You are on page 1of 102

Centro Universitrio Catlico Salesiano Auxilium Araatuba SP

Desenvolvimento do algoritmo para processamento


de imagens digitais para diagnstico de melanoma





Daniel Soares Lopes
Flvio Henrique da Silva
Matheus Ferreira Bonfim









Araatuba SP
2013






Desenvolvimento do algoritmo para
processamento de imagens digitais para
diagnstico de melanoma







Trabalho de Concluso de Curso de Graduao
em Engenharia da Computao
Orientador: Prof. Dr. Marco Antnio
Rodrigues Fernandes.
UniSALESIANO - Araatuba











Araatuba SP
2013

Desenvolvimento do algoritmo para
processamento de imagens digitais para
diagnstico de melanoma






Acadmicos:
Daniel Soares Lopes
Flvio Henrique da Silva
Matheus Ferreira Bonfim







Trabalho de Concluso de Curso de Graduao
em Engenharia da Computao
Orientador: Prof. Dr. Marco Antnio
Rodrigues Fernandes.
UniSALESIANO - Araatuba






Prof.
Centro Universitrio Catlico Auxilium UniSALESIANO
Data:


Prof.
Centro Universitrio Catlico Auxilium UniSALESIANO
Data:


Prof.
Centro Universitrio Catlico Auxilium UniSALESIANO
Data:

DEDICATRIA


Dedico famlia que compartilharam todas as vitrias e angustias nesses 5 anos de luta
e dedicao.
Aos amigos, pela convivncia durante esses 5 anos, dos quais ganharam meu respeito.

AGRADECIMENTOS


Primeiramente agradeo a DEUS que permitiu que chegssemos at o final da
nossa jornada. A todos os amigos e principalmente a famlia que nos incentivaram
perante as dificuldades surgidas durante o curso.

Agradeo tambm o professor Dr. Marco Antnio, orientador e incentivador
desse projeto, que depositou sua confiana no grupo e atravs da sua enorme
experincia profissional e acadmica conseguimos obter os resultados esperados, ao
Prof.Dr.Hlio Amantes Miot, do Departamento de Dermatologia da Faculdade de
Medicina da Unesp (Botucatu) que contribui com o seu vasto conhecimento na rea
dermatolgica e ao Prof.Dr. Leandro de Castro Nunes da Mackenzie de So Paulo que
permitiu que apresentssemos o nosso trabalho no XII Workshop do LCoN (
Laboratrio de Computao Natural).

MENSAGEM




A mente que se abre a uma nova ideia jamais voltar ao seu tamanho original.
Albert Einstein


No h fatos eternos, como no h verdades absolutas.
Friedrich Nietzsche


Aqui, no entanto, ns no olhamos para trs por muito tempo. Ns continuamos
seguindo em frente, abrindo novas portas e fazendo coisas novas, porque somos
curiosos... e a curiosidade continua nos levando por novos caminhos. Siga em frente.
Walter Elias Disney

RESUMO



Este trabalho ir avaliar as tcnicas de processamentos de imagens aplicadas a
dermatologia visando propiciar a deteco precoce do melanoma maligno. Tambm sero
analisados algoritmos computacionais especficos aplicados em imagens dermatoscpicas
de nevos atpicos e spots, identificando um possvel desenvolvimento do cncer de pele.
Pretende-se desenvolver uma tcnica de PDI aplicada para a anlise de imagens visando a
deteco de tumores cutneos, pois os sistemas computacionais de anlise de imagens
dermatoscpicas so geralmente importados e, portanto, protegidos de direitos de
propriedade, no permitindo o aprofundamento do conhecimento dos cdigos envolvidos.
Este fato faz com que os custos de aquisio de tais sistemas tornem-se inviveis grande
maioria de servios de dermatologia, principalmente aqueles que atendem aos pacientes
oriundos do Sistema nico de Sade (S.U.S.). Alm disso, os cdigos atualmente existentes
so atrelados aos tipos de equipamentos, cuja operacionalidade varia conforme o fabricante.
Devido ao grau de complexidade dos algoritmos, sua compreenso exige a atuao de
profissionais com grande conhecimento de rotinas e sistemas computacionais sofisticadas.
A possibilidade de realizao de pesquisas que busquem desenvolver softwares
capazes de interpretar com fidelidade os parmetros geomtricos e morfolgicos
relacionados aos diagnsticos de leses da pele atravs de imagens digitais, podem contribuir
para a melhoria da qualidade dos exames dermatoscpicos e democratizar o acesso aos
servios especializados com a otimizao das rotinas dos procedimentos mdicose
cirrgicos, envolvidos no exame e conduta teraputica adequada para a especificidade da
leso.





ABSTRACT




This study has the purpose to evaluate the techniques of processing image
applied to dermatology, and it hoping to provide early detection of malignant
melanoma. Will also be analyzed specific computational algorithms applied to images
dermoscopic atypical nevi and spots, identifying the possible development of skin
cancer. It is intended to develop a technique of PDI applied to image analysis looking to
detecting skin tumors, because the systems computational analysis of dermoscopic
images are usually imported and, therefore, protected property rights by not allowing a
deeper understanding of the codes involved. This fact makes the cost of acquisition of
this systems become unworkable for the vast majority of dermatology services,
especially those that whose treats patients from Sistema Unico de Saude SUS
(Brazilian Public Health System). Besides, the codes are linked to the currently existing
types of equipment whose operation diversifies depending on the manufacturer.
Because the complexity of the algorithms, operate them requires professionals with
extensive knowledge of routines and sophisticated computer systems. The possibility of
conducting research to develop software capable of interpreting geometrical and
morphological parameters related to diagnoses of skin lesions using digital images can
contribute to improving the quality of dermoscopic examinations and democratize
access to specialized services optimization routines of doctors and surgical procedures
involved in the examination and appropriate treatment for the specific injury.

LISTA DE SMBOLOS E GRANDEZAS

( )


D Distncia
D
4
- Distncia City-Block
D
8
- Distncia Chessboard
D
E
- Distncia Euclidiana
L - Luminncia
L
max
Nvel de cinza mximo
L
min
Nvel de cinza mnimo
R Mscara

LISTA DE ILUSTRAES

Figura 1 - Passo a passo do processo de carcinognese. ............................................................. 22
Figura 2 - - Mutao e Formao do Cncer. ............................................................................. 22
Figura 3 - Evoluo do Cncer.. ................................................................................................. 27
Figura 4 - Camada da pele. ......................................................................................................... 31
Figura 5 - ABCD do Melanoma .................................................................................................. 33
Figura 6 - Apresentaes do CBC............................................................................................... 35
Figura 7 - Apresentaes de CEC. .............................................................................................. 36
Figura 8 - Distribuio de regional de cncer em homens. ......................................................... 39
Figura 9 - Distribuio de regional de cncer em mulheres........................................................ 39
Figura 10 - Interdependncia entre os termos do sistema de viso computacional. ................... 42
Figura 11 - Componentes de um sistema PDI. ............................................................................ 43
Figura 12 - Representao do Sistema Visual Humano. ............................................................. 45
Figura 13 - Representao grfica do olho focalizando uma imagem. ....................................... 46
Figura 14 - Etapas de um sistema de PDI . ................................................................................. 47
Figura 15 - Ilustrao de Kanizsa. ........................................................................................... 48
Figura 16 - Espectro eletromagntico. ........................................................................................ 49
Figura 17 Representao de uma imagem. .............................................................................. 51
Figura 18 - Representao do espectro de radiao visvel. ...................................................... 52
Figura 19 - Espetro de cores criado pela passagem de luz branca atravs do prisma. ............. 53
Figura 20 - Representao do espectro eletromagntico............................................................. 53
Figura 21 - Exemplos de modelos de cores. (a) aditivo; (b) subtrativo. ..................................... 54
Figura 22- Modelo RGB. ............................................................................................................ 55
Figura 23 - Modelo RGB. ........................................................................................................... 55
Figura 24 - Modelo CYM. .......................................................................................................... 56
Figura 25 - Modelo HSI. ............................................................................................................. 57
Figura 266 - Representao de uma imagem digital. Matriz M xN. ........................................... 58

Figura 27 - Mapa de cores de uma imagem colorida. ................................................................. 59
Figura 28 - Reduo da resoluo espacial em imagem. Fonte: ................................................ 60
Figura 29 - Nveis de cinza de uma imagem. .............................................................................. 61
Figura 30 - Tipos de vizinhanas. ............................................................................................... 63
Figura 31 - Caminho-4 e Caminho-8. ......................................................................................... 64
Figura 32 - Matriz Euclidiana menor ou igual a 3. ..................................................................... 65
Figura 33 - Conjunto de pontos com D4 menor ou igual a 3. ..................................................... 65
Figura 34 - Histograma em tons de cinza. ................................................................................. 66
Figura 35 - Equalizao de histograma de uma imagem. ........................................................... 67
Figura 36 - Algoritmo de equalizao de histogramas em MATLAB. ....................................... 67
Figura 37 - Mscara de deteco de pontos. ............................................................................... 69
Figura 38 - Mscara de deteco de retas. .................................................................................. 69
Figura 39 - Transio entre regies de uma imagem. ................................................................. 70
Figura 40 - - Primeira e segunda derivada para deteco de bordas. .......................................... 70
Figura 41 - Gradiente de uma borda. .......................................................................................... 71
Figura 42 - (a) juno L; (b) juno T; (c) juno X; (d) juno Y. .......................................... 72
Figura 43 - Eixos de simetria. ..................................................................................................... 74
Figura 44 - Diviso da leso em 8 segmentos. ............................................................................ 74
Figura 45 - Cores presentes no melanoma. ................................................................................. 75
Figura 46 - Imagem escolhido para anlise ................................................................................ 76
Figura 47 - Filtro Gaussiano ....................................................................................................... 77
Figura 48 - Multiplicao dos pixel's. ......................................................................................... 77
Figura 49 Obteno do ROI ..................................................................................................... 78
Figura 50 - Produto da imagem original pela binria. ................................................................ 78
Figura 51 - Obteno de dados - Command line........................................................................ 81
Figura 52 - Obteno dos dados (Interface IDLE do Python) ................................................ 81
Figura 53 Imagem antes da anlise. ......................................................................................... 82

Figura 54 - Imagem aps a anlise (ROI) ................................................................................... 82
Figura 55 - Leses de MM. ......................................................................................................... 83
Figura 56 - Leses de Nevos. ...................................................................................................... 84


LISTA DE TABELAS

Tabela 1 - Classificao dos Tumores ........................................................................................ 26
Tabela 2 - Fototipos de pele. ....................................................................................................... 32
Tabela 3 - Fatores de risco .......................................................................................................... 32
Tabela 4 - Estimava de cncer entre homem e mulher em 2012/2013. ...................................... 38
Tabela 5 - monocromtica que possui de diferentes dimenses. ................................................ 60
Tabela 6 - Valores de Bayes e Tree ............................................................................................ 85

LISTA DE ABREVIATURAS E SIGLAS


ABCD - Assimetria Bordas Colorao e Dimetro
CBC Carcinoma Basocelular
CEC Carcinoma Espinocelular
CYM Cyan, Magenta, Yellow.
DB - Doena de Bowen
DNA cido Desoxirribonucleico
HSI - Hue, Saturation, Intensity
IA Inteligncia Artificial
INCA Instituto Nacional de Cncer
MS - Melanoma expansivo superficial
MLA - Melanoma lentiginoso acral
MLM - Melanoma lentigo maligno
MM Melanoma Maligno
MN Melanoma Nodular
PDI Processamento Digital de Imagens
RGB - Red , Green, Blue
RNA - cido Ribonucleico
RUV Radiao Ultravioleta
TNM - Classificao de Tumores Malignos
UICC - Unio Internacional Contra o Cncer
UV Ultravioleta

SUMRIO

INTRODUO .......................................................................................................................... 17
CAPTULO I .............................................................................................................................. 20
Introduo patologia cancergena com foco a tumores cutneos. ............................................ 20
1.1 Conceitos Bsicos ............................................................................................................. 20
1.2 Progresso e desenvolvimento .......................................................................................... 21
1.3 Etimologia ......................................................................................................................... 22
1.4 Nomenclatura .................................................................................................................... 23
1.4.1 Tumor benigno ............................................................................................................... 23
1.4.2 Tumor maligno ............................................................................................................... 24
1.4.3 Uso de epnimos ........................................................................................................... 24
1.4.4 Outros nomes utilizados ................................................................................................ 25
1.5 Processo de evoluo dos tumores ................................................................................. 26
1.6 Sinais e sintomas ............................................................................................................... 27
1.7 Causas ............................................................................................................................... 28
1.7.1 Fatores de Risco de Natureza Ambiental ....................................................................... 29
1.8 Cncer de Pele .................................................................................................................. 30
1.8.1 Tumores de pele do tipo melanoma .............................................................................. 31
1.8.1.1 Caractersticas Clnicas do Melanoma ........................................................................ 33
1.8.1.2 Apresentao Clnica patolgica do Melanoma ......................................................... 34
1.9 Tumores de pele do tipo no melanoma .......................................................................... 35
1.9.1 Carcinoma Basocelular ................................................................................................... 35
1.9.2 Carcinoma Espinocelular ................................................................................................ 36
1.10 Tipos de tratamento de cncer de pele .......................................................................... 37
1.10.1 Exciso Cirrgica .......................................................................................................... 37
1.10.2 Radioterapia ................................................................................................................. 37
1.10.3 Quimioterapia ............................................................................................................. 37

1.11 Estimativas e Incidncia de Cncer no Brasil ................................................................ 38
CAPTULO II ............................................................................................................................. 41
Processamento e Anlise de Imagens ......................................................................................... 41
2. Introduo e Conceitos Fundamentais ................................................................................ 41
2.1 Componentes de um Sistema de Viso ............................................................................. 43
2.2 Sistema Visual Humano .................................................................................................... 44
2.2.1 Formao de imagem no olho ........................................................................................ 46
2.3 Etapas de um Sistema de Processamento de Imagens ...................................................... 46
2.4 Radiaes eletromagnticas ............................................................................................. 49
2.5 Fundamentos da Imagem Digital ...................................................................................... 50
2.6 Fundamentos de Cor ......................................................................................................... 52
2.7 Modelos de Cores ............................................................................................................. 54
2.7.1 Modelo RGB ................................................................................................................... 54
2.7.2 Modelo CMY ................................................................................................................. 56
2.7.3 Modelo HSI ..................................................................................................................... 56
2.8 Representao de uma Imagem Digital ............................................................................ 57
2.8.1 Imagem Multibanda ou Multiespectral ......................................................................... 58
2.8.2 Resoluo Espacial e Profundidade da Imagem ............................................................ 59
2.8.3 Amostragem e quantificao ......................................................................................... 61
2.8.4 Elementos de uma imagem ............................................................................................ 63
2.8.4.1 Caminho ...................................................................................................................... 63
2.8.4.2 Distncia ..................................................................................................................... 64
2.9 Histograma ........................................................................................................................ 66
2.9.1 Equalizao de Histograma ............................................................................................ 66
2.10 Segmentao ................................................................................................................... 68
2.10.1 Deteco de descontinuidade ....................................................................................... 68
2.10.2 Deteco de Pontos e Retas ......................................................................................... 69

2.10.3 Deteco de Bordas ..................................................................................................... 69
2.10.3.1 Operadores Diferenciais ............................................................................................ 71
2.10.4 Deteco de Junes e Cantos ..................................................................................... 71
2.11 Morfologia matemtica .................................................................................................. 72
CAPTULO III ............................................................................................................................ 73
Materiais e Mtodos .................................................................................................................... 73
3.1 Regra do ABCD .................................................................................................................. 73
3.2 Assimetria ......................................................................................................................... 74
3.3 Borda ................................................................................................................................. 74
3.4 Colorao e Dimetro ....................................................................................................... 75
3.5 Matrias e Mtodos ........................................................................................................... 75
3.6 Pr Processamento ........................................................................................................ 76
3.7 Extrao de Caractersticas ............................................................................................... 78
3.7.1 Entropia ......................................................................................................................... 79
3.7.2 Energia .......................................................................................................................... 79
3.7.3 Varincia ........................................................................................................................ 79
3.7.4 Homogeneidade ............................................................................................................ 79
3.8 Matriz de Co Ocorrncia .............................................................................................. 80
3.9 Anlise ............................................................................................................................... 80
CAPTULO IV............................................................................................................................ 83
Resultados ................................................................................................................................... 83
4.1 Avaliao dos Resultados .................................................................................................. 83
CONCLUSO ............................................................................................................................ 86
APNDICES .............................................................................................................................. 87
APNDICE A - Python............................................................................................................. 87
APNDICE B - Algoritmo de anlise ....................................................................................... 88
REFERNCIAS BIBLIOGRFICAS ............................................................................................... 99

17

INTRODUO

Atualmente o cncer uma das maiores causas de morte do mundo e
considerado como uma doena genmica, surgindo como consequncia de alteraes do
material gentico (DNA). A incidncia do melanoma cutneo vm aumentando
mundialmente e, por tratar-se de uma neoplasia bastante agressiva e de difcil
tratamento em estgios mais avanados, o diagnstico precoce o principal
procedimento para a cura do paciente. Graas ao avano acelerado da tecnologia e seus
respectivos empregos nas mais diversas reas do conhecimento, a utilizao de mtodos
e tcnicas de engenharia em aplicaes mdicas, proporcionam um melhor
entendimento dos sistemas biolgicos e de suas funcionalidades, e um diagnstico
patolgico mais preciso.
As tcnicas de processamento de imagens certamente uma rea em
crescimento que de tal forma merece total ateno nos dias atuais, processo que permite
o diagnstico de determinadas neoplasia, por exemplo, melanoma. Segundo Marques
Filho (1999) e Vieira Neto (1999) as primeiras aplicaes que utilizaram o conceito de
processamento de imagens iniciaram no comeo da dcada de 20, onde se buscavam
formas de aprimorar a qualidade de impresses de imagens digitalizadas transmitidas
atravs do sistema BARTLANE (Sistema de aprimoramento da qualidade de impresses
digitais) que transmitia imagens via cabo submarino entre Londres e Nova Iorque.
Mas o grande impulso que alavancou a rea de processamento de imagens veio
somente aps trs dcadas em 1950, devido ao eminente advento dos computadores
digitais de grande porte, tcnica proveniente dos estudos dos sinais, afinal as imagens
so como sinais, que na realidade representam um suporte fsico que carrega no seu
interior uma determinada informao.


