Clasificación de lesiones pigmentadas basada en la lista de comprobación de los 7 puntos

UNIVERSIDAD DE SEVILLA ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA Trabajo fin de máster Departamento de Teoría de la Señal y Comunicaciones Clasificación de lesiones pigmentadas basada en la lista de comprobación de los 7 puntos Titulación: Máster en Electrónica, Tratamiento de señal y Comunicaciones Directoras: Dra. Begoña Acha Piñero, Dra. Carmen Serrano Gotarredona Autor: Raúl Arroyo Campaña Sevilla, Octubre 2016 Doña Begoña Acha Piñero y Doña Carmen Serrano Gotarredona, profesoras del Departamento de Teoría de la Señal y Comunicaciones de la Universidad de Sevilla. HACEN CONSTAR: Que el presente Proyecto Fin de Máster titulado: “Clasificación de lesiones pigmentadas basada en la lista de comprobación de los 7 puntos”, ha sido realizado bajo nuestra dirección por D. Raúl Arroyo Campaña, habiéndose cumplido los objetivos previstos. En Sevilla, Octubre de 2016. DIRECTORAS Fdo. Dra. Begoña Acha Piñero Fdo. Dra. Carmen Serrano Gotarredona - I - ÍNDICE 1. INTRODUCCIÓN ............................................................................................................... 1 2. OBJETIVO .......................................................................................................................... 3 3. ANTECEDENTES .............................................................................................................. 5 3.1. Lesión melanocítica ................................................................................................. 5 3.2. Dermatoscopia ......................................................................................................... 6 3.2.1. Definición ............................................................................................................. 6 3.2.2. Historia ................................................................................................................. 6 3.2.3. Diagnóstico mediante dermatoscopia .................................................................. 9 3.3. Lista de comprobación de los 7 puntos (7-points checklist) ................................ 9 3.3.1. Red atípica pigmentada ...................................................................................... 15 3.3.2. Velo azul blanquecino ........................................................................................ 15 3.3.3. Patrón vascular atípico ...................................................................................... 16 3.3.4. Rayas irregulares ................................................................................................ 16 3.3.5. Pigmentación irregular ...................................................................................... 16 3.3.6. Puntos/glóbulos irregulares ............................................................................... 17 3.3.7. Estructuras de regresión .................................................................................... 17 3.4. Análisis de patrones .............................................................................................. 17 3.5. Características globales ........................................................................................ 17 3.5.1. Patrón reticular .................................................................................................. 18 3.5.2. Patrón globular................................................................................................... 18 3.5.3. Patrón empedrado .............................................................................................. 19 3.5.4. Patrón homogéneo ............................................................................................. 20 3.5.5. Patrón estrellado ................................................................................................. 21 3.5.6. Patrón paralelo ................................................................................................... 21 3.5.7. Patrón multicomponente .................................................................................... 22 3.5.8. Patrón lagunar ................................................................................................... 22 3.5.9. Patrón inespecífico ............................................................................................. 23 3.6. Características locales ........................................................................................... 23 3.6.1. Red pigmentada .................................................................................................. 23 3.6.2. Glóbulos y puntos ............................................................................................... 24 3.6.3. Rayas ................................................................................................................... 25 3.6.4. Velo azul-blanquecino ........................................................................................ 26 3.6.5. Pigmentación ...................................................................................................... 26 3.6.6. Hipopigmentación .............................................................................................. 27 - II - 3.6.7. Estructuras de regresión .................................................................................... 28 3.6.8. Estructuras vasculares ....................................................................................... 28 3.6.9. Otras .................................................................................................................... 28 4. METODOLOGÍA ............................................................................................................. 31 4.1. Segmentación de la lesión ..................................................................................... 31 4.2. Detección de la red pigmentada ........................................................................... 33 4.3. Velo azul-blanquecino ........................................................................................... 39 4.4. Patrón vascular ...................................................................................................... 44 4.5. Rayas irregulares ................................................................................................... 47 4.5.1. “Segmentación rayas” para rayas irregulares .................................................. 52 5. RESULTADOS .................................................................................................................. 55 5.1. Validez de una prueba diagnóstica ...................................................................... 55 5.1.1. Sensibilidad ......................................................................................................... 55 5.1.2. Especificidad ....................................................................................................... 