Neste trabalho, um novo método não-supervisionado para segmentação de lesões melanocíticas em imagens macroscópicas é proposto levando em consideração regiões suspeitas, e também uma nova abordagem para classificação de lesões que faz uso de evidências locais e de contexto para estimar um índice de probabilidade para malignidade em cada lesão. O método proposto realiza a segmentação das imagens em três tipos de regiões disjuntas: ‘pele saudável’, ‘região de incerteza’ e ‘lesão’. Regiões de incerteza são refinadas através da utilização de feições estocásticas também de forma não-supervisionada, resultando em uma máscara binária que discrimina a pele da lesão. As máscaras obtidas apresentam um erro XOR comparável aos métodos estado da arte. A imagem é segmentada utilizando um algoritmo de superpixels e as sub-regiões que intersectam a máscara obtida são categorizadas como evidências locais. Estas evidências são representadas por uma descrição especializada que explora as características como cor e textura. Estas sub-regiões são então associadas à evidências de contexto definidas pela borda da lesão de onde foram extraídas e classificadas de forma independente através de uma abordagem supervisionada. Com o resultado da classificação destas evidências é possível obter um indicador probabilístico para malignidade associado a cada lesão, e levando em consideração um valor de tolerância é possível identificar lesões malignas em potencial. Os resultados obtidos com o método proposto são promissores e apresentam maior acurácia do que os métodos existentes na literatura apesar do erro XOR da segmentação das lesões ser maior, o que tende a confirmar o potencial do método proposto para discriminar lesões melanocíticas benignas e malignas. / In this work, a novel unsupervised method for melanocytic macroscopic image segmentation is proposed considering suspicious regions, and also a novel approach for lesion classification using local and context evidence to estimate a probabilistic index of malignity or benignity in each lesion. The proposed method segment the macroscopic images in three types of disjoint regions: ‘healthy skin’, ‘suspicious region’ and ‘lesion’. Suspicious areas are refined using stochastic texture features also in an unsupervised approach, resulting in a binary mask discriminating skin and lesion. The resulting masks present an XOR error similar to other state-of-art methods. In the next step, the image is segmented using a superpixels algorithm and subregions that intersect the obtained mask categorized as local evidence. A specialized representation describes color and texture information present in the local evidence region. The border of the segmented skin lesion defines the context evidence and using a supervised approach, local and context evidence are combined and classified independently. With the evidence classification results is possible to obtain a probabilistic index of malignity and benignity associated to each lesion, and considering a tolerance value is possible to identify potential malignant lesions. The results achieved with the proposed method are promissing and present greater accuracy than other techniques in the literature, even with a greater XOR error in segmentation step, confirming the proposed method’s potential to discriminate benignant and malignant melanocytic lesions.

Neste trabalho, um novo método não-supervisionado para segmentação de lesões melanocíticas em imagens macroscópicas é proposto levando em consideração regiões suspeitas, e também uma nova abordagem para classificação de lesões que faz uso de evidências locais e de contexto para estimar um índice de probabilidade para malignidade em cada lesão. O método proposto realiza a segmentação das imagens em três tipos de regiões disjuntas: ‘pele saudável’, ‘região de incerteza’ e ‘lesão’. Regiões de incerteza são refinadas através da utilização de feições estocásticas também de forma não-supervisionada, resultando em uma máscara binária que discrimina a pele da lesão. As máscaras obtidas apresentam um erro XOR comparável aos métodos estado da arte. A imagem é segmentada utilizando um algoritmo de superpixels e as sub-regiões que intersectam a máscara obtida são categorizadas como evidências locais. Estas evidências são representadas por uma descrição especializada que explora as características como cor e textura. Estas sub-regiões são então associadas à evidências de contexto definidas pela borda da lesão de onde foram extraídas e classificadas de forma independente através de uma abordagem supervisionada. Com o resultado da classificação destas evidências é possível obter um indicador probabilístico para malignidade associado a cada lesão, e levando em consideração um valor de tolerância é possível identificar lesões malignas em potencial. Os resultados obtidos com o método proposto são promissores e apresentam maior acurácia do que os métodos existentes na literatura apesar do erro XOR da segmentação das lesões ser maior, o que tende a confirmar o potencial do método proposto para discriminar lesões melanocíticas benignas e malignas. / In this work, a novel unsupervised method for melanocytic macroscopic image segmentation is proposed considering suspicious regions, and also a novel approach for lesion classification using local and context evidence to estimate a probabilistic index of malignity or benignity in each lesion. The proposed method segment the macroscopic images in three types of disjoint regions: ‘healthy skin’, ‘suspicious region’ and ‘lesion’. Suspicious areas are refined using stochastic texture features also in an unsupervised approach, resulting in a binary mask discriminating skin and lesion. The resulting masks present an XOR error similar to other state-of-art methods. In the next step, the image is segmented using a superpixels algorithm and subregions that intersect the obtained mask categorized as local evidence. A specialized representation describes color and texture information present in the local evidence region. The border of the segmented skin lesion defines the context evidence and using a supervised approach, local and context evidence are combined and classified independently. With the evidence classification results is possible to obtain a probabilistic index of malignity and benignity associated to each lesion, and considering a tolerance value is possible to identify potential malignant lesions. The results achieved with the proposed method are promissing and present greater accuracy than other techniques in the literature, even with a greater XOR error in segmentation step, confirming the proposed method’s potential to discriminate benignant and malignant melanocytic lesions.