O uso de tcnicas computacionais de aprimoramento de imagens teve incio
no Jet Propulsion Laboratory (Pasadena, California - EUA) em 1964,
quando imagens da lua transmitidas por uma sonda Ranger2 eram
processadas por computador para corrigir vrios tipos de distoro
inerentes cmera de TV acoplada sonda. Estas tcnicas serviram de base
para mtodos aprimorados de realce e restaurao de imagens de outros
programas espaciais posteriores, como as expedies tripuladas da srie
Apollo, por exemplo. (MARQUES FILHO; VIEIRA NETO, 1999, p.23).
18

Essa informao pode estar associada respectivamente a uma medida, ou a um
nvel cognitivo. Sendo, assim possvel transformar a imagem de forma sucessiva a fim
de extrair com mais facilidade as informaes nela contida. Prtica que hoje permeia
quase todos os ramos da cincia, inclusive na medicina, como por exemplo, a
interpretao de imagens radiolgicas e tomogrficas. reas distintas tambm se
beneficiam de seus mtodos, como astronomia, agricultura entre outras.
A Dermatoscopia uma tcnica utilizada para o melhoramento dos diagnsticos
de cncer de pele, proporcionando a no inciso cirrgica de leses e pintas benignas na
pele, consequentemente evitando prticas cirrgicas desnecessrias. Caracteriza-se por
ser um mtodo no invasivo que auxilia na avaliao de leses da pele, permitindo a
observao de estruturas da pele (epiderme e da derme papilar) no observadas a olho
nu. Tcnica que utiliza imagens magnificadas (at 400x) para a anlise morfolgica das
leses, no qual um feixe luminoso emitido por uma lmpada algena, que incide em
ngulo de 20 na superfcie cutnea, entre a superfcie e a lmpada aplicado um fluido
a fim de eliminar a reflexo da luz, permitindo a observao de caractersticas
dermatoscpicas resultantes da melanina e hemoglobina nos diferentes nveis da
epiderme e derme.
Entretanto a Dermatoscopia apresenta um grande problema: sua utilizao
depende do nvel de conhecimento tecnolgico do dermatologista. Sistemas de
hardware, de software de processamento de imagens tm como finalidade, reduzir os
possveis erros, tais como, a execuo de algoritmos computacionais de pr-
processamento e segmento, objetivando a extrao de rudos e determinao de certas
partes das imagens, por exemplo, as bordas, cujas delimitaes so importantes para
determinados mtodos de anlise. A Dermatoscopia Digital auxilia no diagnstico
clnico, porm no substitui o exame histopatolgico, que continua sendo o padro para
diagnstico como de leses melanocticas.
O melanoma maligno apresenta caractersticas prprias no que diz
respeito colorao e formao. E atravs de comparaes destas informaes e com o
auxilio da regra do ABCD, que foi introduzida por Wilhelm Stolz em 1994, devido
dificuldade do diagnstico precoce do melanoma, e sua confuso comum com nevos e
manchas benignas (na fase inicial e atualmente o padro utilizado em anlises
dermatoscpicas na classificao das leses pigmentadas. Os critrios da Regra ABCD
19

so descritos da seguinte forma: Assimetria (A): a leso dividida em dois eixos
perpendiculares (horizontal e vertical), e analisa-se a simetria em cada um destes; bordas
irregulares (B): a leso dividido em 8 partes, e analisado a diferena gradual entre o
interior da fronteira e da pele adjacente (externo); colorao uniforme (C): a presena de
mais de 3 nveis de cores j so um grande fator de malignidade, sendo testados at 6 cores,
dimetro superior a 6 mm (D), parmetros que auxiliaram ao desenvolvimento e
implementao de algoritmos e novas tcnicas capazes de processar imagens de lees
com padres caractersticos dos MM das imagens obtidas e j diagnosticadas. Os
parmetros da regra do ABCD podem ser observados atravs do dermatoscpio, exigindo
certo grau de experincia e conhecimento do seu operador, fator diferencial na tarefa de
classificao dos tumores da pele com base em sinais visuais (imagens). Visando auxiliar
este possvel problema inerente dermatoscopia, quer seja, o nvel de subjetividade imposto
pelo dermatologista e avaliador clnico, a utilizao de mtodos de Processamento Digital
de Imagens (PDI), aliados a dermatoscopia digital, propicia a anlise computacional das
imagens da leso de pele adquiridas, classificando-as e produzindo resultados com base em
suas informaes de cor e forma e aspectos geomtricos, morfolgicos associados. Assim,
mtodos de PDI podem ser usados para minimizar os erros, atravs de sistemas de software
e hardware, onde algoritmos computacionais de processamento prvio e segmentao sero
um dos principais componentes que constituir a base desta pesquisa, alm da utilizao e
analise de algoritmos computacionais e desenvolvendo rotinas computacionais para este
fim.
Este trabalho est divido em quatro captulos. O primeiro captulo tem como
finalidade de enfatizar informaes relacionadas ao cncer de maneira geral, mas com
enfse principalmente no de pele, desde conceito, etimologia, classificao, diagnstico,
causas, progresso e tratamento. O segundo captulo aborda o processamento e anlise de
imagens digitais, descrevendo etapas utilizadas no processo e analise dos algoritmos e seus
conceitos. O terceiro captulo voltado para materias e mtodos, ou seja, o emprego e
anlise de tcnicas de pr-processamento, destacando os parmetros desenvolvidos com
base na Regra do ABCD, alm de analisar os mtodos de inteligncia artificial para obter os
resultados esperados. O quarto e ltimo capitulo discute os resultados obtidos aps a anlise
e os pontos positivos dos mtodos de anlise.


20

CAPTULO I


Introduo patologia cancergena com foco a tumores cutneos.

1.1 Conceitos Bsicos

Cncer o nome dado a um conjunto de mais de 100 doenas que tm em comum o
crescimento desordenado (maligno) de clulas que invadem os tecidos e rgos, podendo espalhar-
se (metstase) para outras regies do corpo. Dividindo-se rapidamente, estas clulas tendem a ser
muito agressivas e incontrolveis, determinando a formao de tumores (acmulo de clulas
cancerosas) ou neoplasias malignas. Por outro lado, um tumor benigno significa simplesmente uma
massa localizada de clulas que se multiplicam vagarosamente e se assemelham ao seu tecido
original, raramente constituindo um risco de vida. Dentre vrios os tipos o de pele o tipo mais
frequente na populao brasileira, compreendendo a 25% de todos os diagnsticos canceriginos
(INCA, 2013).
O corpo humano formado por diversos tipos de clulas e cada uma delas contm
caracteristicas que variam conforme a funo que executam. Entretanto, todas as clulas do corpo
humano so formadas por trs partes bsicas: a membrana plasmtica a parte externa da clula, o
citoplasma e o ncleo. A membrana plasmtica a parte externa da clula, o citoplasma o corpo
celular constitudo por diversas estruturas como, por exemplo, o citoesqueleto e os ribossomos, e o
ncleo o centro de controle da clula formado principalmente por cromossomos que, por sua vez
so formados por genes (LINHARES; GEWANDSZNAJDER, 1998).
Os genes so uma espcie de arquivo que guardam as informaes necessrias para
reproduzir toda a estrutura do corpo em um material qumico, conhecido como cido
Desoxirribonuclico (DNA). Alm disso, o crescimento, a multiplicaao e a diferenciao de todas
as clulas do organismo so determinados por comandos genticos. Uma clula normal est sujeita a
alteraes no DNA dos genes devido a fatores externos, como substncias qumicas, radiaes e
infeces virais. Essas alteraes, tambm chamadas de mutaes genticas, podem causar
mudanas significativas no comportamento celular. Quando ocorre uma mutao que altera os
comandos de diviso, diferenciao e morte celular, possibilitando sua multiplicao descontrolada,
origina-se o tumor (HERZBERG; FERRARI, 2003).
21

O tumor maligno, frequentemente chamado de cncer ou neoplasia, um conjunto de
clulas praticamente idnticas, formadas por sucessivas divises celulares. Como o sistema
imunolgico no consegue destruir as clulas anormais, o tumor evolui e invade estruturas
prximas. s vezes, as clulas cancergenas adquirem a capacidade de se disseminar para outras
regies do corpo, atravs do sangue ou da linfa, processo chamado de metstase. Tambm existem
os tumores benignos que so aglomerados de clulas que crescem devagar e permanecem separados
do tecido que o rodeia, podendo ser removidos cirurgicamente (INCA , 2013).
Um dos maiores obstculos ao tratamento do cncer a formao de metstases, pois a
partir do momento que as clulas cancergenas invadem vrias regies do corpo, o tratamento se
torna mais difcil e traumtico, muitas vezes no existindo chances de cura. Por isso, a preveno e a
deteco precoce do cncer so de fundamental importncia para o seu tratamento. E, uma das
melhores formas de preveno conhecer as possiveis causas da doena.


1.2 Progresso e desenvolvimento


Todas as clulas esto sujeitas a sofrerem mutaes de suas estruturas genticas por diversos
fatores internos e externos. Basicamente as clulas animais constituida por 3 camadas (membrana
celular, citoplasma e ncleo, local onde de encontra os cromossomos). Estes so constituidos por
genes, unidade possuidora da hereditariedade e instrues genticas do qual possui todas as
informaes necessrias sobre o desenvolvimento de todos os seres vivos. Estas informaes esto
contidas dentro dos genes, atravs de composto orgnico chamada de Acido Desoxirribonuclicos
(pt: ADN/en: DNA), local onde esta sujeito as possiveis alteraes genticas.
Segundo o Institudo Nacional do Cncer (INCA), todo processo de formao do cncer
chamada de carcinognese. Seu desenvolvimento constituido em etapas, todas auxiliadas por
agentes cancergenos, responsveis pelas primeiras modificaes celulares, at a evoluo destas em
tumores.
Estgio inicial: primeiro contato dos genes com os agentes cancergenos, apresentando as
primeiras modificaes nas clulas;
Estgio de promoo: estas clulas modificadas atravs de longos e efetivos contatos com
agentes cancergenos, lentamente vo sofrendo alteraes e se transformando em clulas
malignas, a partir do momento que ela convertida, a clula comea a formar novos vasos
22

sanguneos, a fim de manter e nutrir suas atividades de crescimento e multiplicao.
Estgio de progresso: neste estgio as clulas cancergenas comeam a se multiplicar
freneticamente, invadindo tecidos vizinhos e passando suas mutaes, gerando assim novas
clulas malignas.
Geralmente as clulas de um cncer qualquer, independente de sua origem; possuem a
capacidade de metstase, que quando as clulas cancergenas atingem os vasos linfaticos e
comeam a se distribuirem pelo corpo, formando assim novas colonias (cncer) ao longo do corpo.
A Figura 1 ilustra o processo de carcinogse e a Figura 2 mostra as mutaos
que as sofrem at a formao do cncer mostram tanto as etapas de mutao das clulas
e a formao do cncer, assim os estgios do processo de carcinognese:













1.3 Etimologia

A palavra cncer vem do grego karknos, quer dizer caranguejo, e foi utilizada
pela primeira vez por Hipcrates, o pai da medicina, que viveu entre 460 e 377 a.C.
(INCA, 2010).
Figura 1 - Passo a passo do processo de carcinognese.
Fonte: Livro do ABC Cncer, 2010.
Figura 2 - - Mutao e Formao do Cncer.
Fonte: Livro do ABC do Cncer, 2010.
23

Ao relacionarmos a palavra cncer com a medicina, definimos como conjunto de
mais de 100 doenas que tm em comum o crescimento desordenado de clulas de
tecidos e rgos, podendo espalhar-se para outras regies do corpo ( INCA, 2013).
Usualmente o cncer no pode ser considerado inicialmente como um tumor
benigno que pode ser removido rapidamente, necessrio a realizao de exames para
que se possa saber a natureza desse tumor e sua respectiva classificao: benigno ou
maligno.
O termo tumor maligno significa o acmulo de clulas cancergenas em um
devido local no organismo. No caso do melanoma maligno, se tem como origem dos
melanocticos, em geral do sitio primrio cutneo.
Pesquisas mostram que o cncer uns dos principais problemas de sade
pblica, sendo responsvel por mais de seis milhes de bitos a cada ano,
correspondendo cerca 12% de todas as causas de morte do mundo.
Segundo o INCA, a maioria dos casos de cncer (80%) est relacionada ao meio
ambiente, no qual encontramos um grande nmero de fatores de risco, como cigarros,
bebidas alcolicas ou exposio radiao. No exemplo de cncer de pele, a radiao
ultravioleta (RUV) proveniente do Sol o grande fator de risco.


1.4 Nomenclatura


A designao dos tumores baseia-se na sua histognese e histopatolgica. Sua
nomenclatura depende do tecido que lhes deu origem.

1.4.1 Tumor benigno


O tumor benigno pode apresentar mais de uma linhagem celular e, neste caso,
recebe de regra o nome dos tecidos que o compe acrescido do sufixo oma. (INCA)
Exemplos:
Tumor benigno do tecido cartilaginoso condroma.
Tumor benigno do tecido gorduroso lipoma.
24

Tumor benigno do tecido glandular adenoma.

1.4.2 Tumor maligno


Quanto aos tumores malignos, necessrio considerar a origem embrionria dos
tecidos de que deriva o tumor, para se puder, aplicar as regras de nomenclatura.
Os tumores malignos dos quais se originam dos epitlios de revestimento externo e
interno so denominados carcinomas. Quando o epitlio de origem for glandular,
passam a ser chamados adenocarcinomas (INCA 2013).
Exemplos:
Carcinoma basocelular da face.
Adenocarcinomas de ovrio.
O nome dos tumores malignos originrios dos tecidos conjuntivos
(mesenquimais) formado pelo nome do tecido mais a determinao sarcoma.
Exemplos:
Tumor maligno do tecido cartilaginoso condrossarcoma.
Tumor maligno do tecido gorduroso lipossarcoma.
Tumor maligno do tecido muscular liso leiomiossarcoma.
Tumor maligno do tecido muscular estriado rabdomiossarcoma.

1.4.3 Uso de epnimos


H tumores cuja nomenclatura utiliza o nome dos cientistas que os descreveram
pela primeira vez, ou porque sua origem demorou a ser esclarecida ou porque os nomes
ficaram consagrados pelo uso. So exemplos: o linfoma de Burkitt, o sarcoma de
Ewing, o sarcoma de Kaposi, o tumor de Wilms (nefroblastoma), o tumor de
Krukemberg (adenocarcinomas mucinoso metasttico para ovrio).(INCA,2013)



25

1.4.4 Outros nomes utilizados


A nomenclatura de alguns tumores foge a qualquer critrio histogentico ou
morfolgico, como so os exemplos da doena de Hodgkin e da mola hidatiforme. A
denominao micose fungide, embora no sugira sequer neoplasia, refere-se a um
linfoma maligno de pele. Quando o tumor apresenta linhagem epitelial e mesenquimal,
ambas malignas recebem o nome de carcinossarcoma. O carcinoma dito
adenoescamoso quando possui componentes epiteliais e glandulares malignos. Ser um
adenoacantoma quando somente a linhagem glndular for maligna, mas apresentar reas
de metaplasia escamosa. Tumores como o melanoma e os linfomas podem receber o
adjetivo maligno, apesar de no possurem a variante benigna. Isto ocorre devido
confuso que sua terminao-oma faz com a nomenclatura de tumor benigno. A tabela 1
apresenta um resumo de classificao das neoplasias de acordo com as regras e
excees apresentadas, alm de suas respectivas origens. Diante da variedade de
classificaes usadas de modo no sistematizado, em todo o mundo, evidente que se
tornou difcil fazer estudos comparativos entre diferentes regies do globo. Na tentativa
de minimizar essas dificuldades e permitir um melhor entendimento entre os
especialistas, fazendo, consequentemente, com que seus dados possam ser comparados,
a Organizao Mundial da Sade (OMS) vem tentando uniformizar a nomenclatura
mundial, tendo lanado, em vrios idiomas, edies do CID-O (Cdigo Internacional de
Doenas - Oncologia), nas quais se permite utilizar toda a sinonmia de topografia e
nomenclatura dentro de cdigos numricos. Essa nomenclatura vem sendo usada por
grande nmero de especialistas em todo o mundo e adotado apelo Registro Nacional
de Patologia Tumoral do Ministrio da Sade (RNPT), que cadastra um numeroso
grupo de laboratrios de Anatomia Patolgica de todo o Brasil (INCA,2010).