56 5.2. Red pigmentada ..................................................................................................... 56 5.3. Velo azul-blanquecino ........................................................................................... 57 5.4. Patrón vascular ...................................................................................................... 58 5.5. Rayas irregulares ................................................................................................... 59 BIBLIOGRAFÍA ....................................................................................................................... 63 - III - ÍNDICE DE ILUSTRACIONES Ilustración 1. Capas de la piel. Fuente: [3] ..................................................................................... 5 Ilustración 2. Microscopio Zeiss. Fuente: www.ranm.es ............................................................ 7 Ilustración 3. Dermatoscopio. Fuente: www.securlab.it ............................................................. 9 Ilustración 4. Lesión 1: Puntuación = 7  Melanoma ............................................................. 14 Ilustración 5. Lesión 2: Puntuación = 3  Melanoma ............................................................. 15 Ilustración 6. Lesión 3: Puntuación = 1  No melanoma ...................................................... 15 Ilustración 7. Lesión 4: Patrón reticular típico ........................................................................... 18 Ilustración 8. Lesión 5: Patrón reticular atípico .......................................................................... 18 Ilustración 9. Lesión 6: Patrón globular típico ........................................................................... 19 Ilustración 10. Lesión 7: Patrón globular atípico ....................................................................... 19 Ilustración 11. Lesión 8: Patrón empedrado típico .................................................................... 19 Ilustración 12. Lesión 9: Patrón empedrado atípico .................................................................. 20 Ilustración 13. Lesión 10: Patrón homogéneo típico ................................................................. 20 Ilustración 14. Lesión 11: Patrón homogéneo atípico ............................................................... 20 Ilustración 15. Lesión 12: Patrón estrellado típico ..................................................................... 21 Ilustración 16. Lesión 13: Patrón estrellado atípico ................................................................... 21 Ilustración 17. Lesión 14: Patrón paralelo ................................................................................... 22 Ilustración 18. Lesión 15: Patrón multicomponente ................................................................. 22 Ilustración 19. Lesión 16: Patrón lagunar .................................................................................... 23 Ilustración 20. Lesión 17: Patrón inespecífico ............................................................................ 23 Ilustración 21. Lesión 18: Red pigmentada típica ...................................................................... 24 Ilustración 22. Lesión 19: Red pigmentada atípica ..................................................................... 24 Ilustración 23. Lesión 20: Glóbulos regulares ............................................................................ 25 Ilustración 24. Lesión 21: Glóbulos irregulares .......................................................................... 25 Ilustración 25. Lesión 22: Rayas regulares ................................................................................... 25 Ilustración 26. Lesión 23: Rayas irregulares ................................................................................ 26 Ilustración 27. Lesión 24: Velo azul-blanquecino ...................................................................... 26 Ilustración 28. Lesión 25: Pigmentación regular ........................................................................ 27 Ilustración 29. Lesión 26: Pigmentación irregular ...................................................................... 27 Ilustración 30. Lesión 27: Hipopigmentación ............................................................................. 27 Ilustración 31. Lesión 28: Estructuras de regresión ................................................................... 28 Ilustración 32. Lesión 29: Estructuras vasculares ....................................................................... 28 Ilustración 33. Lesión 30: Quistes blanco-amarillos .................................................................. 29 Ilustración 34. Lesión 31: Lagunas azules ................................................................................... 29 Ilustración 35. Lesión 32: Estructuras en hoja ........................................................................... 29 Ilustración 36. Diagrama para el algoritmo "segmentación" .................................................... 31 Ilustración 37. Bimodalidad del plano azul RGB ....................................................................... 32 Ilustración 38. Máscara generada en la segmentación ............................................................... 32 Ilustración 39. Lesión 33. Red pigmentada típica. ..................................................................... 33 Ilustración 40. Lesión 34: Red pigmentada atípica ..................................................................... 34 Ilustración 41. Diagrama para el algoritmo "red pigmentada" ................................................. 34 Ilustración 42. Histograma de una lesión en escala de grises ................................................... 35 Capítulo 1. Introducción - 2 - Clasificación de lesiones pigmentadas - 3 - 2. OBJETIVO El objetivo del presente Trabajo Fin de Máster es desarrollar un algoritmo que sea capaz de identificar y clasificar una lesión pigmentada según sea maligna o benigna en función de sus características en color, textura, forma, etc. Este algoritmo se implementará en lenguaje Matlab Para ello se va a implementar un algoritmo que detecta 4 de los patrones definidos en el método de la lista de los 7 puntos (7-point checklist). Ideado por Argenziano [1], este método de los 7 puntos se basa en la detección de 7 patrones cutáneos que pueden estar presentes en la lesión. Atendiendo a qué patrones se manifiestan y a un factor de ponderación previamente asignado a cada patrón, se puede deducir si una lesión es cancerígena cuando supera un determinado umbral de puntuación. Este método se explicará con más detalle en la sección “3.3” y, aunque se recurrirá a trabajos de investigación en el campo de la dermatoscopia que se pueden consultar en la bibliografía del presente trabajo, los métodos desarrollados son totalmente independientes y diferentes de los que se han consultado. Si bien pueden tener algo