nr. 9, bl. 509D, sc. A, ap. 8, Brașov, 500169 E-mail: [email protected] Studii: • 2010-2013: Doctorat cu frecvență
Universitatea ”Transilvania” din Brașov, Facultatea de Inginerie Electrică și Știința Calculatoarelor, Centrul de Cercetare științifică: Sisteme electronice încorporate și comunicații avansate, Titlul tezei de doctorat: Sistem Expert de Evaluare a Severității Leziunilor de Psoriazis, Conducător științific: Prof. Univ. Dr. Ing. Gheorghe TOACȘE
• 2010-2012: Master în Informatica Mediilor Virtuale Universitatea ”Transilvania” din Brașov, Facultatea de Inginerie Electrică și Știința Calculatoarelor
• 2004-2009: Studii de licență (inginer diplomat) Universitatea ”Transilvania” din Brașov, Facultatea de Inginerie Electrică și Știința Calculatoarelor, Specializarea Telecomunicații
Siemens Program and System Engineering SRL Competențe și aptitudini de utilizare a calculatorului: • Limbaje de programare: .NET (C#), C/C++, Java, Python, VRML • Proiectare și simulare: Matlab/Simulink, CATIA, Solidworks, 3DSMax • Programe de editare: Microsoft Office, Photoshop, Flash Publicații: • 1 jurnal indexat ISI (faza de recenzie - ca prim autor) • 3 lucrări cu proceedings ISI (3 ca prim autor) • 5 lucrări indexate BDI (3 ca prim autor) • participare la conferințe internaționale în SUA, Portugalia, Polonia și România Limbi străine: • Engleză: avansat • Franceză: mediu
60
CURRICULUM VITAE
Family name: BANU First name: Simona-Maria Date and place of birth: 16 June 1985, Brașov Nationality: Romanian Address: 9, Bronzului Street, bl. 509D, sc. A, ap. 8, Brașov, 500169 E-mail: [email protected] Education: • 2010-2013: PhD Student
”Transilvania” University of Brașov, Faculty of Electrical Engineering and Computer Science Thesis title: Expert System for Psoriasis Lesions Severity Assessment Supervisor: Prof. Univ. Dr. Ing. Gheorghe TOACȘE
• 2010-2012: M.Sc in Virtual Reality Informatics ”Transilvania” University of Brașov, Faculty of Electrical Engineering and Computer Science
• 2004-2009: B.Sc in Telecommunications (diplomatic engineer) ”Transilvania” University of Brașov, Faculty of Electrical Engineering and Computer Science
• 2000-2004: “Grigore Moisil”, National College of Informatics Braşov Professional experience: • Feb. 2010 – Dec. 2010: Software developer on HR Access Suite7 application
IBM GDC Brașov • Jan. 2008 – May 2009: Junior programmer and validation engineer
Siemens Program and System Engineering SRL Computer science skills: • Programming languages: .NET (C#), C/C++, Java, Python, VRML • Design and simulation: Matlab/Simulink, CATIA, Solidworks, 3DSMax • Editing software: Microsoft Office, Photoshop, Flash Publications: • 1 paper in an ISI journal (in review – as first author) • 3 papers in ISI proceedings (3 as first author) • 5 BDI papers (3 as first author) • Attendance to international conferences in USA, Portugal, Poland and Romania Foreign languages: • English: Advanced • French: medium
![[REZUMATUL TEZEI DE DOCTORAT] · 2014-09-13 · Extrac˙ia ADN-ului ... Reaccia solului, pH-ul _i textura..... 136 6.4. CONCLUZII ASUPRA STUDIULUI PEDOCLIMATIC ... bazate pe extragerea](https://static.documente.net/doc/80x56/5f6e52c9328ffc5561427fd4/rezumatul-tezei-de-doctorat-2014-09-13-extracia-adn-ului-reaccia-solului.jpg)