26

Tabela 1 - Classificao dos Tumores
ORIGEM BENIGNOS MALIGNOS
Tecido Epitelial
Revestimento Papiloma Carcinoma
Glandular Adenoma Adenocarcinoma
Tecido Conjuntivo
Fibroso Fibroma Fibrossarcoma
Mixide Mixoma Mixossarcoma
Adiposo Lipoma Lipossarcoma
Cartilagem Condroma Condrossarcoma
Vasos sanguneos Hemangioma Hemangiossarcoma
Glmus Giomangioma -
Pericitos Hemangiopericitoma Hemangiopericitoma Maligno
Vasos linfticos Lingangioma Linfangiossarcoma
Mesotlio - Mesotelioma maligno
Meringe Meringioma Meringioma maligno
Tecido Hemolinfopotico
Mielide - Leucemia (vrios tipos)
Linfide - Leucemia Linfocitica
- - Linfoma
- - Plasmocitoma
- - Doena de Hodgkin
Clulas de Langerhans - Histiocitose X
Tecido Muscular
Lipo Leiomioma Leiomiossarcoma
Estriado Rabdomioma Rabdomiossarcoma
Tecido Nervoso
Neuroblasto e/ou Ganglioneuroma Ganglioneuroblastoma
Neurnio - Neuroblastoma
Fonte: Fisiopatologia do cncer, cap. 2, (INCA, 2010)

1.5 Processo de evoluo dos tumores


Atravs do conhecimento da evoluo o tumor ou do seu crescimento possvel
identifica-los quando a leso est na fase pr neoplsica, ou seja, no se desenvolveu.
A evoluo do tumor maligno depende de alguns fatores:
da velocidade do crescimento tumoral.
do rgo onde o tumor est localizado.
de fatores constitucionais de cada pessoa.
Juntamente a esses fatores, os tumores podem ser detectados em diferentes fases:
Fase pr-neoplsica (antes de a doena se desenvolver).
27

Fase pr-clnica ou microscpica (quando ainda no h sintomas).
Fase clnica (apresentao de sintomas).
A figura 3 descreve as fases de deteco de forma simplificada:












Independente da fase que o cncer pele detectado, h necessidade de classificar
cada caso de acordo com a extenso do tumor. O mtodo utilizado para realizar essa
classificao denominado estadiamento, podendo ser clinico ou patolgico. Na
medicina estadiar uma neoplasia maligna significa avaliar o grau de disseminao do
tumor.
Segundo o INCA, o sistema de estadiamento mais utilizado o padronizado pela
Unio Internacional Contra o Cncer (UICC), denominado Sistema TNM de
Classificao dos Tumores Malignos, esse sistema no reflete em apenas na taxa de
crescimento e a extenso da doena, mas tambm ao tipo de tumor e sua relao com o
hospedeiro (paciente).


1.6 Sinais e sintomas

Basicamente, os sinais e sintomas do cncer podem ser divididos em trs grupos:
Figura 3 - Evoluo do Cncer.
Fonte: Livro ABC do Cncer, 2010.
28

Locais:
Caroos ou inchaos no usuais (tumor);
Hemorragia (sangramento);
Dor e/ou ulcerao
A compresso dos tecidos circundantes no fgado pode causar sintomas como
ictercia.
Metstase:
Linfonodos aumentados;
Tosse e hemoptise;
Hepatomegalia (fgado aumentado);
Dor ssea;
Fratura de ossos afetados e sintomas neurolgicos;
Embora o cncer avanado possa causar dor, ela geralmente no o primeiro
sintoma.
Sistmicos:

Perda de peso (perda da massa muscular);
Falta de apetite e caquexia (cansao);
Transpirao excessiva (suor noturno);
Anemia e, em cerca de 10% dos doentes;
fenmenos paraneoplsicos especficos, ou seja, condies especficas que
ocorrem devido a um cncer ativo, como trombose ou mudanas hormonais.
Cada sintoma na lista acima pode ser causado por diversas condies. O cncer
tanto pode ser uma causa comum ou rara para cada item.



1.7 Causas


As causas de cncer so variadas, podendo ser externas ou internas ao
organismo, estando ambas inter-relacionadas. As causas externas relacionam-se ao
meio ambiente e aos hbitos ou costumes prprios de um ambiente social e cultural.
As causas internas so, na maioria das vezes, geneticamente pr-determinadas, esto
29

ligadas capacidade do organismo de se defender das agresses externas. Esses
fatores causais podem interagir de vrias formas, aumentando a probabilidade de
transformaes malignas nas clulas normais.
De todos os casos, 80% a 90% dos cnceres esto associados a fatores
ambientais. Alguns deles so bem conhecidos: o cigarro pode causar cncer de
pulmo, a exposio excessiva ao sol pode causar cncer de pele, e alguns vrus
podem causar leucemia. Outros esto em estudo, tais como alguns componentes dos
alimentos que ingerimos, e muitos so ainda completamente desconhecidos. O
envelhecimento traz mudanas nas clulas que aumentam a sua suscetibilidade
transformao maligna. Isso, somado ao fato de as clulas das pessoas idosas terem
sido expostas por mais tempo aos diferentes fatores de risco para cncer, explica em
parte o porqu de o cncer ser mais frequente nesses indivduos. Os fatores de risco
ambientais de cncer so denominados cancergenos ou carcingenos. Esses fatores
atuam alterando a estrutura gentica (DNA) das clulas.
O surgimento do cncer depende da intensidade e durao da exposio das
clulas aos agentes causadores de cncer. Por exemplo, o risco de uma pessoa
desenvolver cncer de pulmo diretamente proporcional ao nmero de cigarros
fumados por dia e ao nmero de anos que ela vem fumando.

1.7.1 Fatores de Risco de Natureza Ambiental

Os fatores de risco de cncer podem ser encontrados no meio ambiente ou
podem ser herdados. A maioria dos casos de cncer (80%) est relacionada ao meio
ambiente, no qual encontramos um grande nmero de fatores de risco. Entende-se por
ambiente o meio em geral (gua, terra e ar), o ambiente ocupacional (indstrias
qumicas e afins) o ambiente de consumo (alimentos, medicamentos) o ambiente social
e cultural (estilo e hbitos de vida).
As mudanas provocadas no meio ambiente pelo prprio homem, os 'hbitos' e o
'estilo de vida' adotados pelas pessoas, podem determinar diferentes tipos de cncer.

Tabagismo
Hbitos Alimentares
30

Alcoolismo
Hbitos Sexuais
Medicamentos
Fatores Ocupacionais
Radiao solar

1.8 Cncer de Pele

O cncer de pele o tipo de cncer mais incidente em ambos os sexos no Brasil.
Entretanto, as leses so de fcil diagnstico clinico e podem atingir ndices de curas
superiores a 95%, desde que diagnosticados nos estgios iniciais e tratados
corretamente.
Embora a incidncia de melanoma represente cerca de 4% dos tumores de pele
(INCA, 2013), um cancro considerado de maior importncia, pois corresponde a 79%
das mortes por cncer de pele. Devido a essas circunstncias o cncer tem sido alvo de
inmeras pesquisas, das quais foram possveis obter a relao do cncer com a
hereditariedade.
Entre os fatores de risco propcios para o desenvolvimento desse cancro a
exposio prolongada ao sol. O melanoma maligno (MM) que atinge principalmente
pessoas de pele e olhos claros, devido formao da estrutura da pele, que apresenta
maior facilidade para queimaduras provocadas da radiao ultravioleta (RUV). A
maioria das leses inicia em regies mais expostas, como cabea, pernas e pescoo.
As manchas so os primeiros sinais de alerta para desenvolvimento desse tipo de
cncer, normalmente as manchas coam, ardem podendo at sangrar. Pintas existentes
que mudam de cor ou forma repentinamente, ou feridas que demoram mais de quatro
semanas para cicatrizar, tambm merecem ateno especial.
Umas das solues de preveno mais eficaz, e essencial para o no
desenvolvimento do MM, a diminuio do contato excessivo com os raios
ultravioletas (UV) e a procura especializada de um dermatologista nos primeiros
sintomas apresentados.
Toda superfcie da pele composta por sulcos e salincias, particularmente
acentuadas nas regies palmo-planares e extremidades dos dedos, onde sua disposio
absolutamente individual, e peculiar, permitindo no somente sua utilizao na
31

identificao de indivduos atravs de datiloscopia, como tambm, a diagnose de
enfermidades genticas, atravs das impresses palmo-planares, os dermatoglifos. A
superfcie cutnea apresenta, ainda de acordo com os segmentos corpreos, variaes
articulares e musculares; A cor da pele e determinada pela juno de vrios fatores,
alguns de ordens genticos, como a quantidade de pigmentao (melanina), e outros de
ordem individual, regional e mesmo sexual.
A Figura 4 ilustra de forma bem clara a camada da pele.











1.8.1 Tumores de pele do tipo melanoma

O melanoma maligno (MM) a principal doena fatal relacionada pele. As
incidncias de mortalidade por melanoma vm aumentando no mundo, sendo maior sua
incidncia em pases pouco desenvolvidos. (MARTA, 2003).
O MM o cncer da pele de pior prognstico. um tumor muito grave devido
ao seu alto potencial de produzir metstases enviando clulas tumorais para outros
rgos, onde se desenvolvem. Origina-se dos melancitos, clulas que produzem o
pigmento que d a cor da pele. Pode se originar da pele s ou de leses pigmentadas
pr-existentes, os nevos pigmentados ("sinais" escuros) e cicatrizes.
De ocorrncia mais frequente em pessoas de pele clara, fototipos I ou II, o
melanoma pode surgir em rea de pele no exposta ao sol, porm, o maior nmero de
Figura 4 - Camada da pele. Fonte: INFOESCOLA
32

leses aparece nas reas da pele que ficam expostas radiao solar. A importncia do
autoexame e de um acompanhamento mdico ao notar sinais ou pintas com certo grau
de alarme essencial.
Muitos so os fatores desencadeantes do melanoma, a Tabela 2 mostra alguns
dos principais agentes que contribuem para o desenvolvimento dessa neoplasia, j a
Tabela 3 mostra os fatores de risco do melanoma.

Tabela 2 - Fototipos de pele.
Fototipos da pele Consequncias da exposio solar
I Pele clara, olhos azuis,
sardentos.
Sempre se queimam e nunca se bronzeiam
II Pele clara, olhos azuis, verdes
ou castanhos claros, cabelos
louros ou ruivos.

Sempre se queimam e, s vezes, se bronzeiam.
III A mdia das pessoas brancas
normais
Queimam-se moderadamente, bronzeiam-se
gradual e uniformemente.
IV Pele clara ou morena clara,
cabelos castanhos escuros e
olhos escuros.

Queimam-se muito pouco, bronzeiam-se
bastante.
V Pessoas morenas Raramente se queimam, bronzeiam-se muito.
VI Negros Nunca se queimam profundamente
Fonte: DERMATOLOGIA. NET

Tabela 3 - Fatores de risco
Fatores de risco Risco Relativos
Nevos atpicos ou displsticos (com histrico familiar) 148
Nevos atpicos ou displsticos (sem histrico familiar) 7 a 70
Lentigo Maligno (melanoma in situ) 10
Nmeros de nevos melancitos benignos acima da mdia 2 a 64
Nevos Congnitos 17 a 21
Idade acima de 15 anos 88
Raa branca (especialmente cabelos ruivos) 12
Melanoma prvio 5 a 9
Melanoma cutneo em pais, filhos e irmos 2 a 8
Imunossupresso 2 a 8
Exposio excessiva ao sol (principalmente antes dos 15 anos) 3 a 5
Sensibilidade solar 2 a 3
Fonte: SALJAVOJI, 1999
33



1.8.1.1 Caractersticas Clnicas do Melanoma

Existem quatro caractersticas prprias que auxiliam na identificao do tumor,
conhecida como regra do ABCD do melanoma, que levam em conta a Assimetria das
leses, Bordas Irregulares, Colorao no uniforme em uma mesma leso e Dimetro
maior que seis milmetros (mm).
A Figura 5 apresenta uma comparao da regra do ABCD entre duas imagens de
leses de pele com manifestao benigna e tumores do tipo melanoma.






















Figura 5 - ABCD do Melanoma
Fonte: E-CANCER, INFORMAES PARA UMA
VIDA MELHOR. 2009

34

Atravs da caracterstica destinada cor possvel analisar a profundidade de
um tumor. Partes mais escura so indicadores de maior crescimento vertical, devido a
pouca reflexo da energia luminosa nas camadas mais profundas da pele, j que esta
ser mais absorvida pelas clulas do tecido.


1.8.1.2 Apresentao Clnica patolgica do Melanoma

Segundo SALVAJOLI (1999) as apresentaes clnicas do MM so baseadas em
seus aspectos patolgicos e anatmicos, e estas so divididas em:
1) Melanoma expansivo superficial (MES) o mais frequente, 70% dos casos; no
tronco e membros inferiores. Vrias coloraes, como castanho, preto, rseo,
violeta; hipopigmentao central e expanso perifrica; o matiz cinza-escuro
translcido altamente sugestivo.
2) Melanoma nodular (MN) - o segundo mais comum, 15 a 30% dos casos, nas
quinta e sexta dcadas de vida, sexo masculino, na proporo de 2:1. Apresenta-
se como leso papulosa, elevada, de cor castanha, negra ou azulada. So
frequentes a ulcerao e o sangramento; existe a variante amelantica, com
superfcie critematosa. A expresso reservada s leses primitivamente
nodulares, isto , sem fase prvia de crescimento radial.
3) Melanoma lentiginoso acral (MLA) - nas regies palmoplantares, extremidades
digitais, mucosas e semimucosas; mais frequente em no brancos (35 a 60%).
No tem predileo por sexo; stima dcada de vida. Nas extremidades digitais
pode-se apresentar como leso tumoral acastanhada subungueal, melanonquia
estriada, fragmentao longitudinal da lmina ungueal, alm de paronquia
crnica e persistente.
4) Melanoma lentigo maligno (MLM) - pouco frequente 5% dos casos; sexta e
stima dcadas de vida; surge em rea de lentigo solar que se apresenta como
mcula acastanhada ou enegrecida, de limites ntidos e irregulares, alcanando
vrios centmetros de dimetro, localizada na face (90%), em mos e membros
inferiores (10%). Nessa fase, podem ocorrer ulceraes, sangramento e
formao de crostas.

35

1.9 Tumores de pele do tipo no melanoma


Entre os tumores de pele, o tipo no melanoma o de maior incidncia e mais
baixa mortalidade. Os mais frequentes so: carcinoma basocelular (CBC), responsvel
por 70% dos diagnsticos, e o carcinoma epidermoide ou espinocelular (CEC),
representando 25% dos casos. O carcinoma basocelular, apesar de mais incidente,
tambm o menos agressivo (INCA 2013).


1.9.1 Carcinoma Basocelular


O carcinoma basocelular (CBC) ou epitelioma basocelular o tumor maligno
cutneo localmente invasivo com maior incidncia em indivduos de pele clara. O CBC
invade os tecidos contguos por expanses digitiformes irregulares. constitudo por
clulas que se assemelham clulas basais da epiderme; estas clulas neoplsicas
originam-se de clulas epiteliais imaturas pluripotentes da camada basal da epiderme e
mais raramente de partes do complexo cutneo pilo-sebceo ou outros apndices
cutneos. Os CBCs podem apresentar tamanhos variados, leses de poucos milmetros
j podem ser identificadas e, medida que se desenvolvem, as caractersticas clnicas se
tornam mais evidentes; muitas vezes, porm, exigem exerccio do diagnstico
diferencial com outras dermatoses papulonodulares e ulceradas solitrias. O tpico
crescimento lento e assintomtico faz com que seja comumente referido pelos pacientes
como uma ferida que no cicatriza ou uma leso de acne.
Clinicamente, os CBCs so divididos em cinco tipos: ndulo-ulcerativo,
pigmentado, esclerodermiforme ou fibrosante, superficial e fibroepitelioma. A figura 6
abaixo contm algumas apresentaes de CBC:







Figura 6 - Apresentaes do CBC.
Fonte: Dermatologia.net.2012.