en común, el objetivo no es el de copiar el algoritmo desarrollado por otros investigadores, por ello se han realizado las modificaciones oportunas siempre con la meta de mejorar lo desarrollado por otros investigadores. Para el desarrollo de estos algoritmos se dispone de un banco de imágenes preclasificadas por un grupo de expertos dermatólogos recogidas en el Atlas de la Dermatoscopia [2] en donde para cada característica presente en el método de los 7 puntos se tiene un banco de imágenes con lesión maligna y otro banco con lesión benigna. Dada la complejidad del desarrollo de estos algoritmos para cada una de las 7 características definidas en el método y para no excederse en el tiempo, sólo se van a desarrollar 4 de los 7 puntos. Estos son: red pigmentada atípica, velo azul-blanquecino, patrón vascular atípico y rayas irregulares. El porqué de elegir estos 4 puntos y no otros es que éstos son los más complejos de implementar y sobre los que más estudios se realizan, los otros 3 puntos ya alcanzan una alta sensibilidad en la clasificación en la literatura. Además de ser los más complejos de implementar por sus características, estos 4 puntos suponen la mayor probabilidad de que una lesión sea de tipo melanoma ya que como se verá a continuación, aumentan rápidamente la probabilidad de cáncer melanocítico. Los restantes 3 puntos aumentan la probabilidad de cáncer de forma lenta y tienen poco peso en la decisión final. Capítulo 2. Objetivo - 4 - Finalmente y como objetivo principal, es conseguir que los algoritmos desarrollados para la clasificación de la lesión tengan una buena sensibilidad y especificidad, términos que se explicarán más adelante y que básicamente definen la capacidad para detectar melanoma o no melanoma respectivamente. Estudios realizados por investigadores en este campo han conseguido desarrollar algoritmos con sensibilidad de entre 70%-90% e igual especificidad, resultados bastante buenos pero que no permiten tener “una fe ciega” en sus diagnósticos. Se buscará pues desarrollar un método que alcance estos valores como mínimo pero difiera de los ya publicados en la literatura. Clasificación de lesiones pigmentadas - 5 - 3. ANTECEDENTES 3.1. Lesión melanocítica El cáncer se origina cuando las células comienzan a crecer de forma descontrolada, en cualquier parte del cuerpo y pudiendo extenderse a otras áreas del mismo. Un melanoma no es más que un cáncer que se origina en cierto tipo de células de la piel [3] La piel se divide en tres capas: la epidermis, la dermis y la hipodermis, esta última también llamada subcutis. La “Ilustración 1” muestra la disposición de estas capas en la piel. Ilustración 1. Capas de la piel. Fuente: [3] La epidermis es la capa superior y más fina y su función es proteger a las capas inferiores. Las células que se encuentran en esta capa son: células escamosas que se encuentran más al exterior y se desprenden constantemente, las células basales en la parte inferior de la epidermis que se encargan de reemplazar las células escamosas y los melanocitos, células que se pueden convertir en melanoma y que dan color a la piel. La dermis es la capa media de la piel y es más gruesa que la epidermis. Contiene folículos pilosos, glándulas sudoríparas, vasos sanguíneos y nervios. La hipodermis es la capa más profunda y ayuda al cuerpo a conservar el calor y a amortiguar posibles choques contra los órganos. Como se ha comentado, el cáncer de piel se origina en los melanocitos. El color marrón o negro de estos melanomas se debe a que los melanocitos siguen produciendo Capítulo 3. Antecedentes - 6 - melanina dándole color, no obstante existen casos en los que los melanocitos dejan de producir melanina creándose un melanoma de color blanco o rosado. Existen otros tipos de cánceres de piel como el cáncer de células basales y el cáncer de células escamosas y son más comunes que los cánceres melanocíticos aunque debido a que no se propagan a otras partes del cuerpo raramente son de carácter preocupante. Por otro lado, existen tumores no cancerosos o benignos de la piel. Un lunar o nevo es un tumor originado por los melanocitos y puede parecerse en forma, color y tamaño a un melanoma. Es, por tanto, necesario consultar a un especialista que diferencie entre estos dos tipos de lesiones a fin de descartar posibles cánceres de piel. Los tumores más típicos son: queratosis seborreicas o manchas con relieve de color marrón, hemangiomas o crecimiento benigno de los vasos sanguíneos, lipomas o crecimientos blandos de células adiposas y verrugas, crecimientos causados por el virus del papiloma humano (VPH). 3.2. Dermatoscopia 3.2.1. Definición La dermatoscopia o ELM por sus siglas en inglés (EpiLuminescence Microscopy) es una técnica de diagnóstico de lesiones pigmentadas de la piel no invasiva y en tiempo real que permite una buena visualización de las estructuras superficiales de la piel que el ojo humano no puede ver por sí solo [4]. La técnica de adquisición de una dermatoscopia consiste en la colocación de aceite mineral o alcohol en la lesión y la posterior visualización con un microscopio de mano (también llamado dermatoscopio), con un estereomicroscopio, una cámara o un sistema de imagen digital. El dermatoscopio proporciona un aumento de la imagen de hasta 10 veces permitiendo una visualización en detalle de la lesión. La colocación de alguno de estos fluidos elimina la reflexión de la superficie lo que permite una mejor visualización de las estructuras pigmentadas dentro de la epidermis. 3.2.2. Historia La historia de la dermatoscopia [5] comienza en el siglo XVII con Pierre Borel (1620- 1689), un médico, botánico y alquimista francés que se dedicó entre otras cosas a la óptica donde fue pionero en el uso del microscopio. Fue así como observó de forma pionera los vasos capilares del lecho ungueal, algo que hoy día se conoce como capilaroscopia. Clasificación de lesiones pigmentadas - 7 - Posteriormente, en 1879, el cirujano alemán Karl Hueter realizó un estudio sobre los vasos capilares de la mucosa oral con la ayuda de una lupa y luz artificial. En 1878, Ernst Karl Abbe junto con Carl Zeiss, médico y fabricante de microscopios respectivamente, usaron aceite de cedro para incrementar la resolución de sus observaciones al microscopio mejorando la microscopia de inmersión. Ilustración 2. Microscopio Zeiss. Fuente: www.ranm.es Paul Gerson Unna, padre de la dermatopalogía, reconoció en 1893 que las capas superiores de la epidermis bloqueaban la penetración de la luz por lo que basándose en los estudios de Abbe y Zeiss decidió aplicar aceites solubles sobre la piel para hacerla más traslúcida estudiando así el lupus vulgar con una lente de vidrio, proceso que llamó diascopia. Ya en el siglo XX, en 1911, Lombar fue el primero en utilizar glicerina en el pliegue ungueal para hacer visibles los vasos capilares. Posteriormente en 1922, Otfried Müller definió las pautas para la construcción de microscopios capilares. En 1920, Johann Saphier sentó las bases