Segmentação é uma etapa essencial para sistemas de pré-triagem de lesões melanocíticas. Neste trabalho, um novo método para segmentar lesões melanocíticas em imagens de câmera padrão (i.e., imagens macroscópicas) é apresentado. Inicialmente, para reduzir artefatos indesejáveis, os efeitos de sombra são atenuados na imagem macroscópica e uma présegmentação é obtida usando um esquema que combina a transformada wavelet com a transformada watershed. Em seguida, uma imagem de variação textural projetada para melhorar a discriminabilidade da lesão em relação ao fundo é obtida e a região présegmentada é usada para o aprendizado de um dicionário inicial e de uma representação inicial via um método de fatoração de matrizes não-negativas. Uma versão nãosupervisionada e não-paramétrica do método de aprendizado de dicionário baseado em teoria da informação é proposta para otimizar esta representação, selecionando o subconjunto de átomos que maximiza a compactividade e a representatividade do dicionário aprendido. Por fim, a imagem da lesão de pele é representada usando o dicionário aprendido e segmentada com o método de corte normalizado em grafos. Nossos resultados experimentais baseados em uma base de imagens bastante utilizada sugerem que o método proposto tende a fornecer melhores resultados do que os métodos estado-da-arte analisados (em termos do erro XOR). / Segmentation is an essential step for the automated pre-screening of melanocytic lesions. In this work, a new method for segmenting melanocytic lesions in standard camera images (i.e., macroscopic images) is presented. Initially, to reduce unwanted artifacts, shading effects are attenuated in the macroscopic image and a pre-segmentation is obtained using a scheme that combines the wavelet transform and the watershed transform. Afterwards, a textural variation image designed to enhance the skin lesion against the background is obtained, and the presegmented skin lesion region is used to learn an initial dictionary and an initial representation via a nonnegative matrix factorization method. An unsupervised and non-parametric version of the information-theoretic dictionary learning method is proposed to optimize this representation by selecting the subset of atoms that maximizes the learned dictionary compactness and representation. Finally, the skin lesion image is represented using the learned dictionary and segmented with the normalized graph cuts method. Our experimental results based on a widely used image dataset suggest that the proposed method tends to provide more accurate skin lesion segmentations than comparable state-of-the-art methods (in terms of the XOR error).

Neste trabalho, um novo método não-supervisionado para segmentação de lesões melanocíticas em imagens macroscópicas é proposto levando em consideração regiões suspeitas, e também uma nova abordagem para classificação de lesões que faz uso de evidências locais e de contexto para estimar um índice de probabilidade para malignidade em cada lesão. O método proposto realiza a segmentação das imagens em três tipos de regiões disjuntas: ‘pele saudável’, ‘região de incerteza’ e ‘lesão’. Regiões de incerteza são refinadas através da utilização de feições estocásticas também de forma não-supervisionada, resultando em uma máscara binária que discrimina a pele da lesão. As máscaras obtidas apresentam um erro XOR comparável aos métodos estado da arte. A imagem é segmentada utilizando um algoritmo de superpixels e as sub-regiões que intersectam a máscara obtida são categorizadas como evidências locais. Estas evidências são representadas por uma descrição especializada que explora as características como cor e textura. Estas sub-regiões são então associadas à evidências de contexto definidas pela borda da lesão de onde foram extraídas e classificadas de forma independente através de uma abordagem supervisionada. Com o resultado da classificação destas evidências é possível obter um indicador probabilístico para malignidade associado a cada lesão, e levando em consideração um valor de tolerância é possível identificar lesões malignas em potencial. Os resultados obtidos com o método proposto são promissores e apresentam maior acurácia do que os métodos existentes na literatura apesar do erro XOR da segmentação das lesões ser maior, o que tende a confirmar o potencial do método proposto para discriminar lesões melanocíticas benignas e malignas. / In this work, a novel unsupervised method for melanocytic macroscopic image segmentation is proposed considering suspicious regions, and also a novel approach for lesion classification using local and context evidence to estimate a probabilistic index of malignity or benignity in each lesion. The proposed method segment the macroscopic images in three types of disjoint regions: ‘healthy skin’, ‘suspicious region’ and ‘lesion’. Suspicious areas are refined using stochastic texture features also in an unsupervised approach, resulting in a binary mask discriminating skin and lesion. The resulting masks present an XOR error similar to other state-of-art methods. In the next step, the image is segmented using a superpixels algorithm and subregions that intersect the obtained mask categorized as local evidence. A specialized representation describes color and texture information present in the local evidence region. The border of the segmented skin lesion defines the context evidence and using a supervised approach, local and context evidence are combined and classified independently. With the evidence classification results is possible to obtain a probabilistic index of malignity and benignity associated to each lesion, and considering a tolerance value is possible to identify potential malignant lesions. The results achieved with the proposed method are promissing and present greater accuracy than other techniques in the literature, even with a greater XOR error in segmentation step, confirming the proposed method’s potential to discriminate benignant and malignant melanocytic lesions.