36

1.9.2 Carcinoma Espinocelular

Carcinoma Espinocelular (CEC) o segundo tipo mais comum de cncer de
pele, sendo superado somente pelo carcinoma basocelular. Ocorre normalmente em
reas expostas ao sol e est relacionado ao dano solar crnico, ou seja, ao acmulo de
dano radiao ultravioleta na pele ao longo da vida. O CEC no exclusivo da pele,
acometendo tambm mucosas, como, garganta, boca, colo do tero, vagina e pnis. Seu
comportamento mais agressivo nas mucosas, principalmente em boca e garganta, com
maior risco de metstases e evoluo para bito. Na pele, esse tipo de cncer no to
agressivo. Diferente do que ocorre com o carcinoma basocelular, o carcinoma
espinocelular pode gerar metstases, o risco no to grande como no melanoma, mas
existe.
Segundo SALVAJOLI (1999), o CEC pode apresentar-se como placas
eritematosas, ou no, com graus variados de descamao e/ou formao de crostas, ou
como ndulos duros palpao, que podem ulcerar-se ou torna-se vegetantes. O CEC
pode ser classificado conforme sua diferenciao na base celular, anlogo ao melanoma:
1) Doena de Bowen: a doena de Bowen (DB) corresponde a um carcinoma
espinocelular in situ, ou seja, de localizao intraepidrmica, apresenta um
crescimento lento.
2) Queratose Actnica: uma leso de pele causada pelo sol (por isso chamada de
actinca) que se caracteriza por reas avermelhadas ou ligeiramente acastanhadas
com uma superfcie spera.
3) Carcinomas de Glndulas Anexas: Subtipo mais raro, e bastante agressivo, tanto
na rea que est situada a leso como em capacidade de metastizar.
4) Querotocantoma: um tumor cutneo benigno. caracterizado por
apresentar crescimento rpido e involuo espontnea







Figura 7 - Apresentaes de CEC.
Fonte Dermatologia. net. 2012.

37


1.10 Tipos de tratamento de cncer de pele


H muitas opes de tratamento para pessoas com cncer de pele dos tipos
melanoma ou no melanoma. A escolha do tratamento depende da idade, sade geral do
paciente, estgio do cncer, se ele se espalhou do local original, e outros fatores
histolgicos.


1.10.1 Exciso Cirrgica


Forma teraputica mais utilizada em tumores de pele a remoo cirrgica
deste. A rea total do tumor dever ser considerada como uma forma tridimensional,
sendo assim exciso realizada a partir de um tamanho maior que o total de tecido
comprometido. O tratamento cirrgico considerado curativo quando indicado nos
casos iniciais da maioria dos tumores slidos. um tratamento radical, que compreende
a remoo do tumor primrio com margem de segurana e, se indicada, a retirada dos
linfonodos das cadeias de drenagem linftica do rgo-sede do tumor primrio.

1.10.2 Radioterapia


um tratamento no qual se utilizam radiaes para destruir um tumor ou
impedir que suas clulas aumentem. Estas radiaes no so vistas e durante a aplicao
o paciente no sente nada. A radioterapia pode ser usada em combinao com a
quimioterapia ou outros recursos usados no tratamento dos tumores (INCA 2013).

1.10.3 Quimioterapia

Quimioterapia um tratamento que utiliza medicamentos para destruir as clulas
doentes que formam um tumor. Dentro do corpo humano, cada medicamento age de
38

uma maneira diferente. Por este motivo so utilizados vrios tipos a cada vez que o
paciente recebe o tratamento (INCA 2013).


1.11 Estimativas e Incidncia de Cncer no Brasil


Segundo as estimativas 2012 realizadas pelo INCA, das quais so vlidas para o
ano de 2013 apontam a ocorrncia de aproximadamente de 518.510 casos novos de
cncer, incluindo os casos de cncer de pele no melanoma. Dados mostrados pelo
instituto mostra que excluindo os casos de pele no melanoma, estima-se um total de
385 mil novos casos no pas.
Em nmeros, no Brasil esperado um total de 257.870 novos casos sendo
apenas relacionados ao sexo masculino e 260.640 casos para o sexo feminino.
Conforme estimado pelo INCA o cncer de pele do tipo no melanoma corresponder
134 mil novos casos, sendo assim considerado o de maior incidncia na populao
brasileira. A Tabela 4 mostra a estimativa de novos casos de cncer entre homem e
mulheres respectivamente.














Tabela 4 - Estimava de cncer entre homem e mulher em 2012/2013.
Fonte: INCA (2012/2013).
39

A distribuio dos casos novos de cncer segundo o tipo de tumor e segundo as
cinco regies do pas, para o sexo masculino, mostra-se heterognea entre Estados e
capitais do pas, o que fica em evidncia ao se observar a representao espacial das
diferentes 27 taxas brutas de incidncia (Figuras 8 e 9). As regies Sul e Sudeste, de
maneira geral, apresentam as maiores taxas, enquanto as regies Norte e Nordeste, as
menores. As taxas da regio Centro-Oeste apresentam um padro intermedirio.






















Figura 8 - Distribuio de regional de cncer em homens.
Fonte: INCA, 2012/2013
Figura 9 - Distribuio de regional de cncer em mulheres.
Fonte: INCA, 2012/2013
40

Estimam-se, para o Brasil, 62.680 casos novos de cncer da pele no melanoma
entre homens e 71.490 em mulheres. Esses valores correspondem a um risco estimado
de 65 casos novos a cada 100 mil homens e 71 para cada 100 mil mulheres, como pode
ser constatado na tabela 4. O cncer da pele no melanoma o mais incidente em
homens nas regies Centro-Oeste (124/100 mil), Sul (80/100 mil) e Norte (38/100 mil),
enquanto, nas regies Sudeste (73/100 mil) e Nordeste (39/100 mil), o segundo mais
frequente. Nas mulheres o mais frequente em todas as regies, com um risco estimado
de 109/100 mil na regio Centro-Oeste, 91/100 mil na regio Sudeste, 68/100 mil na
regio Sul, 43/100 mil na regio Norte e 42/100 mil na regio Nordeste (Tabelas 4, 12,
22, 27 e 32).
Quanto ao melanoma da pele, sua letalidade elevada, porm sua incidncia
baixa (3.170 casos novos em homens e 3.060 casos novos em mulheres). As maiores
taxas estimadas em homens e mulheres encontram-se na regio Sul.





















41

CAPTULO II


Processamento e Anlise de Imagens

2. Introduo e Conceitos Fundamentais


A capacidade humana para captar, processar e interpretar altos volumes de dados
representa a principal finalidade da viso computacional. Ela busca o desenvolvimento e
aprimoramento de tcnicas computacionais que sejam capazes de exercer a
compreenso e o funcionamento do sistema visual dos seres humanos que apresenta
inmeras habilitadas sendo uma delas a interferncia perante os estmulos visuais.
A viso computacional ao longos dos anos vem procurando auxiliar na resoluo
de problemas considerados completos, cuja finalidade obter informaes de uma
determinada imagem, levando sempre como modelo a cognio humana.
Quando se diz a respeito a viso computacional outros termos interligados a esse
conceito surgem, termos que so considerados fundamentais para o estudo das tarefas
que favorecem ao desenvolvimento de sistemas que reproduzem as capacidades do
sistema visual humano. Podemos considerar esses termos como nveis, que esto
divididos em baixo nvel, que responsvel pelo processamento da imagem e em alto
nvel que se destina a anlise de imagens, em muitas literaturas esses dois nveis esto
agrupados numa outra rea de estudo denominada Processamento Digital de Imagens ou
PDI.
Processamento Digital de Imagens pode ser considerada uma rea em pleno
crescimento, que se baseia na aplicao frmulas matemticas e probabilsticas, dais
quais so aplicadas nos valores de cada pixel (elementos bsicos que formam as
imagens digitais). Em algumas literaturas o conceito de PDI uma derivao de
Processamento de Sinais, pois como os sinais as imagens so uma espcie de suporte
fsico que carrega no seu interior uma determinada informao, da qual atravs de
aplicaes de tcnicas de processamento possvel obter dados desta imagem.
Para Gonzalez (2011) no existem limites claros para consideramos uma linha
continua com o processamento de imagens em extremo e a viso computacional, mas no
42

entanto fundamental levar em considerao um paradigma trs tipos de processos
computacionais definidos em: processos de nveis, baixos, mdio e alto.


Os processos de nvel baixo envolvem operaes primitivas, como pr
processamento de imagens para reduzir rudo, o realce o contraste e o
aguamento da imagem. Um processo de imagens de nvel baixo, envolve
caracterizado pelo fato de tanto a entrada quanto a sada serem imagens. O
processamento de nvel mdio envolve tarefas como segmentao (separao
de imagens em regies ou objectos), a descrio desses objectos para
reproduzi-los a uma forma adequada para o processamento computacional e
a classificao. Por fim, o processamento de alto nvel envolve dar sentido
a um conjunto de objectos reconhecidos, como na anlise de imagens e, no
extremo dessa linha continua, realizar as funes cognitivas normalmente
associadas a viso. (GONZALEZ. 2011)


Segundo Pedrini (2008) possvel definir processamento digital de imagem
como um conjunto de tcnicas destinadas para capturar, representar e transformar
imagens com auxlio de computador. Emprego que permite extrair informaes e
melhorar a qualidade visual de certos aspectos estruturais.
O conceito de anlise de imagens, tambm segundo Pedrini (2008),
tipicamente baseada na forma, na textura, nos nveis de cinza ou nas cores dos objetos
presentes nas imagens. J para Gonzalez (2011) no processamento e na anlise de
imagem existem um ponto lgico de sobreposio que segundo ele pode ser considerada
uma rea de reconhecimento de regies ou objetos individuais de uma imagem.
Uma dificuldade inerente ao processo de anlise de imagens seu carter
multidisciplinar, em que diversos domnios de conhecimento so comummente
necessrios para solucionar o problema, tais como geometria computacional,
visualizao cientfica, psicofsica, estatstica, teoria da informao e muitos outros.
Na figura 10 possvel observar o agrupamento dos termos interligados rea
de viso computacional e PDI, conforme sua entrada, nvel de processamento e sada.







Figura 10 - Interdependncia entre os termos do sistema de viso computacional.
Fonte: Apostila de Sistema de Viso. 2005.
43


2.1 Componentes de um Sistema de Viso


Segundo Gonzalez (2011) inmeros termos diferentes esto ligados a um
sistema de viso computacional, ligao que permite em uma nica soluo a utilizao
de srie de tecnologias diferentes permitindo o desenvolvimento de softwares em
diversas reas do conhecimento, como por exemplo na medicina.
Devido a essa integrao entre diferentes tecnologias Gonzalez (2011),
apresentou uma estrutura dos componentes interligados que permite representar a
organizao de um sistema de processamento de imagem, como mostra a Figura 11:

















Tem-se os seguintes elementos a descrio dos mais importantes:
Sensores: dispositivo fsico sensvel energia irradiada pelo objeto do
qual se pretende adquirir uma imagem, convertendo-a num sinal eltrico
proporcional intensidade da energia recebida.
Figura 11 - Componentes de um sistema PDI.
Fonte: Gonzalez. 2011.
44

Hardware de Aquisio: dispositivo responsvel pela digitalizao do
sinal proveniente do sensor e por realizar algum pr-processamento sobre
estes dados antes de envi-los ao computador.
Computador: o elemento principal do sistema. Ele que coordena todas
as outras atividades e a ordem em que estas so realizadas.
Software de processamento de imagens: algoritmos computacionais
responsveis por analisar e melhorar a imagem obtida, retornando para o
computador decidir qual ser o destino ou aplicao desta.

2.2 Sistema Visual Humano


Segundo Pedrini (2008), o sistema visual humano tem dentre as principais
caractersticas a capacidade sensorial que permite uma adequada percepo do ambiente
que os cerca, considerando assim a viso o emprego de diversas funes diferentes, tais
como deteco, localizao, reconhecimento e interpretao de objetos no ambiente.
Uma vez que a rea de viso computacional procura dotar as mquinas com
capacidades visuais, tornando assim fundamental compreender o funcionamento do
sistema visual humano sobre os diversos aspectos psicofsicos e neurofisiolgicos.
Para Gonzalez (2011), fundamental desenvolver uma compreenso bsica da
percepo humana antes de iniciar-se o processo de processamento de imagem. Em
partida o nico interesse no sistema visual humano na mecnica dos parmetros
relacionados a formao e percepo das imagens, procurando sempre analisar e
conhecer as limitaes fsicas da viso humana.
A Figura 12 mostra um corte transversal do olho humano. O globo ocular possui
formato aproximadamente esfrico, com dimetro de cerca de 20 mm, situado no
interior de uma cavidade ssea, chamada orbita, sendo protegido pelas plpebras e
clios. O globo ocular envolvido por trs membranas, uma cada externa formada pela
esclertica e pela crnea, uma camada intermediaria formada pela coroide, ris e corpo
ciliar, e uma camada interna formada pela retina.



45


















A coroide contm uma rede de vasos sanguneos que tem funo primordial de
ser a principal fonte de nutrio do olho, qualquer na coride, pode levar a um grande
dano ocular. O revestimento da coride substancialmente pigmentado, ajudando a
reduzir a quantidade de luz entra no olho e espalha-se pelo globo ocular. (Gonzalez &
Woods, 2011)
A retina a membrana interna do olho, nela onde sero formadas as imagens.
Quando o olho est adequadamente focalizado, a luz de um objeto externo formada de
forma ntida nas paredes da retina, onde a viso de padres obtida pela distribuio
dos receptores, ao longo de toda a superfcie da retina. Existem duas classes de
receptores: bastonetes e cones. Cada olho possui cerca de 6 a 7 milhes de cones,
localizando-se principalmente na rea central da retina denominada fvea, eles tem a
funo de reconhecerem diferenas de cores, a viso dos cones recebem varias
denominaes mais so principalmente conhecida como viso fotpica ou viso de
luz clara. J os bastonetes so encontrados em uma escala quantitativa muito maior,
variando entre 75 a 150 milhes, tem como funo uma viso geral do campo de viso,
eles no esto ligados a visualizao de cores e conseguem ser estimulados mesmo com
baixos nveis de iluminao; Por exemplo que aparecem brilhantemente coloridos a luz
do sol, aparecem de forma descolorida quando iluminados pela luz da lua, essa viso
conhecida como viso escotpica ou viso de luz escura. (Instituto de fsica,
UFRGS).
Figura 12 - Representao do Sistema Visual Humano.
Fonte: Pedrini.2008
46

2.2.1 Formao de imagem no olho


Em uma cmera fotogrfica comum, a lente tem uma distancia focal fixa e a
localizao para diferentes distancias obtida variando a ela entre a lente e o plano
imagem, onde o filme se localiza. No olho humano, ocorre o oposto: a distancia entre a
lente e o plano imagem, que nesse caso a retina fixa, e a distancia focal necessria
para atingir uma localizao adequada obtida variando o formato do cristalino (que
equivale a uma lente flexvel). A distancia entre o centro do cristalino e a retina ao
longo do eixo visual aproximadamente 17 mm, j a distancia focal varia de 14 mm a
17 mm aproximadamente.
A disposio geomtrica apresentada na Figura 13 ilustra como calcular as
dimenses de uma imagem formada pela retina. A imagem na retina localizada
principalmente na rea fvea, ocorrendo a percepo ento, pela excitao relativa dos
receptores de luz, que transformam a energia radiante em impulsos eltricos, que so
posteriormente decodificados pelo crebro humano.


2.3 Etapas de um Sistema de Processamento de Imagens


Um sistema de PDI, constitudo por um conjunto de etapas, como mostra a
Figura 14, com a capacidade de produzir um resultado com base em um domnio
problema. Cada etapa presente no diagrama executada por uma srie de algoritmos
computacionais, a fim de obter um resultado ideal a partir da entrada de uma imagem
Figura 13 - Representao grfica do olho focalizando uma imagem.
Fonte: Pedrini. 2008.
47

digital. Resumidamente o objetivo maior do diagrama transmitir uma ideia de todas as
metodologias que podem ser aplicadas a imagens para diferentes propsitos e,
possivelmente, com diferentes objetivos.



















Aquisio de imagem: Essa etapa tem como funo principal converter uma
imagem em uma representao numrica (imagem digital) adequada para o
processamento digital onde um dispositivo digitalizador converte os sinais
eletromagnticos emitidos da imagem em questo para sinal digital, isto ,
representando atravs de bits 0s e 1s. (FILHO; NETO, 1999)
Pr-processamento: o processo de manipulao da imagem, a fim de corrigir
as imperfeies ou distores obtidas no processo de anterior de captura da imagem,
isso se da principalmente pelas condies de iluminao ou caractersticas do
dispositivo. Buscando a melhoria da imagem que vem a grande importncia dessa etapa,
pois atravs dela sero aplicadas tcnicas para atenuao de rudos, correo de
contraste, brilho ou suavizao. (Pedrini, 2008).
Segmentao: A segmentao da imagem consiste no processo de
reconhecimento e extrao de reas de interesse contidas na imagem e que tenham
Figura 14 - Etapas de um sistema de PDI .
Fonte: Pedrini. 2008
48

relevncia aplicabilidade em questo. De modo geral a segmentao automtica uma
das tarefas mais difceis do processamento digital de imagens. Um procedimento de
segmentao bem sucedido esta totalmente relacionada coma taxa de sucesso na
resoluo do problema em questo. A segmentao parece ser uma operao
extremamente fcil, pelo fato de nos seres humanos fazermos esse processo de forma
instantnea, porm isso se torna uma tarefa bem complexa quando se trata em aplicar
esse conceito a um computador. Com tudo, mesmo com nossa alta capacidade de
segmentao ns possumos grandes falhas pelo fato de deduzirmos contornos de
objetos onde no existe e tambm por analisarmos o objeto por inteiro, como ser
demonstrado na imagem a baixo com o exemplo da iluso de kanizsa.(Fonseca).