de las aplicaciones de la microscopia e ideó el término “dermatoscopia”. Sus estudios se basaron en el uso de un microscopio con fuentes laterales de luz. También estableció criterios para diferenciar la tuberculosis cutánea, la sífilis y las bases morfológicas del color de la piel, estudió los nevos melanocíticos e ideó el concepto de “glóbulo de pigmento” que se usa aún hoy día. Hans Hinselmann, 1930, utilizó los principios de la microscopia para el desarrollo de la colposcopia en la detección de enfermedades en el cuello uterino. Capítulo 3. Antecedentes - 8 - Leon Goldman describió en 1951 el uso de la microscopia en tumores e impulsó la creación de un microscopio portátil con fuente de luz endógena para mejorar la calidad de observación en la práctica diaria de los nevos melanocíticos y el melanoma. Clasificación de lesiones pigmentadas - 9 - 3.2.3. Diagnóstico mediante dermatoscopia El motivo de la aparición y posterior desarrollo de la dermatoscopia como herramienta para el diagnóstico de lesiones pigmentadas es debido a que supone una mejora considerable en la precisión del diagnóstico de la lesión. Estudios recientes muestran que en torno al 65-80% de los melanomas estudiados por un grupo de expertos en dermatología son detectados positivamente [6]. Otro estudio centrado en dermatoscopia afirma que el uso de herramientas dermatoscópicas aumenta en un 10-27% la probabilidad de detección positiva de melanomas respecto al estudio anterior [7]. Ilustración 3. Dermatoscopio. Fuente: www.securlab.it 1981 fue la fecha clave en el estudio de las lesiones dermatológicas pues Fritsch y Pechlaner sentaron las bases para la diferenciación de lesiones melanocíticas benignas y malignas. 6 años después, en 1987, Pehamberger introdujo una serie de patrones para el diagnóstico de lesiones pigmentadas. En 1989 tiene lugar la 1ª Reunión de Consenso en Hamburgo donde se definieron los criterios dermatoscópicos y se relacionaron con las estructuras histopatológicas. 5 años después, en 1994, Stolz idea y desarrolla el método de la regla ABCD [8], 2 años después, Menzies desarrolla un método que lleva su propio nombre [9] y 2 años después, en 1998, Argenziano desarrolla el método de la lista de los 7 puntos [1]. Dado que este trabajo se basa en la lista de comprobación de los 7 puntos, a continuación se explica en detalle dicha regla diagnóstica. 3.3. Lista de comprobación de los 7 puntos (7-points checklist) El método de los 7 puntos [1] se diseñó para simplificar el análisis de los patrones presentes en lesiones dermatológicas reduciendo el número de características a identificar y Capítulo 3. Antecedentes - 10 - dando a cada una de estas un valor de peso en función de su severidad o probabilidad de recurrencia en melanoma de tipo maligno. Así, el objetivo de este método fue conseguir que dermatólogos no expertos fueran capaces de clasificar un alto porcentaje de melanomas. Estos patrones fueron definidos en la Reunión de Consenso de Hamburgo [10] y posteriormente agrupados en la lista de los 7 puntos. La agrupación realizada por Argenziano se muestra en la “Tabla 1”. Clasificación de lesiones pigmentadas - 11 - Bahmer, 1990 [10] Argenziano, 1998 [1] 1. Red Pigmentada discreta 2. RP prominente 3. RP regular 4. RP irregular 5. RP ancho 6. RP estrecho 7. RP amplio 8. Rp delicado 1. Red atípica pigmentada (atypical pigment network) 9. “Pseudovainas” 10. Flujo radial 2. Rayas irregulares (irregular streaks) 11. Glóbulos marrones 12. Puntos negros 3. Puntos/glóbulos irregulares (irregular dots/globules) 13. Velo blanquecino 4. Velo azul blanquecino (blue whitish veil) 14. Zonas similares a una cicatriz blanca 15. Áreas gris/azul 5. Estructuras de regresión (regression estructures) 16. Quistes Milia 17. Aberturas Comedo 18. Telangiectasia 19. Áreas de color rojo-azul 20. Áreas con forma de hoja 6. Pigmentación irregular (Irregular pigmentation) 7. Patrón vascular atípico (Atypical vascular pattern) Tabla 1. Parámetros definidos en la Reunión de Consenso de Hamburgo y agrupados en la lista de los 7 puntos Cada uno de estos 7 puntos se describe con más de detalle en la “Tabla 2”: Capítulo 3. Antecedentes - 18 - 3.5.1. Patrón reticular El patrón reticular es el más común en lesiones melanocíticas. Se caracteriza por una red pigmentada de color marrón oscuro sobre un fondo de color marrón claro que cubre la mayor parte de la lesión. Este patrón de líneas delgadas que se difuminan en los bordes normalmente conlleva una lesión benigna. Por otro lado, las redes irregulares o de diferentes tamaños y colores que terminan de forma abrupta en los bordes derivan en una lesión maligna. Ilustración 7. Lesión 4: Patrón reticular típico Ilustración 8. Lesión 5: Patrón reticular atípico 3.5.2. Patrón globular El patrón globular se da en aquellas lesiones con presencia de estructuras redondas u ovaladas de diferentes tamaños y de color marrón o gris. Si la estructura presente en la lesión es irregular, de diferente tamaño o de diferentes colores, la lesión se considera maligna. Clasificación de lesiones pigmentadas - 19 - Ilustración 9. Lesión 6: Patrón globular típico Ilustración 10. Lesión 7: Patrón globular atípico 3.5.3. Patrón empedrado Muy similar al patrón globular, se diferencia en que la estructura está muy concentrada asemejándose a un mosaico o empedrado. Ilustración 11. Lesión 8: Patrón empedrado típico Capítulo 3. Antecedentes - 20 - Ilustración 12. Lesión 9: Patrón empedrado atípico 3.5.4. Patrón homogéneo Se trata de una forma homogénea, difusa, de colores marrón-azul o gris-negro sin ninguna otra red o estructura claramente visible. Ilustración 13. Lesión 10: Patrón homogéneo típico Ilustración 14. Lesión 11: Patrón homogéneo atípico Clasificación de lesiones pigmentadas - 21 - 3.5.5. Patrón estrellado Se caracteriza por la presencia de rayas con una disposición radial en los bordes de la lesión. Cuando el patrón de rayas no se encuentra alrededor de toda la lesión, es muy probable que se trate de una lesión maligna. Ilustración 15. Lesión 12: Patrón estrellado típico Ilustración 16. Lesión 13: Patrón estrellado atípico 3.5.6. Patrón paralelo El patrón paralelo se da de forma exclusiva en los pliegues de piel de manos y pies donde la pigmentación sigue los pliegues de forma paralela, aunque también puede darse el caso de que la pigmentación se disponga de forma perpendicular. Capítulo 3. Antecedentes - 22 - Ilustración 17. Lesión 14: Patrón paralelo 3.5.7. Patrón multicomponente Como su nombre indica, el patrón multicomponente se caracteriza por estar formado de varios patrones o estructuras tales como red reticular, red de glóbulos, red homogénea, etc. Por norma general, este tipo de patrón está asociado a lesiones malignas. Ilustración 18. Lesión 15: Patrón multicomponente 3.5.8. Patrón lagunar Se caracteriza por presentar colores rojizos o azul-purpura en una estructura redonda u ovalada de textura lisa llamada laguna. Clasificación de lesiones pigmentadas - 23 - Ilustración 19. Lesión 16: Patrón lagunar 3.5.9. Patrón inespecífico Cuando una lesión no se asemeja a ninguna de las descritas hasta ahora debido a su estructura morfológica, entra en la categoría de patrón inespecífico. Ilustración 20. Lesión 17: Patrón inespecífico 3.6. Características locales Las características locales permiten identificar de manera más exacta las diversas características de la lesión así como dar un diagnóstico más preciso sobre el tipo de lesión [4]. 