Segmentação é uma etapa essencial para sistemas de pré-triagem de lesões melanocíticas. Neste trabalho, um novo método para segmentar lesões melanocíticas em imagens de câmera padrão (i.e., imagens macroscópicas) é apresentado. Inicialmente, para reduzir artefatos indesejáveis, os efeitos de sombra são atenuados na imagem macroscópica e uma présegmentação é obtida usando um esquema que combina a transformada wavelet com a transformada watershed. Em seguida, uma imagem de variação textural projetada para melhorar a discriminabilidade da lesão em relação ao fundo é obtida e a região présegmentada é usada para o aprendizado de um dicionário inicial e de uma representação inicial via um método de fatoração de matrizes não-negativas. Uma versão nãosupervisionada e não-paramétrica do método de aprendizado de dicionário baseado em teoria da informação é proposta para otimizar esta representação, selecionando o subconjunto de átomos que maximiza a compactividade e a representatividade do dicionário aprendido. Por fim, a imagem da lesão de pele é representada usando o dicionário aprendido e segmentada com o método de corte normalizado em grafos. Nossos resultados experimentais baseados em uma base de imagens bastante utilizada sugerem que o método proposto tende a fornecer melhores resultados do que os métodos estado-da-arte analisados (em termos do erro XOR). / Segmentation is an essential step for the automated pre-screening of melanocytic lesions. In this work, a new method for segmenting melanocytic lesions in standard camera images (i.e., macroscopic images) is presented. Initially, to reduce unwanted artifacts, shading effects are attenuated in the macroscopic image and a pre-segmentation is obtained using a scheme that combines the wavelet transform and the watershed transform. Afterwards, a textural variation image designed to enhance the skin lesion against the background is obtained, and the presegmented skin lesion region is used to learn an initial dictionary and an initial representation via a nonnegative matrix factorization method. An unsupervised and non-parametric version of the information-theoretic dictionary learning method is proposed to optimize this representation by selecting the subset of atoms that maximizes the learned dictionary compactness and representation. Finally, the skin lesion image is represented using the learned dictionary and segmented with the normalized graph cuts method. Our experimental results based on a widely used image dataset suggest that the proposed method tends to provide more accurate skin lesion segmentations than comparable state-of-the-art methods (in terms of the XOR error).

Segmentação é uma etapa essencial para sistemas de pré-triagem de lesões melanocíticas. Neste trabalho, um novo método para segmentar lesões melanocíticas em imagens de câmera padrão (i.e., imagens macroscópicas) é apresentado. Inicialmente, para reduzir artefatos indesejáveis, os efeitos de sombra são atenuados na imagem macroscópica e uma présegmentação é obtida usando um esquema que combina a transformada wavelet com a transformada watershed. Em seguida, uma imagem de variação textural projetada para melhorar a discriminabilidade da lesão em relação ao fundo é obtida e a região présegmentada é usada para o aprendizado de um dicionário inicial e de uma representação inicial via um método de fatoração de matrizes não-negativas. Uma versão nãosupervisionada e não-paramétrica do método de aprendizado de dicionário baseado em teoria da informação é proposta para otimizar esta representação, selecionando o subconjunto de átomos que maximiza a compactividade e a representatividade do dicionário aprendido. Por fim, a imagem da lesão de pele é representada usando o dicionário aprendido e segmentada com o método de corte normalizado em grafos. Nossos resultados experimentais baseados em uma base de imagens bastante utilizada sugerem que o método proposto tende a fornecer melhores resultados do que os métodos estado-da-arte analisados (em termos do erro XOR). / Segmentation is an essential step for the automated pre-screening of melanocytic lesions. In this work, a new method for segmenting melanocytic lesions in standard camera images (i.e., macroscopic images) is presented. Initially, to reduce unwanted artifacts, shading effects are attenuated in the macroscopic image and a pre-segmentation is obtained using a scheme that combines the wavelet transform and the watershed transform. Afterwards, a textural variation image designed to enhance the skin lesion against the background is obtained, and the presegmented skin lesion region is used to learn an initial dictionary and an initial representation via a nonnegative matrix factorization method. An unsupervised and non-parametric version of the information-theoretic dictionary learning method is proposed to optimize this representation by selecting the subset of atoms that maximizes the learned dictionary compactness and representation. Finally, the skin lesion image is represented using the learned dictionary and segmented with the normalized graph cuts method. Our experimental results based on a widely used image dataset suggest that the proposed method tends to provide more accurate skin lesion segmentations than comparable state-of-the-art methods (in terms of the XOR error).