Representao e descrio: A funo desse processo consiste no reconhecimento
e e extrao de caractersticas e propriedade que seja de suma importncia ao passo
seguinte, geralmente atributos identificados so quantificados e atribudos seus valores
em um vetor, que pode ser denominado "Vetor de caractersticas" (Pedrini, 2008).
Reconhecimento e interpretao: E a fase final do processamento de imagem,
nele atribudo identificador ou rotulo aos objetos com base em seus descritores, onde
ser possvel atribuir um significado ao conjunto de objetos identificados, tomando
assim as devias aes que aplicabilidade requeira.(Gonzalez & Woods, 2011)
Domnio do problema: O domnio do problema esta codificado em um sistema
de processamento de imagem na forma de uma base (banco de dados) de conhecimento.
Figura 15 - Ilustrao de Kanizsa.
Fonte: Fonseca
49

A base de dados depende de cada aplicao, cujo tamanho e complexidade podem variar
significativamente. (Pedrini & Schwartz, 2008)

2.4 Radiaes eletromagnticas


A definio de espectro eletromagntico usada para nos referirmos a todos os
intervalos de frequncias de ondas que se propagam no vcuo na velocidade da luz (c)
equivalente a

m/s e sem a necessidade de um meio material. Essas ondas


variam em frequncia ( f ) que a taxa de variao, ou oscilao, por segundo da onda,
medida em hertz (Hz, ou ciclos por segundo), e cumprimento lambda () que se
apresenta sua medio em metros, mantendo entre essas duas variveis um relao
inversamente proporcional.

( )

E so atravs da propriedade acima citada que possvel classificar cada tipo de
onda, podendo ser observado essa classificao na Figura 16.
.
Figura 16 - Espectro eletromagntico.
Fonte: Bastos, Arcoverde, & Barreto
50

As ondas eletromagnticas possuem formas de ondas senoidal que se propaga
com o comprimento lambda (), ou se pode adotar uma outra posio, adotando-a como
um fluxo de partculas sem massa, onde cada uma se descola similarmente a uma onda e
se movendo na velocidade da luz. Cada partcula sem massa contm uma quantidade
(ou Quantum) de energia, cada quantum denominado por fton, onde a energia de
cada componente e onda pode ser expresso pela relao entre a constante de Planck (h)
pela frequncia de radiao da onda (f), havendo uma relao diretamente proporcional
entre a energia com a frequncia, quanto maior a frequncia maior a energia.

()
Como pode ser observada na figura 16, a variedade de cores que se torna
perceptvel a luz visvel representa uma fatia muito pequena de toda a gama encontrada
no espectro eletromagntico, possuindo uma banda variando de 0,43m (violeta) at
0,79 m (vermelho). Por convenincia pode se dividir o espectro visvel em seis cores
(violeta, azul, verde, amarelo, laranja e vermelho), porm nenhuma cor possuem limites
definidos, pois cada faixa de cor se mistura com a faixa seguinte, formando a prxima
cor gradativamente.

2.5 Fundamentos da Imagem Digital


Uma imagem digital uma imagem f(x,y) discretizada tanto espacialmente
quanto em amplitude. Portanto, uma imagem digital pode ser vista como uma matriz
cujas linhas e colunas identificam um ponto na imagem, cujo valor corresponde ao nvel
de cinza da imagem naquele ponto. Cada ponto da imagem expresso pelo produto de
duas variveis: a iluminncia (i(x, y)), quantidade de luz incidente no ponto, e a
reflectncia (r(x, y)), quantidade de luz refletida pelo objeto no ponto (x, y). Assim, a
funo representada como:
f(x, y) = i(x, y), r(x, y) (3)
onde:
0 < i(x,y) < e 0 < r(x,y) < 1 e 0 < f(x,y) <
Para Gonzalez (2011) h trs formas bsicas de representar f(x, y). A Figura 17
(a) uma representao grfica de uma imagem, com dois eixos determinando a
51

localizao espacial e o terceiro eixo representando os valores de f (intensidades) com
uma funo das duas variveis espaciais x e y. Na Figura 17 (b) mostra f(x, y) como uma
imagem seria visualizada em um monitor ou em uma fotografia, j na terceira e ltima
representao f(x, y) Figura 17 (c) mostrada somente em valores numricos, ou seja,
na forma de uma matriz.





















Analisando as representaes observa-se que as representaes das figuras 17
(b) e 17 (c) so mais uteis, sendo possvel obter mais rapidamente os resultados
buscados.




Figura 17 - (a) Imagem representada graficamente como uma superfcie. (b) Imagem
representada como matriz visual. (c) Imagem representada como uma matriz numrica.
Fonte: Gonzalez. 2011.
52

2.6 Fundamentos de Cor


Segundo Pedrini (2008) a cor uma propriedade importante na anlise de
imagens realizada pelos seres humanos com ou sem auxilio de um computador.
Mesmo que a percepo de cores do crebro humano no seja completamente
compreendida, os aspectos fsicos estudados h muitos anos por diversos pesquisadores,
podem ser expressos por meio de uma base formal fundamentada por resultados
tericos e experimentais (Gonzalez, 2011).
A compreenso da natureza da luz dentro do sistema de PDI fundamental e
essencial para o estudo das cores. A cor pode ser definida como uma manifestao
perceptual da luz, que por sua vez, um sinal eletromagntico. Um raio luminoso
constitudo por partculas, chamadas ftons, cuja frequncia e velocidade determinam o
comprimento de onda dos ftons, sendo assim a caracterizao da luz de extrema
importncia para o estudo das cores. Podemos classificar a luz em duas categorias:
Luz acromtica (sem cores): no qual seu nico atributo a intensidade ou
a quantidade. A luz acromtica est presente nos aparelhos de televiso
preto e branco.
Luz cromtica: engloba o espectro de energia eletromagntica de
aproximadamente de 400 a 700 nm. Nessa faixa encontram-se as cores
violeta (menor frequncia), azul, ciano, verde, amarelo, laranja e
vermelho (maior frequncia), denominadas de cores visveis, como pode
ser observado na Figura 18.







Em meados de 1666, o fsico Isaac Newton, descobriu que um feixe de luz
branca ao atravessar um prisma de vidro poderia ser decomposto em um espectro
continuo de cores, descoberta que deu-lhe o titulo de um dos pioneiros a pensar na
formao das cores provenientes de clulas fotossensveis. Na Figura 19 possvel
Figura 18 - Representao do espectro de radiao visvel.
Fonte: Glenda. 2007.
53

observar o feixe de luz branca atravessando o prisma e a Figura 20 mostra o espectro
total de radiaes eletromagnticas.
















Uma luz cromtica apresenta trs valores para descrever a qualidade da sua
fonte, esses valores so definidos a partir da radincia, luminncia e brilho. Sendo que a
radincia determina a quantidade total de energia que flui da fonte de uma luz. A
luminncia medida em lumens (lm), cuja sua finalidade medir a quantidade de
energia que um observador consegue captar de uma fonte de luz. Por ltimo, o brilho
definido com um descritor subjetivo, praticamente impossvel de ser medido. Ele
representa a intensidade luminosa da radiao visvel.
Segundo Pedrini (2008), o processo de formao de uma cor consiste em outros
dois principais processos, que podem ser definidos em aditivo e subtrativo. No processo
aditivo as energias dos ftons correspondentes a dois ou mais raios luminosos que so
somadas. J no processo subtrativo a formao da cor ocorre quando as luz que os olhos
recebem origina-se de algum material transparente, corantes ou pigmentos, em que a
parte da energia luminosa incidente absorvida e parte transmitida.


Figura 19 - Espetro de cores criado pela passagem de luz branca atravs do prisma.
Fonte: Gonzalez. 2011.
Figura 20 - Representao do espectro eletromagntico.
Fonte: Pedrini.2008.
54

2.7 Modelos de Cores


O objetivo de um modelo de cores (tambm chamado de espao de cores ou
sistema de cores) facilitar a especificao das cores em alguma forma padronizada,
amplamente aceita (Gonzalez. 2011). Pode-se considerar um modelo de cores uma
especificao de um sistema de coordenadas e um subespao dentro desse sistema no
qual cada cor representada por um nico ponto.
Os modelos de cores tambm podem ser classificados como aditivos ou
subtrativos, sendo que nos modelos aditivos o processo de formao da cor resultado
da combinao de vrios comprimentos de onda luminosa e a cor preta indica que
nenhuma luz est sendo transmitida. J no processo subtrativo a cor preta resultado da
combinao das cores primarias ciano, magenta e amarelo. Dentro dos modelos se
destacam dois tipos que so os mais utilizados, o modelo RGB (aditivo) e o CMY
(subtrativo).













2.7.1 Modelo RGB


O modelo RGB um modelo de cores baseado em um sistema de coordenadas
cartesianas, em que o espao de cores um cubo (Pedrini, 2008), como que mostra a
Figura 22 a seguir:
Figura 21 - Exemplos de modelos de cores. (a) aditivo; (b) subtrativo.
Fonte: Pedrini.2008.
55











O modelo de cores RGB apresenta seus componentes espectrais primrios de
vermelho, verde e azul, que em ingls so representados em R(red), G(green) e B(blue).
Analisando o espao de cores do modelo RGB observa-se que os valores primrios
esto representados em trs vrtices do cubo, e as cores secundrias, ciano, magenta e
amarelo esto em outros vrtices. A escala cinza nesse plano estende-se do preto at o
branco ao longo do segmento que une esses dois pontos. A Figura 23 demostra o
modelo RGB segundo Moreno (2008).












Figura 22- Modelo RGB.
Fonte: Pedrini.2008.
Figura 23 - Modelo RGB.
Fonte: Moreno 2008.
56

2.7.2 Modelo CMY

J o modelo CMY, suas cores principais esto localizadas em trs vrtices do
cubo, sendo formado pela combinao de duas cores primrias. Esse podemos tambm
pode ser definido como um modelo que consiste como base a pigmentao de suas
respectivas cores, sendo que a maioria dos dispositivos que operam com o principio da
deposio dos pigmentos coloridos em papel requer uma converso do formato RGB
para o formato CMY. Operao fcil de ser executada que pode ser definida na equao
abaixo:
[

] [

] [

] ()
Nessa equao os valores envolvidos esto normalizados no intervalo [0,1].












2.7.3 Modelo HSI

Como foi apresentado acima, a criao e converso de cores entre os modelos
RGB e CMYK resulta em um processo direto, apesar deles se adequarem muito bem
para implementaes em hardware, tais modelos no so muito adequados para
descrever as cores utilizados os termos prticos para a interpretao humana. Tomando
Figura 24 - Modelo CYM.
Fonte: Moreno.2008.
57

por exemplo o fato de no nos referirmos aos objetos pela porcentagem de cada uma das
cores primarias que as compe, alm de no visualizarmos uma imagem composta por
outras trs outas imagens combinadas. O ser humano quando observa um objeto ele os
descreve atravs dos termos de matiz, saturao e brilho. O modelo chamado de HSI
(hue, saturation, intensity matiz, saturao e intensidade), esse modelo basea-se em
separar o componente de intensidade dos componentes formadores de cor (matiz,
saturao), fazendo assim ideal para aplicaes de algoritmos para processamento de
imagem. (Gonzalez & Woods, 2011).
















2.8 Representao de uma Imagem Digital


Basicamente uma imagem digital pode ser representada por meio de um matriz
bidimensional, na qual cada elemento da matriz (Figura 26), corresponde a um pixel da
imagem (Pedrini 2008), ou pode ser definida como uma funo bidimensional f(x,y) ,
Figura 25 - Modelo HSI.
58

onde x e y denotam coordenadas espaciais e o valor de f no ponto (x,y) proporcional ao
brilho (ou nvel de cinza) da imagem.





















2.8.1 Imagem Multibanda ou Multiespectral

Uma imagem monocromtica apresenta um valor de pixel cuja sua escala est
entre Lmin f(x,y) Lmax. As imagens multibanda ou multiespectrais podem ter cada
pixel associado a um valor vetorial f (x,y) = (L1, L2,, Ln), onde Lmin Li Lmax e
Figura 266 - Representao de uma imagem digital. Matriz M xN.
Fonte: Pedrini. 2008.
Figura 27 - Eixos (x, y) de uma imagem digital.
Fonte: Glenda.2007.
59

i = 1,2, , n. Sendo que L
i
pode representar grandezas diferentes, como temperatura,
frequncia, amostradas nos pontos (x,y) e com intervalos de valores distintos.
Uma imagem colorida tambm uma imagem multibanda ou multiespectral. A
maioria das cores visveis pelo olho humano pode ser representada como uma
combinao de bandas das cores primrias, vermelha (R, red), verde (G, green) e azul
(B, blue). Uma imagem colorida tambm pode ser armazenada por meio de uma
imagem cromtica e um mapa de cores (Figura 28), nesse caso, o valor de cinza de cada
pixel na imagem considerado como um ndice para uma entrada do mapa de cores,
enquanto a entrada do mapa de cores contem o valor dos componentes referentes ao
modelo RGB













2.8.2 Resoluo Espacial e Profundidade da Imagem


A resoluo espacial est associada densidade de pixels da imagem. Quanto
menor o intervalo de amostragem entre os pixels da imagem, ou seja, quanto maior a
densidade de pixels em uma imagem, maior ser a resoluo da imagem. A resoluo
Figura 27 - Mapa de cores de uma imagem colorida.
Fonte: Pedrini. 2008.
60

espacial deve ser escolhida de modo a atender ao grau de detalhes que devem ser
discernveis na imagem.
Por exemplo, uma imagem f(x,y), reconstruindo uma regio de 400cm
2
,
apresenta em direo dos seus eixos 20 amostradas espaadas igualmente entre si, sendo
que cada pixel da imagem possui 1 cm x 1cm. Para se obter uma resoluo maior da
mesma regio em questo a representao constituiria em 40 amostras em direco dos
seus eixos (x,y), cada pixel possuiria a 0,5 cm x 0,5 cm. J uma resoluo menor
poderia apresentar 10 amostras em relao a x e y.
A Figura 29 ilustra os efeitos da reduo da resoluo espacial.

Segundo Pedrini (2008), o nmero de quantizao de uma imagem f(x,y)
normalmente uma potncia de 2, ou seja L = 2
b
, onde L corresponde ao nmero de
nveis de cinza e b define a profundidade da imagem. Assim, sendo L = 256, cada pixel
possui um valor entre 0 e 255 nveis de cores, e a profundidade igual a 8 pixel por bits,
ou seja 256 = 2
8
. A tabela 5 mostra o nmero de bits utilizados na representao de uma
imagem monocromtica que possui diferentes dimenses M x N








Figura 28 - Reduo da resoluo espacial em imagem. Fonte:
Pedrini. 2008. Modificado pelo autor.
Tabela 5 - monocromtica que possui de diferentes dimenses.
Fonte: Pedrini. 2008
61

A figura 30 ilustra a reduo dos nveis de cinza da imagem. Na figura 30 (a)
apresenta pixels com 256 tons (b = 8). J as figuras 30 (b) (h) foram obtidas reduzindo
de bits b = 7 a b = 1. A partir da figura 30 (d) notrio o surgimento de uma
imperfeio na imagem, conhecida como falso contorno que em ingls significa false
contouring. Os nveis demostrados na imagens : 256, 128, 64, 32, 16, 8, 4 e 2.


2.8.3 Amostragem e quantificao


Como apresentado anteriormente uma imagem expressa como funes
bidimensionais na forma de . Onde o valor f nas coordenadas ( ), consiste em uma
grandeza escalar positiva o cujo seu preenchimento se dar atravs da cena em questo.
Quando uma imagem gerada seus valores de intensidade so relativamente
proporcionais aos valores de energia irradiada por esse objeto, tomando assim que
( ) deve ser diferente de 0 e infinito, ou seja:

( )

A funo de ( ) descrita por dois componentes: a quantidade de
iluminao da fonte sendo incidido no objeto e a quantidade de iluminao refletida.
Esses objetos so chamados de iluminncia e refletncia, e so expressos por, ( ) e
( ), ambas se combinando para a formao do produto ( ).
Figura 29 - Nveis de cinza de uma imagem.
Fonte: Marques.1999. Modificado pelo autor.
62

( ) ( ) ( ) (5)

onde:
( )
e
( )
Para ( ) o valor de 0 atribudo para absoro total da iluminao (preto), e
1 para a reflexo total (branco), tendo 0,01 para o veludo preto, 0,65 para o ao inox,
0,80 para tinta branca e 0,93 para a neve. J o valor de ( ) pode variar
consideravelmente, como por exemplo em um dia claro, onde o sol pode chegar a
produzir cerca de 90.000lm/m
2
, j em dia nublado esse valor chega a cerca de
10.000lm/m
2
, chegando a atingir o valor de 1.000lm/m
2
com iluminao artificial e a
0,1lm/m
2
em uma noite de lua cheia. Podendo ser expresso a intensidade (nvel de
cinza) em qualquer ponto ( ), da seguinte maneira:

( )
onde tende a variar de:
L
min
L
mx
Tendo L
min
um valor positivo e L
mx
um valor finito. Na prtica esse intervalo
recebe o nome de escala (ou intensidade) de cinza, sendo L
min
= i
min
.r
min
e L
mx
=
i
mx
.r
mx
. Costuma-se ento descolar numericamente esse intervalo para o intervalo [0,
L-1], onde =0 considerado preto absoluto e =L-1 considerado branco, quais quer
valores intermedirio so variaes de tons de cinza.(Gonzalez & Woods, 2011)
O conceito bsico de amostragem e quantizao a transformao de uma
imagem real em uma imagem digital. Para convert-la ao formato digital, temos de
fazer a amostragem da funo em ambas s coordenadas e na amplitude. A digitalizao
dos valores de cada coordenada chamada de amostragem, e a digitalizao dos valores
de amplitude chamada de quantizao.