3.6.1. Red pigmentada Su morfología es una estructura en red de color marrón sobre un fondo de color marrón más claro. Cuando esta red tiene forma homogénea, color homogéneo y se difumina en la periferia se habla de red pigmentada típica y por norma general es sinónimo de una lesión benigna. Por el contrario cuando la red tiene forma irregular, sus colores no Capítulo 3. Antecedentes - 24 - son homogéneos a lo largo de la red o termina de forma abrupta, se habla de red pigmentada atípica y puede derivar en una lesión maligna. Ilustración 21. Lesión 18: Red pigmentada típica Ilustración 22. Lesión 19: Red pigmentada atípica 3.6.2. Glóbulos y puntos Los glóbulos y puntos tienen forma redonda u ovalada de diferentes tamaños y colores negro, marrón o gris y puede ser regulares o irregulares. En caso de ser regulares, la forma, el tamaño y el color se distribuyen de manera uniforme a través de la lesión originando una lesión benigna. En caso contrario se trata de una lesión maligna con forma irregular. Además de este tipo de glóbulos, existen glóbulos de tonos rojos y están asociados en un alto margen de casos con melanomas. Clasificación de lesiones pigmentadas - 25 - Ilustración 23. Lesión 20: Glóbulos regulares Ilustración 24. Lesión 21: Glóbulos irregulares 3.6.3. Rayas Las rayas son estructuras lineales de color marrón-negro de espesor variable que se encuentran de forma típica en la periferia de la lesión con una disposición radial. Éstas pueden ser regulares o irregulares o converger más o menos siendo en estos casos lesión benigna o maligna respectivamente. Ilustración 25. Lesión 22: Rayas regulares Capítulo 3. Antecedentes - 26 - Ilustración 26. Lesión 23: Rayas irregulares 3.6.4. Velo azul-blanquecino El velo azul-blanquecino o azul-grisáceo es un tipo de pigmentación difusa. Se encuentra de forma exclusiva en melanomas. Ilustración 27. Lesión 24: Velo azul-blanquecino 3.6.5. Pigmentación Son zonas de color marrón oscuro o gris-negro de textura difusa que impiden el reconocimiento de otras características dermatoscópicas como redes de pigmento o redes vasculares. Existen redes de pigmentación regular e irregular según su localización y textura difusa siendo síntoma de lesión benigna y maligna respectivamente. Clasificación de lesiones pigmentadas - 27 - Ilustración 28. Lesión 25: Pigmentación regular Ilustración 29. Lesión 26: Pigmentación irregular 3.6.6. Hipopigmentación La hipopigmentación se refiere a áreas localizadas de pigmentación disminuida dentro de la lesión. Normalmente se suelen asociar con melanomas. Ilustración 30. Lesión 27: Hipopigmentación Capítulo 4. Metodología - 34 - Ilustración 40. Lesión 34: Red pigmentada atípica En base a estas características y a estudios encontrados en [12], se ha implementado un método que busca las diferencias entre los colores de la red y los colores de fondo de la lesión. Si la diferencia de estos colores es significativa es debido a que la red pigmentada es de color muy oscuro respecto al fondo, en cuyo caso se trata de red pigmentada atípica con un valor de 2 puntos en el método de la lista de 7 puntos. A continuación se muestra un diagrama que resume las operaciones realizadas: Ilustración 41. Diagrama para el algoritmo "red pigmentada" En primer lugar se realiza la segmentación de la zona enferma respecto a la piel sana mediante la llamada al algoritmo “segmentación” que se explicó en la sección “4.1” Una vez obtenida la máscara de la zona enferma, se obtiene una imagen en escala de grises a partir de la imagen RBG mediante la siguiente relación: Clasificación de lesiones pigmentadas - 35 - 𝑌 = 0.299 ∗ 𝑅 + 0.587 ∗ 𝐺 + 0.114 ∗ 𝐵 ( 2 ) Se obtiene el valor medio de gris de esta imagen una vez ha sido multiplicada por la máscara obtenida de la segmentación, obteniéndose el valor medio de la lesión. También se obtiene el valor medio de la frecuencia de ocurrencia del número de píxeles de gris mediante el uso del histograma en escala de grises. En base a estas dos medias (el nivel medio de gris y la frecuencia de cada nivel de gris), se realiza un filtrado de todos aquellos píxeles que tengan un nivel de gris más claro que la media o que su frecuencia de ocurrencia este por encima de la media. Esto es así dado que se busca obtener sólo aquellos píxeles que tienen un nivel de gris suficientemente oscuro y, casi en la totalidad de ocasiones, el histograma de una lesión en escala de grises tiene la forma que se muestra a continuación: Ilustración 42. Histograma de una lesión en escala de grises De ahí que al implementar este método, y sea cual sea el desplazamiento del histograma en el eje de las x, siempre se va a obtener la zona más oscura relativa a la media de la lesión. Capítulo 4. Metodología - 36 - Ilustración 43. Aislamiento de tonos oscuros en lesión en escala de grises Llegados a este punto, tan sólo resta calcular el área de la red de gris oscuro y compararla con el área total de la lesión para decidir si existe o no red pigmentada atípica. En el caso de que la red pigmentada sea típica, el histograma tendrá una forma mucho más plana y estrecha por lo que, siguiendo el mismo criterio ya comentado, se puede deducir fácilmente que los píxeles de gris oscuro (los que están dentro del recuadro verde) van a ser menos en cantidad siendo también menor el área y por tanto se descarta que haya red pigmentada atípica. El código Matlab que realiza estas operaciones se muestra a continuación: clear all close all clc %% Menú fprintf ('****RED PIGMENTADA****\n\n') prompt = 'Selecciona para procesar:\n 1 -> Imágenes con lesión\n 2 -> Imágenes sanas\n 3 -> Todas\n -> '; x = input(prompt); fprintf ('Procesando... Espera por favor\n') %% Selección de directorio de imágenes if x==1 imdir{1}='E:\Documentos\Máster Electrónica, Tratamiento de señal y Comunicaciones\2º Cuatrimestre\TFM Melanoma\Imagenes\Pigment network\Patrón atípico\'; elseif x==2 imdir{1}='E:\Documentos\Máster Electrónica, Tratamiento de señal y Comunicaciones\2º Cuatrimestre\TFM Melanoma\Imagenes\Pigment network\Patrón típico\'; elseif x==3 Clasificación de lesiones pigmentadas - 37 - imdir{1}='E:\Documentos\Máster Electrónica, Tratamiento de señal y Comunicaciones\2º Cuatrimestre\TFM Melanoma\Imagenes\Pigment network\Patrón atípico\'; imdir{2}='E:\Documentos\Máster Electrónica, Tratamiento de señal y Comunicaciones\2º Cuatrimestre\TFM Melanoma\Imagenes\Pigment network\Patrón típico\'; else fprintf('Opción no válida\n') break; end %% Bucle de procesamiento por directorio for d=1:length(imdir) imdir_2=cell2mat(imdir(1,d)); imagefiles=dir(strcat(imdir_2,'*.jpg')); nfiles = length(imagefiles); area=0; %% Bucle de procesamiento de cada imagen for num_img=1:nfiles close all suma=0; % Se inicializan a 0 las variables usadas area_lesion=0; area_network=0; [BW,img]=segmentacion(num_img,imdir_2); Y=0.299*img(:,:,1)+0.587*img(:,:,2)+0.114*img(:,:,3); % Imagen en escala de grises %% Bucle que obtiene el valor medio de la zona enferma for i=1:1:size(BW,1) for j=1:1:size(BW,2) if BW(i,j)==1 % Si es lesión, suma=suma+double(Y(i,j)); % guarda el valor de gris y area_lesion=area_lesion+1; % incrementa el contador elseif BW(i,j)==0 % Si no es lesión Y(i,j)=0; % Borra el píxel de la imagen en escala de grises end end end media_color=suma/area_lesion; %% Media del histograma [counts,binLocations] = imhist(Y); % Obtiene para cada nivel de gris el nº de píxeles en la imagen media_hist=mean(counts(2:256)); % Obtiene la media del nº de píxeles (excluyendo el negro absoluto) if media_color<100 % Si la media del color es muy clara, media_hist=media_hist*(1+media_color/255); % la media de color y del histograma se multiplican por un factor media_color=media_color*(1+media_color/255); end %% Decisor de red atípica for i=1:256 % Bucle que busca píxeles claros o colores muy repetidos y los elimina para quedarse solo con los más oscuros if counts(i)>media_hist || media_color<(i-1) row=0; col=0; [row,col] = find(Y==i-1); for j=1:length(row) Y(row(j),col(j))=0; end end end for i=1:1:size(BW,1) % Bucle que calcula el área de los píxeles oscuros for j=1:1:size(BW,2) Capítulo 4. Metodología - 38 - if Y(i,j)>0 area_network=area_network+1; end end end area(num_img)=area_network/area_lesion*100; end %% Resultados fprintf ('\n****RESULTADOS****') if x==1 VP=nnz(area>=3); % Verdaderos positivos FN=nfiles-VP; % Falsos negativos fprintf ('\nVP=%d\nFN=%d\nSensibilidad=%3.2f%%\n',VP,FN,VP*100/nfiles) elseif x==2 VN=nnz(area<3); % Verdaderos negativos FP=nfiles-VN; % Falsos positivos fprintf ('\nVN=%d\nFP=%d\nEspecificidad=%3.2f%%\n',VN,FP,VN*100/nfiles) elseif x==3 if d==1 VP=nnz(area>=3); % Verdaderos positivos FN=nfiles-VP; % Falsos negativos fprintf ('\nVP=%d\nFN=%d\nSensibilidad=%3.2f%%',VP,FN,VP*100/nfiles) else VN=nnz(area<3); % Verdaderos negativos FP=nfiles-VN; % Falsos positivos fprintf ('\nVN=%d\nFP=%d\nEspecificidad=%3.2f%%\n',VN,FP,VN*100/nfiles) end end end Clasificación de lesiones pigmentadas - 39 - 4.3. Velo azul-blanquecino Una de las mayores características que definen a una lesión como melanocítica es la presencia de velo azul ya que tiene un peso de 2 puntos en el método de los 7 puntos y recuérdese que a partir de 3 puntos ya se habla de melanoma. Por tanto, es muy importante saber distinguir este tipo de característica. En base a estudios y desarrollos encontrados en [13] se ha implementado un método para clasificar las zonas azules del velo de una lesión y determinar según su frecuencia si se trata de melanoma o no. Ilustración 44. Lesión 35: Velo azul-blanquecino La “Ilustración 45” muestra resumidamente las operaciones realizadas que posteriormente serán detalladas: Ilustración 45. Diagrama para el algoritmo "velo azul-blanquecino" Al igual que para el algoritmo “red pigmentada”, lo primero que se realiza es una segmentación de la imagen que separa la zona enferma de la piel sana. Una vez hecho esto, Capítulo 4. Metodología - 40 - se procede a filtrar la imagen con dos filtros de color azul en el plano HSV, uno de ellos para tonos de azul claro y otro más restrictivo para tonos de azul más oscuro que pudieran contener tonos de rojo. El motivo por el cual se utiliza el plano HSV (del inglés Hue, Saturation, Value – Matiz, Saturación, Valor) es que permite filtrar colores de forma sencilla y precisa mediante el matiz representado en una región circular de 0º a 360º y, mediante la saturación y el valor elegir el tono adecuado de ese color. Dichos umbrales implementados en el plano HSV son: Para tonos azules 0,065 < H < 0,483 0,08 < S < 0,494 0,231 < V < 0,404 ( 3 ) Para tonos azul-rojos 0,058 < H < 0,84 0,00 < S < 0,369 0,00 < V < 0,80 ( 4 ) Ilustración 46. Plano HSV. Fuente: https://es.wikipedia.org/wiki/Modelo_de_color_HSV#Matiz Si el píxel en estudio se encuentra en alguno de estos dos grupos filtrados se considera azul y pasa a incrementar un contador de píxeles azules. Tanto si el píxel es azul como si Clasificación de lesiones pigmentadas - 41 - no, cada vez que se procese un píxel se incrementa un contador de píxeles totales. Seguidamente y una vez procesados todos los píxeles de la lesión, se realiza una búsqueda vecina de píxeles azules de tal manera que si un píxel azul tiene a su alrededor 20 o más píxeles azules (en una máscara 5x5) se incrementa un contador de vecinos o si no se incrementa un contador de aislados. Para finalizar se halla la relación entre píxeles con 20 o más vecinos y píxeles azules de la lesión, si la relación es mayor o igual al 75%, la lesión contiene velo azul y suma 2 puntos al método de los 7 puntos. En caso contrario es necesario ver si los píxeles que no tienen 20 vecinos (píxeles aislados) superan el 25% del total de píxeles azules y además que el número de píxeles azules supere el 10% de píxeles totales de la lesión. Esto se hace para evitar que lesiones con un velo azul muy disperso o difuso puedan ser consideradas como sanas cuando realmente no lo son. A continuación se muestra el código empleado en Matlab para la ejecución del algoritmo. clear all close all clc %% Menú fprintf ('****VELO AZUL****\n\n') prompt = 'Selecciona para procesar:\n 1 -> Imágenes con lesión\n 2 -> Imágenes sanas\n 3 -> Todas\n -> '; x = input(prompt); fprintf ('Procesando... Espera por favor\n') %% Selección de directorio de imágenes if x==1 imdir{1}='E:\Documentos\Máster Electrónica, Tratamiento de señal y Comunicaciones\2º Cuatrimestre\TFM Melanoma\Imagenes\Blue Veil\Bluewhitish veil\'; elseif x==2 imdir{1}='E:\Documentos\Máster Electrónica, Tratamiento de señal y Comunicaciones\2º Cuatrimestre\TFM Melanoma\Imagenes\Blue Veil\Clark- Dermal nevus sin veil\'; elseif x==3 imdir{1}='E:\Documentos\Máster Electrónica, Tratamiento de señal y Comunicaciones\2º Cuatrimestre\TFM Melanoma\Imagenes\Blue Veil\Bluewhitish veil\'; imdir{2}='E:\Documentos\Máster Electrónica, Tratamiento de señal y Comunicaciones\2º Cuatrimestre\TFM Melanoma\Imagenes\Blue Veil\Clark- Dermal nevus sin veil\'; else fprintf('Opción no válida\n') break; end %% Bucle de procesamiento por directorio for d=1:length(imdir) imdir_2=cell2mat(imdir(1,d)); Capítulo 4. Metodología - 42 - imagefiles=dir(strcat(imdir_2,'*.jpg')); nfiles = length(imagefiles); Z=zeros(nfiles,1); %% Bucle de procesamiento de cada imagen for num_img=1:nfiles close all BW=0; % Se inicializan a 0 las variables usadas img=0; BW_blue_whitish=0; Nbg=0; % Píxeles con nivel de azul preocupante Nn=0; % Píxeles azules que tienes 20 o más vecinos azules Ni=0; % Píxeles azules que tienes menos de 20 vecinos azules (aislados) Ntot=0; % Píxeles totales de la lesión [BW,img]=segmentacion (num_img,imdir_2); hsv=rgb2hsv(img); % Cambio de plano RGB a HSV channel1Min1 = 0.065; % Filtros de color en el plano HSV channel1Max1 = 0.483; channel2Min1 = 0.080; channel2Max1 = 0.494; channel3Min1 = 0.231; channel3Max1 = 0.404; channel1Min2 = 0.058; channel1Max2 = 0.840; channel2Min2 = 0.000; channel2Max2 = 0.369; channel3Min2 = 0.000; channel3Max2 = 0.800; %% Estudia los píxeles con azul preocupante en el plano HSV, los demás son descartados for i=1:1:size(hsv,1) for j=1:1:size(hsv,2) if BW(i,j)==1 % Si es lesión y if ((hsv(i,j,1) >= channel1Min1 ) & (hsv(i,j,1) <= channel1Max1) & ... % pasa el filtro HSV, (hsv(i,j,2) >= channel2Min1 ) & (hsv(i,j,2) <= channel2Max1) & ... (hsv(i,j,3) >= channel3Min1 ) & (hsv(i,j,3) <= channel3Max1)) || ... ((hsv(i,j,1) >= channel1Min2 ) & (hsv(i,j,1) <= channel1Max2) & ... (hsv(i,j,2) >= channel2Min2 ) & (hsv(i,j,2) <= channel2Max2) & ... (hsv(i,j,3) >= channel3Min2 ) & (hsv(i,j,3) <= channel3Max2)) BW_blue_whitish(i,j)=1; % dibuja píxel blanco en una nueva imagen y en la misma posición Nbg=Nbg+1; % Incrementa el nº de píxeles azules Ntot=Ntot+1; % Incrementa el nº de píxeles de la lesión else BW_blue_whitish(i,j)=0; % Dibuja píxel negro Ntot=Ntot+1; % Incrementa el nº de píxeles totales pertenecientes a la lesión end Clasificación de lesiones pigmentadas - 43 - else BW_blue_whitish(i,j)=0; % Si no, se descarta el píxel end end end %figure, imshow(BW_blue_whitish) %% Calcula el número de píxeles vecinos (Nn) o aislados (Ni) for i=1+2:1:size(hsv,1)-2 for j=1+2:1:size(hsv,2)-2 if BW_blue_whitish(i,j)==1; azules=mascara5x5(i,j,BW_blue_whitish); % Llamada a máscara 5x5 if azules>=20 Nn=Nn+1; else Ni=Ni+1; end end end end %% Comprobar si es melanoma if Nn/Nbg>=0.75 Z(num_img)=1; elseif Nn/Nbg<0.75 && Ni/Nbg>0.25 if Nbg/Ntot>=0.1 Z(num_img)=1; else Z(num_img)=0; end else Z(num_img)=0; end end %% Resultados fprintf ('\n****RESULTADOS****') if x==1 VP=nnz(Z); % Verdaderos positivos FN=nfiles-VP; % Falsos negativos fprintf ('\nVP=%d\nFN=%d\nSensibilidad=%3.2f%%\n',VP,FN,VP*100/nfiles) elseif x==2 VN=nnz(Z==0); % Verdaderos negativos FP=nfiles-VN; % Falsos positivos fprintf ('\nVN=%d\nFP=%d\nEspecificidad=%3.2f%%\n',VN,FP,VN*100/nfiles) elseif x==3 if d==1 VP=nnz(Z); % Verdaderos positivos FN=nfiles-VP; % Falsos negativos fprintf ('\nVP=%d\nFN=%d\nSensibilidad=%3.2f%%',VP,FN,VP*100/nfiles) else VN=nnz(Z==0); % Verdaderos negativos FP=nfiles-VN; % Falsos positivos fprintf ('\nVN=%d\nFP=%d\nEspecificidad=%3.2f%%\n',VN,FP,VN*100/nfiles) Capítulo 4. Metodología - 50 - %% Menú fprintf ('****VETAS IRREGULARES****\n\n') prompt = 'Selecciona para procesar:\n 1 -> Imágenes con lesión\n 2 -> Imágenes sanas\n 3 -> Todas\n -> '; x = input(prompt); fprintf ('Procesando... Espera por favor\n') %% Selección de directorio de imágenes if x==1 imdir{1}='E:\Documentos\Máster Electrónica, Tratamiento de señal y Comunicaciones\2º Cuatrimestre\TFM Melanoma\Imagenes\Streaks\con streaks\'; elseif x==2 imdir{1}='E:\Documentos\Máster Electrónica, Tratamiento de señal y Comunicaciones\2º Cuatrimestre\TFM Melanoma\Imagenes\Streaks\sin streaks\'; elseif x==3 imdir{1}='E:\Documentos\Máster Electrónica, Tratamiento de señal y Comunicaciones\2º Cuatrimestre\TFM Melanoma\Imagenes\Streaks\con streaks\'; imdir{2}='E:\Documentos\Máster Electrónica, Tratamiento de señal y Comunicaciones\2º Cuatrimestre\TFM Melanoma\Imagenes\Streaks\sin streaks\'; else fprintf('Opción no válida\n') break; end %% Bucle de procesamiento por directorio for d=1:length(imdir) imdir_2=cell2mat(imdir(1,d)); imagefiles=dir(strcat(imdir_2,'*.jpg')); nfiles = length(imagefiles); streaks=zeros(nfiles,1); %% Bucle de procesamiento de cada imagen for num_img=1:nfiles close all; img=0; % Se inicializan a 0 las variables usadas BW=0; m=1; [BW,img,contorno]=segmentacion_streaks(num_img,imdir_2); % Llamada a la función que segmenta la lesión num_divisiones=round(length(contorno)/100)*2; % Número de divisiones en que se va a dividir el contorno de la lesión division=floor(length(contorno)/num_divisiones); % Número de píxeles que contiene cada división %% Límites del plano HSV hsv=rgb2hsv(img); channel1Min = 0.051; channel1Max = 0.5; channel3Max = 0.813; %% Bucle de procesamiento del contorno for n=0:division:length(contorno)-division %plot(contorno((1+n:division+n),2),contorno((1+n:division+n),1),'b','L ineWidth',1); % Dibuja el contorno en azul conforme se procesa Clasificación de lesiones pigmentadas - 51 - contour=0; % Variable que contiene la distancia total del numero de píxeles perteneciente a una división del contorno short=0; % Variable que contiene la distancia en línea recta entre el primer y último píxel de una división del contorno brown=0; % Variable que contiene los píxeles con una cierta tonalidad de marrón-negro for i=1:division-1 % Bucle que calcula la distancia del contorno contour=contour+sqrt( (contorno(i+n,2)- contorno(i+1+n,2))^2 + (contorno(i+n,1)-contorno(i+1+n,1))^2 ); end for j=1+n:division+n % Bucle que compara los píxeles del contorno con el nivel de marrón-negro en el plano HSV if hsv(contorno(j,1),contorno(j,2),1)>channel1Min && hsv(contorno(j,1),contorno(j,2),1)<channel1Max && hsv(contorno(j,1),contorno(j,2),3)<channel3Max brown=brown+1; end end short=sqrt( (contorno(1+n,2)-contorno(division+n,2))^2 + (contorno(1+n,1)-contorno(division+n,1))^2 ); % Cálculo de la distancia en línea recta porcentaje=brown/division*100; % Porcentaje de píxeles de marrón por división ratio=contour/short; % Relación entre distancia del borde y distancia más corta if (porcentaje>=85 && ratio>=1.2) % Decisor de existencia de vetas streaks(num_img)=1; end end end %% Resultados fprintf ('\n****RESULTADOS****') if x==1 VP=nnz(streaks==1); % Verdaderos positivos FN=nfiles-VP; % Falsos negativos fprintf ('\nVP=%d\nFN=%d\nSensibilidad=%3.2f%%\n',VP,FN,VP*100/nfiles) elseif x==2 VN=nnz(streaks==0); % Verdaderos negativos FP=nfiles-VN; % Falsos positivos fprintf ('\nVN=%d\nFP=%d\nEspecificidad=%3.2f%%\n',VN,FP,VN*100/nfiles) elseif x==3 if d==1 VP=nnz(streaks); % Verdaderos positivos FN=nfiles-VP; % Falsos negativos fprintf ('\nVP=%d\nFN=%d\nSensibilidad=%3.2f%%',VP,FN,VP*100/nfiles) else VN=nnz(streaks==0); % Verdaderos negativos FP=nfiles-VN; % Falsos positivos fprintf ('\nVN=%d\nFP=%d\nEspecificidad=%3.2f%%\n',VN,FP,VN*100/nfiles) end end end Capítulo 4. Metodología - 52 - 4.5.1. “Segmentación rayas” para rayas irregulares Este algoritmo se compone del algoritmo ‘segmentación’, ya descrito en secciones anteriores, al que se le ha añadido una sección de código que se encarga de buscar el contorno de la lesión descartando aquellos contornos de zonas aisladas de lesión que no pertenecen a la lesión en sí. Para ello se realizan las siguientes operaciones; una búsqueda de todas y cada una de las islas que se puedan producir en el proceso de segmentación ya que la lesión, por lo general, contiene zonas aisladas que perteneciendo a la lesión, no están unidas físicamente a ella. Posteriormente se busca la mayor de