63

2.8.4 Elementos de uma imagem


Cada pixel p (de coordenadas (x,y)), possui quatro elementos vizinhos, na
horizontal e na vertical e suas respectivas coordenas (x + 1, y), (x 1, y), (x, y + 1) e (x,
y 1). Esse conjunto de pixels definido como vizinhana 4 de p, denotada por
N
4
(p). Sendo que os quatro vizinhos localizados na diagonal de p apresentam
coordenadas (x 1, y 1), (x 1 , y + 1), (x + 1, y 1) e (x + 1, y + 1). A vizinhana
8 de p, denotada N
8
(p) caracterizada pela expresso:
N
8
(p) = N
4
( p) U N
d
(p) (6)
Todos os conceitos relacionados a vizinhana podem ser aplicados imagens
tridimensionais ao se tratar de voxels. A Figura 31 demostra com conceito de
vizinhana, em que os pixels compartilham respectivamente as arestas entre si nos
pontos (x,y), em (a), com a vizinhana 4 e em (b) vizinhana 8. J em (c) com
vizinhana - 6, (d) com vizinhana- 18 e (e) com vizinhana 26 aplica o conceito de
vizinhana conforme o nmero de voxels.

2.8.4.1 Caminho


Pode-se definir o caminho na imagem do pixel de coordenadas (x
1,
y
1
) a um
pixel (x
n
, y
n
) como um sequencia de coordenadas distintas no intervalo de (x
1
, y
1
), (x
2,
y
2
), , (x
n
, y
n
), onde n o comprimento do caminho, e (x
i
, y
i
) e (x
i + 1
, y
i
+ 1) so
adjacentes (elementos convexos de acordo com o tipo de vizinhana adotado), tal que i
= 1, 2, , n -1 (Pedrini, 2008).
Figura 30 - Tipos de vizinhanas.
Fonte: Pedrini.2008.
64

Se a conectividade (conceito importante utilizado para estabelecer limites de
objetos e componentes de regio de uma imagem) considerar vizinhana -4, ento existe
um caminho-4 e considerando uma vizinhana 8, tem-se um caminho 8. Exemplos
de caminhos esto expostos na Figura 32, sendo que o caminho 4 apresenta
comprimento 10 e o caminho 8 possui comprimento 7.
O conceito de caminho abordado anteriormente pode ser estendido a imagens
tridimensionais.

2.8.4.2 Distncia


Dependendo da aplicao requisitada, h necessidade de calcular a distncia
entres os pixels ou dos componentes de uma imagem.
Dados os pixels p
1
, p
2
e p
3
, com coordenadas (x
1
, y
1
), (x
2
, y
2
) e (x
3,
y
3
), qualquer
calculo de distncia D deve satisfazer todas as propriedades a abaixo:

(i) D (p
1,
p
2
) 0 (D(p
1,
p
2
) = 0 se, e somente se, p
1
= p
2
)
(ii) D (p
1,
p
2
) = D (p
2,
p
1
)
(iii) D (p
1,
p
3
) D (p
1,
p
2
) + D (p
2,
p
3
)

Existem diversas maneiras e funes de medir distncia entre pixels, que
satisfazem as propriedades acima e que so utilizadas em PDI.
Figura 31 - Caminho-4 e Caminho-8.
Fonte: Pedrini.2008
65

1. Distncia Euclidiana: funo em p
1
e p
2
so definidos como dois pixels e D
E

a distncia entre os mesmos.

) (

(7)

Na funo Euclidiana, os pixels que apresentam uma distncia menor ou igual ao
valor d formam um disco de raio d centrado em p
1.
O exemplo mostrado na Figura 33,
os pontos esto a uma distncia D
E
3 de um ponto central com coordenadas (x,y) que
formam um conjunto com os seguintes valores:








2. City block: Tambm conhecida como distncia D
4
entre p
1
e p
2,
definida
pela seguinte expresso:
D
4
(p
1
,p
2
) = | x
1
x
2
| + | y
1
y
2
| (8)
Os pixels com a distncia D
4
de p
1
,menor ou igual ao valor d formam um
losango centrado em p
1
, igual ao ilustrado pela Figura 34.






Figura 32 - Matriz Euclidiana menor ou igual a 3.
Fonte: Pedrini.2008.
Figura 33 - Conjunto de pontos com D4 menor ou igual a 3.
Fonte:Pedrini:2008.
66

3. Chessboard: Tambm conhecida como distncia D
8
entre p
1
e p
2
, definida
pela equao:
D
8
(p
1
, p
2)
= max z( | x
1
x
2
| , | y
1
y
2
| ) (9)

2.9 Histograma


Histograma de uma imagem corresponde distribuio dos nveis de cinza da
imagem, podendo se representado graficamente indicando o nmero de pixels para
cada nvel de cinza, como exposto na Figura 35.
Sendo f(x,y) representado por uma matriz apresentando dimenses M x N pixels
e contendo L nveis de cinza no intervalo [0, L
max
]. Atravs do histograma vrias
mdias estatsticas como valores mximos, valores mnimos, valor mdio, a varincia e
o desvio padro dos nveis de cinza de uma imagem podem ser obtidos.
Imagens multidimensionais podem produzir mais de um histograma, um para
cada canal de cor. Uma imagem RGB produz histogramas para cor vermelha, verde e
azul que representam seus respectivos canais.

2.9.1 Equalizao de Histograma

Equalizao de histograma consiste num mtodo que modifica o histograma da
imagem original f de tal forma que a imagem transformada t apresenta uma distribuio
uniforme dos seus tons de cinza, ou seja , os nveis da imagem aparecem
aproximadamente com a mesma frequncia.
Figura 34 - Histograma em tons de cinza.
Fonte: Glenda. 2007. Modificado pelo autor.
67

Na figura 36 possvel analisar a equalizao de um histograma de uma leso de
pele. possvel se obter a equalizao de forma computacional atravs de algoritmos
que executam essa tarefa como mostrado na Figura 37.






















Figura 35 - Equalizao de histograma de uma imagem.
Figura 36 - Algoritmo de equalizao de histogramas em MATLAB.
68


2.10 Segmentao


O processo de segmentao necessrio particionar o conjunto de dados de
entrada de uma imagem em estruturas com contedo relevante para aplicao em
questo. Segundo Marques Filho e Vieira Neto (1999) segmentao a diviso da
imagem em unidades significativas, ou seja, os objetos que compem a imagem.
O processo de anlise de imagens considerado supervisionado quando
apresenta regies da imagem que dispe de informaes que permitem identificar um ou
mais fatores de interesse.
Processar uma imagem de modo a segmentar um objecto, uma tarefa
extremamente difcil que depende da extrao das caractersticas da imagem e os rudos
podem levar as tcnicas de segmentao a distorcer as formas originais dos objetos
analisados, sendo assim comprometendo seu reconhecimento.
As abordagens convencionais para segmentao de imagens so normalmente
baseadas em propriedades bsicas dos nveis de cinza da imagem.

2.10.1 Deteco de descontinuidade


Os tipos bsicos de descontinuidades normalmente detectadas em imagens
digitais so pontos retos, segmentos de retas, junes e bordas. Um dos mtodos
utilizados para se obter esses padres atravs da varredura da imagens com auxilio de
uma mscara ou convoluo.
Uma varredura em imagem por convoluo, por exemplo, pode ser descrita pela
expresso:

()

69


2.10.2 Deteco de Pontos e Retas


A deteco de pontos isolados em uma imagem digital pode ser realizada de uma
mscara h definida na Figura 38. Quando a mscara h posicionada sobre uma regio
da imagem que homognea , os pixels pertencentes a regio apresentam a mesma
intensidade e a resposta da mscara nula ( R = 0), sendo que o valor de calculado
para expresso (10).
Os segmentos de retas tambm podem ser detectados por meio de mscaras. A
Figura 39, a mscara h
1
responde melhor quando a reta passa pela linha central da
imagem. J em h
2
quando esta linha est orientada a 45.


2.10.3 Deteco de Bordas


Para Pedrini (2008), uma borda um limite ou fronteira entre duas regies
ambas com propriedades distintas de nvel de cinza. A maioria das tcnicas para se
obter a deteco de bordas esto associadas ao clculo de um operador local diferencial
e como imagem depende de duas coordenadas espaciais, se emprega o conceito de
derivada. A Figura 40 ilustra duas imagens uma regio clara e outra regio escura. Em
imagens reais, as descontinuidades abruptas no so comuns em funo de baixa
frequncia. Na Figura 41 ilustra a aplicao do conceito de derivada e se observa que a
derivada primeira positiva nas transies realizadas da regio escura para regio clara
e negativas nas transies da regio clara para escura. A segunda derivada positiva na
Figura 37 - Mscara de deteco
de pontos.
Fonte: Pedrini. 2008.
Figura 38 - Mscara de deteco de retas.
Fonte: Pedrini.2008.
70

parte da transio referente ao lado escuro da borda e negativa na parte da transio
interligada ao lado claro da borda e nula nas reas de nvel de cinza constante.

















Figura 39 - Transio entre regies de uma imagem.
Fonte: Pedrini.2008.
Figura 40 - - Primeira e segunda derivada para deteco de bordas.
Fonte:Pedrini.2008.
71

2.10.3.1 Operadores Diferenciais

A deteco de bordas pode ser definida como uma operao de identificao de
mudanas locais significativas de nveis de cinza da imagem, ou seja, a aplicao de
operadores diferenciais, por exemplo gradiente e o laplaciano. O gradiente um vetor
cuja direo indica os locais nos quais os nveis de cinza sofrem maior variao (Figura
42). O vetor gradiente ( ) de coordenadas (x,y), pode ser calculados atravs das
derivadas, em que i e j so vetores unitrios dos eixos x e y.

( )
( )


( )

()












J o operador Laplaciano definido por uma derivada de segunda ordem como:

()
2.10.4 Deteco de Junes e Cantos

Identificar junes e cantos de uma imagem digital possvel se obter
informaes importantes para vrias aplicaes de anlise que envolvam a localizao
Figura 41 - Gradiente de uma borda.
Fonte: Pedrini. 2008.
72

dos pontos homlogos em viso estereoscpica, deteco de movimento, rastreamento
de objetos e restaurao de imagens.
Segundo Pedrini (2008) uma juno pode ser definida como um ponto de
interseco entre dois ou mais segmentos da borda de uma imagem. As quatro formas
mais comuns de juno em imagens digitais so mostradas na Figura 43, ambas
representadas pelas letras L, T, X e Y.


2.11 Morfologia matemtica


Morfologia matemtica consiste em uma metodologia para anlise de imagens
que permite a construo de operadores teis para a descrio de objetos, ou seja,
permite o estudo da forma. Formulada na dcada de 1960, por Georges Matheron e Jean
Serra, ambos com um objetivo em comum em estudar a estrutura geomtrica de uma
imagem. A morfologia matemtica caracteriza se por um conjunto de operaes sobre
a imagem enquanto pixel, as operaes podem ser divididas entre imagens binrias, tons
de cinza e coloridas.
Os operadores morfolgicos podem ser aplicados em diversas aplicaes de PDI,
sendo assim possvel obter a extraco de componentes convexos, busca por padres
especficos em uma determinada imagem, extrao de bordas e preenchimento de
regies.

Figura 42 - (a) juno L; (b) juno T; (c) juno X; (d) juno Y.
Fonte: Pedrini. 2008.
73


CAPTULO III

Materiais e Mtodos


Para anlise das imagens das leses foram estudados os parmetros relacionados
a Regra do ABCD, que permitiu a utilizados de outros que assemelham com os
abordados a Regra do ABCD tais como: circulariedade ,entropia, variancia entre
outros.

3.1 Regra do ABCD

A anlise dermastoscpica fundamenta no objetivo da deteco prvia do
melanoma maligno e observando as diversas caracteristicas prprias que o cncer pode
apresentar desde colorao, assimetria, borda e dimetro, tcnicas e algoritmos
comutacionais foram desenvolvido para anlisar os padres de uma leso, sendo assim a
regra do ABCD a mais pesquisada e aplicada para fins de classicao de leses de
tumores de pele.
A regra do ABCD apresentada incialmente por Wilhelm Stolz em 1994, foi o
segundo algoritmo desenvolvido, aps da anlise de padres que consistia na anlise de
padres histolgicos e caractersticos de uma leso. A regra do ABCD tem como
objetivo fundamental exemplificar e melhor o diagnstico de melanoma. (ROSADO,
2009). Regra que originou devido anlise de 31 caractersticas dermatolgicas, das
quais quatros so definidas como de extrema importncia para o diagnstica do
melanoma:
1. Assimetria (A);
2. Irregulariedade das bordas (B);
3. Cor (C);
4. Dimetro (D).

74

3.2 Assimetria

As imagens de leses de tumores de pele so divididas em dois eixos
perpendiculares sendo um horizontal e vertical, podendo assim ser analisada sua
simetria. Uma observao que facilita a comparao entre os eixos analisar a semetria
verificar se cada lado uma imagem espelho da outra (igual). A Figura 44 mostra o
eixo de semetria de uma leso.






3.3 Borda


Consiste na anlise da caracterisica que corresponde a bordas irregulares das
leses. Divide se a leso em oito segmentos iguais como mostra a Figura 45, sendo
posteriormente contato o nmero de segmentos que apresentam determinado corte
abrupto na estrutura da borda da leso






Figura 43 - Eixos de simetria.
Fonte: Dermoscopy. Modificado pelo autor.
Figura 44 - Diviso da leso em 8 segmentos.
Fonte: Dermatoscopy. Modificado pelo autor.
75


3.4 Colorao e Dimetro

analisada a presena de seis cores: branco, vermelho, castanho claro,
castanho escuro, azul cinzeto e preto, sendo assim contabilizada cada cor encontrada
na leso. Em MM so caracterizados pela presena de trs ou mais cores (Figura 46)
e estima que em cerca de 40% dos melanomas so verificamos a presena de cinco
ou seis cores.
J em relao ao dimetro, valores maiores que 6 mm so considerados alarmes
de malignidade.
.







3.5 Matrias e Mtodos


Para realizao da anlise e teste foi definido um banco de dados que foi
dividido em dois grupos um com 33 imagens de tumores de pele do tipo no melanoma
e outro com 44 imagens de leso do tipo MM, ambas obtidas via banco de internet e
todas j apresentam seus respectivos diagnsticos, assim totalizando 77 imagens.
Figura 45 - Cores presentes no melanoma.
76

Os parmetros utilizados para analisar cada imagens foram: perimetro/rea,
entropia(suavidade), energia(uniformidade), percentual de tonalidade de RGB ,
varincia (constraste) e homogeniedade (distribuio de pixel).
Para que se possam estudar os parmetros pr-estabelecidos necessrio a
utilizao de tcnicas de pr processamento de imagens, que suprissem as
necessidades apresentadas pela anlise, as adequaes foram realizadas atravs do
algoritmo implemenatdo em Python. O pr processamento foi aplicado com a
finalidade reduzir o mximo de ruidos nas imagens, seleo da rea de anlise,
permitindo assim uma melhora no processo de segmentao.
O pr processamento foi aplicado aps a definio do corte (Figura 47), ou
seja, primeiro deve se definir na rea que se deseja analisar, e em seguida os pixels
foram suavizados atravs do filtro Gaussiano, que atenuou os cortes abruptos de
tonalidades (ruidos). O processo de aplicao de filtro, binarizao e seleo da rea foi
executado pelo algoritmo desenvolvido em Python.

3.6 Pr Processamento


Como mencionado anteriormente no item 3.5 sobre o processo de pr -
processamento e suas respectivas tcnicas aplicadas para realizao da anlise, abaixo
ser mostrado as etapas de processamento que o algoritmo realiza antes se de obter os
valores dos parmetros de energia, entropia,varincia, RGB e homogeneidade.
Define-se primeiramente a imagens que se deseja analisar:







Figura 46 - Imagem escolhido para
anlise
77

Em seguida aplica o filtro Gaussiano:









Aps dessa etapa, executa-se a multiplicao de todos os valores internos dos
pixel, ou seja, aplica se o conceito de luminncia. Multiplicao que expressa pela
equao abaixo:

F(x,y) = [R(x,y)*0,2989] + [G(x,y)*0,5870] + [B(x,y)*0,1140] (13)











A tcnica de binarizao consiste em converter a imagem com nveis de cinza
para uma imagem de representao binria (dois tons) com a finalidade de identificar o
Figura 47 - Filtro Gaussiano
Figura 48 - Multiplicao dos pixel's.
78

objeto (rea de interesse) e separa l do fundo.













A cor azul representa o fundo da leso e a cor vermelha a rea da leso que ser
aplicada os parmetros para anlise. Esse processo de obteno do ROI da imagem
consiste na multiplicao da imagem original pela binria.






3.7 Extrao de Caractersticas


Para extrao de caracteristicas foram utilizados os seguitens parmeteros:
circularidade, perimetro/rea, RGB dominante, RGB mdio, varincia, entropia, energia
e homogeneidade.

Figura 49 Obteno do ROI
Figura 50 - Produto da imagem original pela binria.
79


3.7.1 Entropia


A medida de entropia expressa a desordem contida na imagem, ou seja a
desordem de pixel. Quando uma imagem no uniforme, a extropia apresentam valores
prximos de zero.



3.7.2 Energia


Energia ou momento angular, expressa a uniformidade de uma textura, Em
texturas speras apresentam valores diferentes de zero e, quando ocorrem, so
prximos de um.


3.7.3 Varincia

A varincia corresponde ao contraste da imagem, que define a diferena entre
os tons de cinza. Baixo contraste ocorre quando h pequena diferena entre os nveis de
cinza dos pixels localizados em uma regio contgua da imagem.



3.7.4 Homogeneidade

Retorna um valor que representa a proximidade da distribuio dos elementos
em relao diagonal da matriz de co-ocorrncia dos tons de cinza.


80

3.8 Matriz de Co Ocorrncia

Uma Matriz de Co-Ocorrncia uma tabulao de quantas combinaes
diferentes de valores de intensidade dos pixels (nveis de cinza) ocorrem em uma
imagem. O uso principal da Matriz de Co-ocorrncia caracterizar texturas em uma
imagem atravs de um conjunto de estatsticas para as ocorrncias de cada nvel de
cinza em pixels diferentes ao longo de diferentes direes. As matrizes de co-ocorrncia
so ferramentas para a classificao de imagens. No entanto, elas possuem alto custo
computacional a medida que o numero de tons de cinza crescer no imagem.


3.9 Anlise

O algoritmo foi desenvolvido em Python, pois ao ler outras literaturas e
trabalhos foi observado que no existia um exemplo de algoritmo implementado nessa
linguagem.
A seguir a Figura 51 e 52, mostra a execuo do algoritmo e a obteno dos
dados, sendo que no sistema apresenta outros parmetros, que no foram utilizados para
anlise, mas que serviram para projeto futuros.
Como poder ser observado, o ambiente de desenvolvimento da linguagem
Python, um ambiente simples e fcil de ser utilizado, foi desenvolvido para ser uma
linguagem de fcil leitura, com um visual agradvel, frequentemente usando palavras e
no pontuaes como em outras linguagens. Diferente de linguagens com delimitadores
visuais de blocos, em Python a indentao obrigatria. O aumento da indentao indica o
incio de um novo bloco, que termina da diminuio da indentao.
Aps de se obter os parmetros da imagem da leso (que esto circulados em
vermelho), gerado a probabilidade de a leso ser um melanoma ou no (circulado em
verde)






81





















Figura 52 - Obteno dos dados (Interface IDLE do Python)
Figura 51 - Obteno de dados - Command line
82



Logo em seguida o ROI (rea de interesse) mostrado para o usurio.










Figura 53 Imagem antes da anlise.
Figura 54 - Imagem aps a anlise (ROI)
83


CAPTULO IV

Resultados


4.1 Avaliao dos Resultados


O banco de dados para comparao composto por 77 imagens ambas j
diagnsticas, sendo 33 nevos e 44 melanomas. As imagens a seguir mostrar as imagens
com os ROI (rea de interesse) determinados pelo algoritmo de anlise.















As quatro imagens de leses foram diagnsticas como MM, observa-se que no
apresente uma uniformidade em relao ao contorno da borda, sendo essa uma das
caracteristicas do melanoma.
Figura 55 - Leses de MM.
84














Ambas as quatro imagens so de nevos (leses que no so consideradas como
melanoma). Observa-se que a regio que delimita a regio da borda j se apresenta de
forma uniforme, ou seja, tem o formato de um circulo.
Inmeros testes com o algoritmo foram realizados e para anlise final 8 imagens
de leses foram anlisadas. Anlise que mostrou que 50% das imagens em estudadas e
analisadas so MM e 50% das imagens so Nevos.
Para anlise foram utilizados quatro mtodos de inteligncia artificial sendo eles:
K Nearest Neighbor (KNN), Bayes, rvore (Tree), SVM e Majority. Os mtodos
Bayes e rvore mostraram- se mais eficientes para anlise, devido eficincia de
ambos, foram utizados para determinado o resultado final da anlise. Ambos trabalham
com a probabilidade em porcentagem.
A Tabela 6 mostra a porcentagem dos mtodos das leses de MM e de Nevos.




Figura 56 - Leses de Nevos.
85

Tabela 6 - Valores de Bayes e Tree
ANLISE DOS VALORES DOS MTODOS DE BAYES E TREE
Bayes (%) Tree (%) Classe
Imagem 1 100 0 Melanoma
Imagem 2 99 0 Melanoma
Imagem 3 0 100 Melanoma
Imagem 4 0 80 Melanoma
Imagem 5 1 1 Nevo
Imagem 6 39 0 Nevo
Imagem 7 30 0 Nevo
Imagem 8 22 0 Nevo


















86

CONCLUSO


O trabalho desenvolvido avaliou imagens de leses cutneas com a finalidade de
se obter o diagnstico de malignidade nas mesmas. Para essa anlise foi utilizado como
base os parmetros da tcnica da Regra ABCD, para que outros fossem criados sendo
assim possivel realizar a anlise. As anlises foram feitas atravs do algoritmo
desenvolvido em Python..
A ideia principal foi tentar desenvolver um algoritmo, que poderia analisar as
informaes contidadas em cada imagem, mesmo sendo etapa por etapa. Os conceitos
estudados permitem associar computao e medicina, podendo assim previnir que o
cncer evolua.
Espera - se que esse projeto tenha ajudado para trabalhos futuros, que visam o
melhoramento dos parmetros abordados na anlise, independente de qualquer
linguagem de programao utilizada, desde que os criterios observads sejam os
mesmos.
Enfim conlui-se que a computao cada vez mais est se interligando com a
medicina para a soluo de vrios fatores, sejam eles na rea dermatoligica ou qualquer
outra rea, proporcionando assim novas formas de tratmento para os seresmo humanos.











87

APNDICES
APNDICE A - Python

Python um fcil de aprender, linguagem de programao poderosa. Ele tem estruturas
de dados de alto nvel eficientes e uma abordagem simples, mas eficaz para
programao orientada a objetos. Sua sintaxe elegante e tipagem dinmica, em conjunto
com a sua natureza interpretada, tornam Python ideal para scripting e desenvolvimento
rpido de aplicaes em muitas reas na maioria das plataformas.linguagem de
programao . Tem de alto nvel eficientes estruturas de dados e uma abordagem
simples, mas eficaz para programao orientada a objetos. Sua sintaxe elegante e
tipagem dinmica, em conjunto com a sua natureza interpretada, tornam Python ideal
para scripting e rpido desenvolvimento de aplicaes em muitas reas na maioria das
plataformas.
O interpretador Python e sua extensa biblioteca padro esto disponveis
gratuitamente na fonte ou binrio para todas as principais plataformas do site do
Python, http://www.python.org/, e pode ser distribudo livremente. O mesmo site
tambm contm distribuies e referncias para muitos mdulos Python terceiro livre,
programas e ferramentas e documentao adicional. Interpretador Python e sua extensa
biblioteca padro esto disponveis gratuitamente na fonte ou binrio para todas as
principais plataformas do site do Python, distribudo . O mesmo site tambm contm
distribuies e referncias para muitos mdulos Python terceiro livre, programas e
ferramentas e documentao adicional.
O interpretador Python pode ser facilmente estendido com novas funes e tipos
de dados implementados em C ou C + + (ou outras linguagens que podem ser chamadas
a partir de C). Python tambm adequado como uma linguagem de extenso para
aplicaes personalizadas. Python tambm adequado como uma linguagem de
extenso para aplicaes personalizadas.




88

APNDICE B - Algoritmo de anlise

# -*- coding: utf-8 -*-
#!/usr/bin/python

"""
Segmentao das imagens

Autores: Lopes, Daniel; Bomfin, Matheus; Silva, Flavio

"""

import sys
import math
import Image
import ImageFilter
import numpy as np
from scipy import ndimage

################# Funes #########

##### Histograma em 8bit ########
def histograma(im_np):
hist = [0]*256
for y in im_np:
for x in y:
gray_level = x.astype(int)
hist[gray_level] = hist[gray_level]+1
return hist
def histograma1D(im_np):
hist = [0]*256
for y in im_np:
gray_level = y.astype(int)
hist[gray_level] = hist[gray_level]+1
return hist

###### OSTU Threshold #####
def otsu_thrd(im_np):
width, height = im_np.shape
hist_data = histograma(im_np)

sum_all = 0
for t in range(256):
sum_all += t * hist_data[t]

sum_back, w_back, w_fore, var_max, threshold = 0, 0, 0, 0, 0
total = height*width

for t in range(256):
w_back += hist_data[t] # Weight Background
89

if (w_back == 0):
continue

w_fore = total - w_back # Weight Foreground
if (w_fore == 0) :
break

sum_back += t * hist_data[t]

mean_back = sum_back / w_back # Mean Background
mean_fore = (sum_all - sum_back) / w_fore # Mean Foreground

# Calculate Between Class Variance
var_between = w_back * w_fore * (mean_back - mean_fore)**2

# Check if new maximum found
if (var_between > var_max):
var_max = var_between
threshold = t
return threshold

def segmenta(im_np, thrd = 128):
return 1*(im_np<thrd)

################### Pre-Processamento ###################

# ler imagem
#I1 = np.array(Image.open("1.jpg"))
I1 = np.array(Image.open("1.jpg"))

# filtrar imagem
I2 = np.zeros(I1.shape)
for i in range(3):
I2[:,:,i] = ndimage.filters.gaussian_filter(I1[:,:,i],8)
I2 = np.array(I2,"uint8")


# converter em 8bit
r, g, b = I2[:,:,0], I2[:,:,1], I2[:,:,2]
I3 = np.array(0.2989*r + 0.5870*g + 0.1140*b)

r, g, b = I1[:,:,0], I1[:,:,1], I1[:,:,2]
I3_SF = np.array(0.2989*r + 0.5870*g + 0.1140*b)

# binarizar
th = otsu_thrd(I3)
I4 = segmenta(I3, th)

# ROI
ROI = []
90

width, height = I4.shape
for yy in range(0,height-1):
for xx in range(0,width-1):
if I4[xx,yy] == 1:
ROI.append(I1[xx,yy])

# leso sem fundo
I5 = np.zeros(I1.shape)
for i in range(3):
I5[:,:,i] = I1[:,:,i] * I4[:,:]
I5 = np.array(I5,"uint8")

############## Extrao de Caracteristicas ###############

# Assimetria
borda = []
area = 0
width, height = I4.shape
for yy in range(1,height-2):
for xx in range(1,width-2):
if int(I4[xx,yy+1]) == 1: area=area+1

cnt = 0
if int(I4[xx,yy+1]) == 0: cnt=cnt+1
if int(I4[xx,yy-1]) == 0: cnt=cnt+1
if int(I4[xx+1,yy]) == 0: cnt=cnt+1
if int(I4[xx-1,yy]) == 0: cnt=cnt+1

if int(I4[xx+1,yy+1]) == 0: cnt=cnt+1
if int(I4[xx-1,yy-1]) == 0: cnt=cnt+1
if int(I4[xx+1,yy-1]) == 0: cnt=cnt+1
if int(I4[xx-1,yy+1]) == 0: cnt=cnt+1
if cnt<6 and cnt>3: borda.append([xx,yy])

# Printa Area
print "Area: ", area

# Printa Borda
for w in borda:
x,y = w
I5[x,y] = [0,255,0]

pntMr1 = [0,0]
pntMr2 = [0,0]
MaiorEixo = 0
for x1 in range(0,len(borda)-1):
for x2 in range(x1,len(borda)-1):
xx1, yy1 = borda[x1]
xx2, yy2 = borda[x2]
tam = np.sqrt((xx1-xx2)**2+(yy1-yy2)**2)
91

if tam > MaiorEixo:
pntMr1 = borda[x1]
pntMr2 = borda[x2]
MaiorEixo = tam

# Printa Diametro
print "Diametro: ", MaiorEixo

pntC = [((pntMr1[0]+pntMr2[0])/2),((pntMr1[1]+pntMr2[1])/2)]
if pntMr1[1]-pntMr2[1] > 0:
senoAngulo = (pntMr1[1]-pntMr2[1])/MaiorEixo
else:
senoAngulo = (pntMr2[1]-pntMr1[1])/MaiorEixo
anguloMrX = np.arcsin(senoAngulo)

# Printa Angulo
#print "Angulo: " , anguloMrX

# Printa Pontos Eixo
x,y = pntMr1
I5[x,y] = [255,0,0]
I5[x+1,y] = [255,0,0]
I5[x-1,y] = [255,0,0]
I5[x,y+1] = [255,0,0]
I5[x,y-1] = [255,0,0]
x,y = pntMr2
I5[x+1,y] = [255,0,0]
I5[x-1,y] = [255,0,0]
I5[x,y+1] = [255,0,0]
I5[x,y-1] = [255,0,0]
x,y = pntC
I5[x+1,y] = [255,0,0]
I5[x-1,y] = [255,0,0]
I5[x,y+1] = [255,0,0]
I5[x,y-1] = [255,0,0]

####### Thinness #########
thinness = 4.0*np.pi*(area/(len(borda)*1.0)**2)

# Printa Thinness
print "Thinness: " , thinness

####### Circularidade #########

cnt = 0
tolerancia=.15
x,y = pntC
raio=MaiorEixo/2
for i in borda:
x1,y1=i
92

dist=math.sqrt((x-x1)**2+(y-y1)**2)
if dist < (1.0+tolerancia)*raio and dist > (1.0-tolerancia)*raio:
cnt=cnt+1
circularidade = (1.0*cnt)/len(borda)

# Printa Circularidade
print "Circularidade: " , circularidade

# Printa Perimetro
print "Perimetro: " , len(borda)

perimetroArea = (len(borda)*1.0)/area

# Printa Perimetro/Area
print "Perimetro/Area: ", perimetroArea

# RGB Medio
width, height = I4.shape
rsum = 0
gsum = 0
bsum = 0
for yy in range(0,height-1):
for xx in range(0,width-1):
if I4[xx,yy]==1:
r, g, b = I1[xx,yy]
rsum = rsum+r
gsum = gsum+g
bsum = bsum+b
rsum = int(rsum*1.0/area)
gsum = int(gsum*1.0/area)
bsum = int(bsum*1.0/area)
print "RGB Medio (Cor): [",rsum,",",gsum,",",bsum,"]"

################## Desvio Padrao ##################
r, g, b = ROI[:][0], ROI[:][1], ROI[:][2]
histR = histograma1D(r)
histG = histograma1D(g)
histB = histograma1D(b)
rsumA = gsumA = bsumA = 0.0
rskw = gskw = bskw = 0.0
for prob in range(0,255):
rsumA = rsumA+(((prob-rsum)**2)*(histR[prob]*1.0/area))
gsumA = gsumA+(((prob-gsum)**2)*(histG[prob]*1.0/area))
bsumA = bsumA+(((prob-bsum)**2)*(histB[prob]*1.0/area))
rskw = rskw+((math.pow(prob-rsum,3))*(histR[prob]*1.0/area))
gskw = gskw+((math.pow(prob-gsum,3))*(histG[prob]*1.0/area))
bskw = bskw+((math.pow(prob-bsum,3))*(histB[prob]*1.0/area))

# Printa Desvio Padro
dpR = math.sqrt(rsumA)
93

dpG = math.sqrt(gsumA)
dpB = math.sqrt(bsumA)
print u"Desvio Padro (R): " , dpR
print u"Desvio Padro (G): " , dpG
print u"Desvio Padro (B): " , dpB

# Printa Skw
skewnessR = (1.0/math.pow(dpR,3))*rskw
skewnessG = (1.0/math.pow(dpG,3))*gskw
skewnessB = (1.0/math.pow(dpB,3))*bskw
print u"Skewness (R): " , skewnessR
print u"Skewness (G): " , skewnessG
print u"Skewness (B): " , skewnessB

rcnt=0
gcnt=0
bcnt=0
for yy in range(0,height-1):
for xx in range(0,width-1):
if I4[xx,yy]==1:
r, g, b = I1[xx,yy]
if r < (rsum+dpR) and r >(rsum-dpR): rcnt=rcnt+1
if g < (gsum+dpG) and g >(gsum-dpG): gcnt=gcnt+1
if b < (bsum+dpB) and b >(bsum-dpB): bcnt=bcnt+1
rmf=(1.0*rcnt)/area
gmf=(1.0*gcnt)/area
bmf=(1.0*bcnt)/area