estas islas atendiendo al tamaño en píxeles de cada una y, seguidamente, se obtiene el contorno de esta isla que será devuelto por el algoritmo al algoritmo principal junto con la máscara y la imagen original. De esta forma se evita encontrar el contorno de una isla menor y siempre se consigue detectar el mayor contorno de la lesión. Ilustración 52. Detalle del contorno y las islas de una lesión function [BW,img,contorno] = segmentacion_streaks (num_img,imdir) %% Lectura de la imagen y separación de componente azul img=imread([imdir,strcat(num2str(num_img),'.jpg')]); B=img(:,:,3); %% Aplicación del filtro de media 3x3 multi etapa al azul (mejor 3x3 que 5x5) B_m3=medfilt2(B); % La imagen azul es más bimodal que la roja o la verde B_m3=medfilt2(B_m3); B_m3=medfilt2(B_m3); B_m3=medfilt2(B_m3); %% Histograma level = graythresh(B_m3)-0.05; % Nivel de threshold usando el método de Otsu (rango [0,1]) BW=im2bw(B_m3,level); % Imagen binaria BW=not(BW); Clasificación de lesiones pigmentadas - 53 - BW=medfilt2(BW); % Se realiza un filtro de media a la máscara para eliminar píxeles falsos de lesión que aparecen en las esquinas %figure, imshow(BW) %% Islas [B,L] = bwboundaries(BW,'noholes'); % Busca todas las islas de la imagen BW. B contiene un cell con todas las islas y los indicies para el contorno de cada una. L es una matriz de tamaño de la imagen conteniendo las diferentes islas. noholes descarta agujeros dentro de islas. max_index=0; max_size=0; for i=1:length(B) if max_size<length(B{i,1}) % Busca la mayor isla y guarda el índice al que pertenece max_size=length(B{i,1}); max_index=i; end end %% Contorno contorno = bwtraceboundary(BW,[B{max_index,1}(1,1) B{max_index,1}(1,2)],'N',8,Inf,'clockwise'); % imagen en BW, coordenada limite, siguiente píxel de búsqueda, píxeles de búsqueda adyacentes, numero de píxeles límite en el contorno, dirección de búsqueda % figure, imshow (img) % hold on; % plot(contorno(:,2),contorno(:,1),'g','LineWidth',1); end Capítulo 4. Metodología - 54 - Clasificación de lesiones pigmentadas - 55 - 5. RESULTADOS 5.1. Validez de una prueba diagnóstica Los casos más sencillos en pruebas diagnósticas son las pruebas dicotómicas en las cuales se clasifica cada lesión como maligna o benigna en función de las pruebas y los resultados obtenidos. En estos casos un resultado positivo se asocia a la presencia de lesión maligna mientras que un resultado negativo se asocia a la presencia de lesión benigna. En estos casos, la forma de representar los datos obtenidos es mediante una tabla 2x2 en la que se enfrentan el resultado de la prueba en filas con el resultado real de la lesión en columnas. Si el resultado de la prueba es correcto, se habla de verdadero positivo o verdadero negativo según se haya detectado una lesión maligna verdadera o benigna verdadera respectivamente y si el resultado de la prueba es incorrecto se habla de falso positivo o falso negativo cuando se detecta un melanoma cuando no lo es o cuando se detecta un no melanoma cuando no lo es respectivamente. Verdadero diagnóstico Enfermo Sano Resultados de la prueba Positivo (enfermo) Verdadero Positivo (VP) Falso Positivo (FP) Negativo (sano) Falso Negativo (FN) Verdadero Negativo (VN) Tabla 4: Relación entre el resultado de una prueba diagnóstica y la presencia o ausencia de enfermedad. 5.1.1. Sensibilidad Es la probabilidad de clasificar como maligna una lesión maligna o lo que es lo mismo, para una lesión maligna, clasificarla como positiva. La sensibilidad es una medida para detectar la enfermedad. En términos numéricos, la sensibilidad se obtiene como: 𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 = 𝑉𝑃 𝑉𝑃 +𝐹𝑁 ( 6 ) Capítulo 5. Resultados - 56 - 5.1.2. Especificidad Es la probabilidad de clasificar como benigna una lesión benigna o lo que es lo mismo, para una lesión benigna, clasificarla como negativa. La especificidad es una medida para detectar sanos. Se define como: 𝐸𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑑𝑎𝑑 = 𝑉𝑁 𝑉𝑁 +𝐹𝑃 ( 7 ) 5.2. Red pigmentada Para comprobar el funcionamiento del código implementado y ver su sensibilidad y precisión se dispone de 39 imágenes con patrón atípico y de 30 con patrón típico. El procesamiento de imágenes empleado consiste en procesar en primer lugar el directorio de imágenes con red atípica y sacar de este procesamiento unos valores de VP y FN. Seguidamente se hace lo mismo con el directorio de imágenes con red típica y se muestran todos los resultados, VP, FN, FP y VN. Tras el procesamiento de todas estas imágenes, los resultados obtenidos se resumen en la tabla “Tabla 5”: Verdadero diagnóstico Red atípica Red típica Resultados del algoritmo Red atípica VP = 33 FP = 5 Red típica FN = 6 VN = 25 Tabla 5. Resultados para red pigmentada La tabla anterior arroja los siguientes datos, agrupados en el “Gráfico 1”: Clasificación de lesiones pigmentadas - 57 - Gráfico 1. Resultados para red pigmentada 5.3. Velo azul-blanquecino Para este caso se dispone de 61 imágenes con una clara presencia de velo azulblanquecino o enfermas y de 30 imágenes sin presencia de velo azul-blanquecino. El resultado del algoritmo dio los resultados de la “Tabla 6”. Verdadero diagnóstico Velo No velo Resultados del algoritmo Velo VP = 53 FP = 8 No velo FN = 8 VN = 22 Tabla 6. Resultados para velo azul-blanquecino La tabla anterior arroja los siguientes datos que se muestran en el “Gráfico 2”: 84,62% 83,33% 0% 20% 40% 60% 80% 100% Sensibilidad Especificidad Red pigmentada Capítulo 5. Resultados - 58 - Gráfico 2. Resultados para velo azul-blanquecino Como se puede observar, en este caso el algoritmo desarrollado es muy sensible o dicho de otro modo, es capaz de clasificar una imagen como enferma cuando realmente es enferma con alta probabilidad. Sin embargo, su especificidad no es tan alta lo que se traduce en que clasifica como sana una imagen sana solo en el 73,33% de los casos. 5.4. Patrón vascular Para el estudio del patrón vascular se dispone de 15 imágenes cuyo patrón vascular es atípico y de 20 imágenes sin presencia de patrón vascular. Los resultados obtenidos se muestran en la “Tabla 7”: Verdadero diagnóstico Con patrón vascular Sin patrón vascular Resultados del algoritmo Con patrón vascular VP = 12 FP = 3 Sin patrón vascular FN = 3 VN = 17 Tabla 7. Resultados para patrón vascular 86,89% 73,33% 0% 20% 40% 60% 80% 100% Sensibilidad Especificidad Velo azul-blanquecino Clasificación de lesiones pigmentadas - 59 - Gráfico 3. Resultados para patrón vascular 5.5. Rayas irregulares En este caso se dispone de 22 imágenes que contiene presencia de rayas irregulares y 10 imágenes sin presencia de rayas. Tras aplicar el algoritmo diseñado, los resultados fueron los mostrados en la “Tabla 8”: Verdadero diagnóstico Con presencia de rayas Sin presencia de rayas Resultados del algoritmo Con presencia de rayas VP = 18 FP = 2 Sin presencia de rayas FN = 4 VN = 8 Tabla 8. Resultados para rayas irregulares 80,00% 85,00% 0% 20% 40% 60% 80% 100% Sensibilidad Especificidad Patrón vascular