# Printa RGB Medio
print "RGB Medio: [",rmf,",",gmf,",",bmf,"]"

# RGB Dominante
from collections import defaultdict
by_color = defaultdict(int)
for yy in range(0,height-1):
for xx in range(0,width-1):
if I4[xx,yy]==1:
r,g,b = I1[xx,yy]
color = (r,g,b)
by_color[color] += 1
#rgbDominante = max(by_color.iterkeys(), key=lambda k: by_color[k])
key,value = max(by_color.iteritems(), key=lambda x:x[1])
rcnt=0
gcnt=0
bcnt=0
tolerancia=5
rsumD, gsumD, bsumD = key
print "RGB Dominante (Cor): [",rsumD,",",gsumD,",",bsumD,"]"
for yy in range(0,height-1):
for xx in range(0,width-1):
94

if I4[xx,yy]==1:
r, g, b = I1[xx,yy]
if r < (rsumD+tolerancia) and r >(rsumD-tolerancia): rcnt=rcnt+1
if g < (gsumD+tolerancia) and g >(gsumD-tolerancia): gcnt=gcnt+1
if b < (bsumD+tolerancia) and b >(bsumD-tolerancia): bcnt=bcnt+1
rdf=(1.0*rcnt)/area
gdf=(1.0*gcnt)/area
bdf=(1.0*bcnt)/area

# Printa RGB Dominante
print "RGB Dominante: [",rdf,",",gdf,",",bdf,"]"

##### Matrix de Co-ocorrncia ####
r, g, b = I1[:,:,0], I1[:,:,1], I1[:,:,2]
width, height = I4.shape
coocorrenciaR = np.zeros((256,256),np.int)
coocorrenciaG = np.zeros((256,256),np.int)
coocorrenciaB = np.zeros((256,256),np.int)
for yy in range(0,height-1):
for xx in range(0,width-1):
if I4[xx,yy]==1:
#angulo 0
if xx > 0 and xx < width-1:
if yy > 0 and yy < height-1:
pix1 = r[xx+1,yy]
pix2 = r[xx-1,yy]
coocorrenciaR[pix1,pix2] = coocorrenciaR[pix1,pix2]+1
pix1 = g[xx+1,yy]
pix2 = g[xx-1,yy]
coocorrenciaG[pix1,pix2] = coocorrenciaG[pix1,pix2]+1
pix1 = b[xx+1,yy]
pix2 = b[xx-1,yy]
coocorrenciaB[pix1,pix2] = coocorrenciaB[pix1,pix2]+1


##### Entropia - Coocorrecia ####
histogram_lengthR = 0.0
histogram_lengthG = 0.0
histogram_lengthB = 0.0
width, height = coocorrenciaR.shape
for yy in range(0,height-1):
for xx in range(0,width-1):
histogram_lengthR = histogram_lengthR+coocorrenciaR[xx,yy]
histogram_lengthG = histogram_lengthG+coocorrenciaG[xx,yy]
histogram_lengthB = histogram_lengthB+coocorrenciaB[xx,yy]

samples_probabilityR= np.zeros((256,256),np.float)
samples_probabilityG= np.zeros((256,256),np.float)
samples_probabilityB= np.zeros((256,256),np.float)
for yy in range(0,height-1):
95

for xx in range(0,width-1):
samples_probabilityR[xx,yy] = (coocorrenciaR[xx,yy]*1.0)/histogram_lengthR
samples_probabilityG[xx,yy] = (coocorrenciaG[xx,yy]*1.0)/histogram_lengthG
samples_probabilityB[xx,yy] = (coocorrenciaB[xx,yy]*1.0)/histogram_lengthB

entropiaR = 0.0
entropiaG = 0.0
entropiaB = 0.0
for yy in range(0,height-1):
for xx in range(0,width-1):
if samples_probabilityR[xx,yy] != 0:
entropiaR =
entropiaR+(samples_probabilityR[xx,yy]*(math.log(samples_probabilityR[xx,yy])/mat
h.log(2)))
if samples_probabilityG[xx,yy] != 0:
entropiaG =
entropiaG+(samples_probabilityG[xx,yy]*(math.log(samples_probabilityG[xx,yy])/mat
h.log(2)))
if samples_probabilityB[xx,yy] != 0:
entropiaB =
entropiaB+(samples_probabilityB[xx,yy]*(math.log(samples_probabilityB[xx,yy])/mat
h.log(2)))
entropiaR = -entropiaR
entropiaG = -entropiaG
entropiaB = -entropiaB

# Printa Entropia
print "Entropia (R): ", entropiaR
print "Entropia (G): ", entropiaG
print "Entropia (B): ", entropiaB

##### Energia ####
energiaR = 0.0
energiaG = 0.0
energiaB = 0.0
for yy in range(0,height-1):
for xx in range(0,width-1):
if samples_probabilityR[xx,yy] != 0:
energiaR = energiaR+(samples_probabilityR[xx,yy]**2)
if samples_probabilityG[xx,yy] != 0:
energiaG = energiaG+(samples_probabilityG[xx,yy]**2)
if samples_probabilityB[xx,yy] != 0:
energiaB = energiaB+(samples_probabilityB[xx,yy]**2)

# Printa Energia
print "Energia (R): ", energiaR
print "Energia (G): ", energiaG
print "Energia (B): ", energiaB


96

##### Variancia ####
varianciaR = 0.0
varianciaG = 0.0
varianciaB = 0.0
for yy in range(0,height-1):
for xx in range(0,width-1):
if samples_probabilityR[xx,yy] != 0:
varianciaR = varianciaR+(((xx-yy)**2)*samples_probabilityR[xx,yy])
if samples_probabilityG[xx,yy] != 0:
varianciaG = varianciaG+(((xx-yy)**2)*samples_probabilityG[xx,yy])
if samples_probabilityB[xx,yy] != 0:
varianciaB = varianciaB+(((xx-yy)**2)*samples_probabilityB[xx,yy])

# Printa Variancia
print "Variancia (R): ", varianciaR
print "Variancia (G): ", varianciaG
print "Variancia (B): ", varianciaB

##### Homogeneidade ####
homogeneidadeR = 0.0
homogeneidadeG = 0.0
homogeneidadeB = 0.0
for yy in range(0,height-1):
for xx in range(0,width-1):
if samples_probabilityR[xx,yy] != 0:
homogeneidadeR = homogeneidadeR+(samples_probabilityR[xx,yy]/(1+(xx-
yy)**2))
if samples_probabilityG[xx,yy] != 0:
homogeneidadeG = homogeneidadeG+(samples_probabilityG[xx,yy]/(1+(xx-
yy)**2))
if samples_probabilityB[xx,yy] != 0:
homogeneidadeB = homogeneidadeB+(samples_probabilityB[xx,yy]/(1+(xx-
yy)**2))

# Printa Homogeneidade
print "Homogeneidade (R): ", homogeneidadeR
print "Homogeneidade (G): ", homogeneidadeG
print "Homogeneidade (B): ", homogeneidadeB


###################### Classificao #####################
'''
fo = open('banco5.tab', 'a')
fo.write("\n"+str(thinness)+"\t"+str(circularidade)+"\t"+str(perimetroArea)+"\t"+str(rsu
m)+"\t"+str(gsum)+"\t"+str(bsum)+"\t"+

str(rmf)+"\t"+str(gmf)+"\t"+str(bmf)+"\t"+str(dpR)+"\t"+str(dpG)+"\t"+str(dpB)+"\t"+st
r(skewnessR)+"\t"+str(skewnessG)+"\t"+str(skewnessB)+"\t"+
97


str(rdf)+"\t"+str(gdf)+"\t"+str(bdf)+"\t"+str(entropiaR)+"\t"+str(entropiaG)+"\t"+str(ent
ropiaB)+"\t"+

str(energiaR)+"\t"+str(energiaG)+"\t"+str(energiaB)+"\t"+str(varianciaR)+"\t"+str(varia
nciaG)+"\t"+str(varianciaB)+"\t"+

str(homogeneidadeR)+"\t"+str(homogeneidadeG)+"\t"+str(homogeneidadeB)+"\t"+"nev
o")
fo.close()
'''
import Orange
import random

train = Orange.data.Table("banco5.tab")
kk = random.sample(train, 1)
kk[0][0] = thinness
kk[0][1] = circularidade
kk[0][2] = perimetroArea
kk[0][3] = rsum
kk[0][4] = gsum
kk[0][5] = bsum
kk[0][6] = rmf
kk[0][7] = gmf
kk[0][8] = bmf
kk[0][9] = dpR
kk[0][10] = dpG
kk[0][11] = dpB
kk[0][12] = skewnessR
kk[0][13] = skewnessG
kk[0][14] = skewnessB
kk[0][15] = rdf
kk[0][16] = gdf
kk[0][17] = bdf
kk[0][18] = entropiaR
kk[0][19] = entropiaG
kk[0][20] = entropiaB
kk[0][21] = energiaR
kk[0][22] = energiaG
kk[0][23] = energiaB
kk[0][24] = varianciaR
kk[0][25] = varianciaG
kk[0][26] = varianciaB
kk[0][27] = homogeneidadeR
kk[0][28] = homogeneidadeG
kk[0][29] = homogeneidadeB
kk[0][30] = ""

test = Orange.data.Table(kk)
98

tree = Orange.classification.tree.TreeLearner(train, same_majority_pruning=1,
m_pruning=2)
tree.name = "tree"
knn = Orange.classification.knn.kNNLearner(train, k=23)
knn.name = "k-NN"
svm = Orange.classification.svm.SVMLearner(train)
svm.name = "SVM"
bayes = Orange.classification.bayes.NaiveLearner(train)
bayes.name = "Bayes"
majority = Orange.classification.majority.MajorityLearner(train)
majority.name = "Majority"
lr = Orange.classification.logreg.LogRegLearner(train)
lr.name = "lr"

classifiers = [tree,knn,svm,bayes,majority,lr]

target = 1
print "\nProbabilidade para %s:" % train.domain.class_var.values[target]
print "Classe de teste ",
print " ".join("%-9s" % l.name for l in classifiers)

return_type = Orange.classification.Classifier.GetProbabilities
for d in test:
print "%-15s" % (d.getclass()),
print " ".join("%5.3f" % c(d, return_type)[target] for c in classifiers)


######################## Resultado #######################
import matplotlib.pyplot as plt
plt.imshow(I5)
plt.show()


















99

REFERNCIAS BIBLIOGRFICAS


ARTERO. A. O. Inteligncia Artificial Terica e Prtica. 1 Edio.2008.

BOTELHO, Glenda. Processamento de Imagens no Auxilio a Deteco de Cncer de
Pele utilizando redes Neurais Artificiais. Universidade Federal de Gois, 2007.

BRAGA, A.P.; CARVALHO, A.P.L.F.; LUDEMIR, T.B. Redes Neurais Artificiais:
Teoria e Aplicaes. 1 Edio. Rio de Janeiro: LTC, 2000.

CROSTA, lvaro. Processamento de Imagens Digitais de Sensoriamento Remoto.
UNESP Campus de Rio Claro. Disponvel em :
http://www.rc.unesp.br/igce/geologia/GAA01151/adicional.pdf. Acesso: 3 abr.2013.


FARIA S. L; J. SALVAJOLI Joo Victor; SOUHAMI, J. Radioterapia em Oncologia.
1. Ed. Rio de Janeiro: Medisi, 1999.

FERNEDA, Edberto. Redes neurais e sua aplicao em sistemas de recuperao de
informao. Ci. Inf., Braslia , v. 35, n. 1, Apr. 2006. Disponvel:
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0100-
19652006000100003&lng=en&nrm=iso. Acesso: 20 set.2013.

FERNANDES C. Nurimar el tal Melanoma cutneo: estudo prospectivo de 65 casos.
Anais Brasileiros de Dermatologia. Rio de Janeiro: Vol. 1, Jan/Fev, 2005. Disponvel
em:http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0365-05962005000100004.
Acesso 28 mar., 2013.

GONZALEZ R.C., Woods R.E. Processamento de imagens digitais (verso
traduzida).So Paulo: Editora Pearson Education, 2011.

KOVCS. Z.L. Redes Neurais Artificiais Fundamentos e Aplicaes. Editora
Livraria da Fsica. 2006

MARQUES FILHO, Og; VIEIRA NETO, Hugo. Processamento Digital de Imagens,
Rio de Janeiro: Brasport, 1999.

MARTA, G. N. Melanoma de mucosa oral. Revista brasileira de cancerologia , pg.
35-39.Ano de Publicao: 2007.

MARTINS, Antnio C.G. Processamento de Imagens Digitais. UNESP - Campus de
Sorocaba, 2011. Disponivel em:
http://www2.sorocaba.unesp.br/professor/amartins/aulas/pdi/aula1.pdf. Acesso: 3 abr.2013.

MINISTRIO DA SADE - INSTITUTO NACIONAL DO CNCER. ABC do -
Cncer Abordagens Bsicas para o Controle do Cncer. Rio de Janeiro, 2011.
100

MINISTRIO DA SADE - INSTITUTO NACIONAL DO CNCER. Tratamento
Cirrgico. Disponivel em: http://www.inca.gov.br/conteudo_view.asp?id=98. Acesso 4
abril.,2013.


MIOT, H.A. . Anlise computacional e processamento digital de imagens para
avaliao da regra do ABCD do melanoma cutneo e implicaes em
dermatologia. 2012

MULLER R. Karen el tal. Avaliao do aprendizado dos pacientes sobre a regra do ABCD:
um estudo randomizado no sul do Brasil. An Bras Dermatol. p.593-8.2009.

NEVES, L. A. P. ; Neto, H. V. ; Gonzaga, A. . Avanos em Viso Computacional. 1. ed. Curi:
Omnipax Editora Ltda., 2012. v. 1. 406p.

OLIVEIRA Filho, K. d., & SARAIVA, M. d. (n.d.). Danos ao olho por olhar
diretamente ao Sol. Retrieved Janeiro 11, 2013, from Instituto de fisca UFRGS.
Disponvel em : http://astro.if.ufrgs.br/eclipses/olho.htm. Acesso: 24 mar. 2013.


PEDRINI, Hlio. Anlise de Imagens Digitais: Princpios, Algoritmos e Aplicaes.
Editora Thomson, 2008.

PEDRINI, Hlio. Tpicos em Processamento de Imagens. Instituto de Computao da
Unicamp. Disponivel em: http://www.ic.unicamp.br/~helio/disciplinas/MC940/aula_cores.pdf.
Acesso: 3 abr. 2013.


PROGRAMA NACIONAL MIGRAO E SADE Melanoma Maligno.
Disponvel em: http://assets.krebsliga.ch/downloads/fs_melanom_portugiesisch.pdf.
2008-2013. Acesso: 28 mar., 2013

REZZE, Gisele Gargantini; S, Bianca Costa Soares; NEVES, Rogrio Izar.
Dermatoscopia: o mtodo de anlise de padres. Disponvel em:
http://www.scielo.br/scielo.php?pid=S0365-05962006000300009&script=sci_arttext;
Acesso: 1 mar., 2013.

REZZE, Gisele. Gargantini; S, Bianca. Costa; NEVES, Rogrio Izar. (2006).
Dermatoscopia: o mtodo de anlise de padres. Anais Brasileiros de Dermatologia ,
pg. 261-268. Ano de Publicao 2006.

SADEGHI,M. , T. Lee, H. Lui, D. McLean, M. S. Atkins, Oriented Pattern Analysis
for Streaks Detection in Dermoscopy Images, Medical Image Computing and
Computer Assisted Intervention, Springer-Verlag Lecture Notes in Computer Science,
MICCAI (1) 2012: 298-306

STEMMBER, Marcelo R. el tal. Apostila de Sistemas de Viso. Faculdade Federal de
Santa Catarina, 2005. Disponvel em: http://s2i.das.ufsc.br/harpia/downloads/apostila-
sistemas-visao.pdf. Acesso: 25 mar. 2013.


101

SALVAJOLI, Joo Victor; SOUHAMI, L.; FARIA, S. L. Radioterapia em oncologia.
1999.

SCHWARTZ, J. H.; JESSEL, T.M. Princpios da Neurocincia. 4 Edio. So Paulo:
Manole, 2003.

TARALLO, A. S.; ALVES, D. M.; NASCIMENTO, T.C.; GONZAGA, A. .
Classificao de Padres em Imagens utilizando Redes Neurais Artificiais LVQ. In:
I WORKSHOP DE VISO COMPUTACIONAL, WVC'2005, 2005, Piracicaba.
ANAIS DO I WORKSHOP DE VISO COMPUTACIONAL, WVC'2005. So Carlos:
Escola de Engenharia de So Carlos, 2005. v. 1. p. 28-31.
UNIVERSIDADE ESTUDUAL DE CAMPINAS FACULDADE DE CINCIAS
MDICAS. Normas e Condutas Melanoma Maligno. Disponvel em:
http://www.fcm.unicamp.br/diretrizes/pdfs/Normas%20e%20Condutas%20-
%20Melanoma%20Maligno.pdf. Acesso: 28 mar., 2013.