การสกัดคุณลักษณะเอบีซีดีเพื่อประเมินความเสี่ยงโรคผิวหนังเมลาโนมาด้วยการประมวลผลภาพ: การทบทวนวรรณกรรม
คำสำคัญ:
มะเร็งเมลาโนมา, การประมวลผลภาพ, การสกัดคุณลักษณะ, หลักเอบีซีดีบทคัดย่อ
มะเร็งเมลาโนมาเป็นมะเร็งผิวหนังที่พบไม่บ่อยนัก แต่เซลล์มะเร็งมีโอกาสแพร่กระจายไปยังอวัยวะภายใน ส่งผลให้มีอัตราการเสียชีวิตสูง การวินิจฉัยมะเร็งเมลาโนมาในระยะต้นจะช่วยลดโอกาสการลุกลามและลดการเสียชีวิตของผู้ป่วยได้ แต่การวินิจฉัยมะเร็งในระยะต้นจำเป็นต้องอาศัยแพทย์ผู้เชี่ยวชาญ ซึ่งยังมีไม่เพียงพอในปัจจุบัน ดังนั้น การนำเทคโนโลยีที่ทันสมัยมาช่วยคัดกรองและวินิจฉัยมะเร็งเมลาโนมาจะช่วยลดอัตราการเสียชีวิตของผู้ป่วย และลดภาระงานของแพทย์ลงได้ การประมวลผลภาพเป็นสาขาหนึ่งของวิทยาศาสตร์ข้อมูลที่สามารถวิเคราะห์และแยกคุณลักษณะต่าง ๆ ของภาพ เช่น ขนาด สี ขอบเขต เป็นต้น โดยมีขั้นตอนการประมวลผลภาพ 5 ขั้นตอน ได้แก่ การเก็บข้อมูล การเตรียมข้อมูล การสกัดคุณลักษณะเฉพาะ การสร้างแบบจำลอง และการประเมินผล ขั้นตอนการสกัดคุณลักษณะของภาพมะเร็งผิวหนังเมลาโนมามักจะใช้วิธีการสกัดคุณลักษณะเอบีซีดี ซึ่งจะนำความไม่สมมาตร เส้นขอบ สี และเส้นผ่านศูนย์กลางของรอยโรคมาใช้ในการวิเคราะห์ เนื่องจากวิธีนี้ได้รับความนิยมและมีความแม่นยำสูง ในบทความวิชาการนี้ ได้สรุปขั้นตอนการประมวลผลภาพร่วมกับการสกัดคุณลักษณะเอบีซีดีเพื่อการวินิจฉัยมะเร็งผิวหนังเมลาโนมา โดยมีจุดประสงค์เพื่อให้ผู้อ่านเกิดความเข้าใจในกระบวนการดังกล่าว บทความนี้เป็นประโยชน์ต่อผู้สนใจในการประยุกต์ใช้วิทยาศาสตร์ข้อมูลทางการแพทย์ และเพื่อเป็นแนวทางในการพัฒนานวัตกรรมที่ก่อให้เกิดประโยชน์กับผู้ป่วยและสังคมต่อไปในอนาคต
Downloads
เอกสารอ้างอิง
Jain S, jagtap V, Pise N. Computer Aided Melanoma Skin Cancer Detection Using Image Processing. Procedia Comput Sci. 2015;48:735-740. https://doi.org/10.1016/j.procs.2015.04.209
Chang JWC, Guo J, Hung CY, et al. Sunrise in melanoma management: Time to focus on melanoma burden in Asia. Asia Pac J Clin Oncol. 2017;13(6):423-427. https://doi.org/10.1111/ajco.12670
Holmes GA, Vassantachart JM, Limone BA, Zumwalt M, Hirokane J, Jacob SE. Using Dermoscopy to Identify Melanoma and Improve Diagnostic Discrimination. Fed Pract. 2018;35(Suppl 4):S39-S45.
Argenziano G, Soyer HP, Chimenti S, et al. Dermoscopy of pigmented skin lesions: results of a consensus meeting via the Internet. J Am Acad Dermatol. 2003;48(5):679-693. https://doi.org/10.1067/mjd.2003.281
Vijayalakshmi M M. Melanoma Skin Cancer Detection using Image Processing and Machine Learning. Int J Trend Sci Res Dev. 2019;3(4):780-784. https://doi.org/10.31142/ijtsrd23936
Zhang N, Cai YX, Wang YY, Tian YT, Wang XL, Badami B. Skin cancer diagnosis based on optimized convolutional neural network. Artif Intell Med. 2020;102:101756. https://doi.org/10.1016/j.artmed.2019.101756
Haenssle HA, Fink C, Schneiderbauer R, et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol Off J Eur Soc Med Oncol. 2018;29(8):1836-1842. https://doi.org/10.1093/annonc/mdy166
Li Y, Shen L. Skin Lesion Analysis towards Melanoma Detection Using Deep Learning Network. Sensors. 2018;18(2):E556. https://doi.org/10.3390/s18020556
Seeja R D, Suresh A. Deep Learning Based Skin Lesion Segmentation and Classification of Melanoma Using Support Vector Machine (SVM). Asian Pac J Cancer Prev APJCP. 2019;20(5):1555-1561. https://doi.org/10.31557/APJCP.2019.20.5.1555
Rehman A, Khan MA, Mehmood Z, Saba T, Sardaraz M, Rashid M. Microscopic melanoma detection and classification: A framework of pixel‐based fusion and multilevel features reduction. Microsc Res Tech. 2020;83(4):410-423. https://doi.org/10.1002/jemt.23429
Daniel Jensen J, Elewski BE. The ABCDEF Rule: Combining the “ABCDE Rule” and the “Ugly Duckling Sign” in an Effort to Improve Patient Self-Screening Examinations. J Clin Aesthetic Dermatol. 2015;8(2):15.
Thanh DNH, Prasath VBS, Hieu LM, Hien NN. Melanoma Skin Cancer Detection Method Based on Adaptive Principal Curvature, Colour Normalisation and Feature Extraction with the ABCD Rule. J Digit Imaging. 2020;33(3):574-585. https://doi.org/10.1007/s10278-019-00316-x
Amoabedini A, Farsani MS, Saberkari H, Aminian E. Employing the Local Radon Transform for Melanoma Segmentation in Dermoscopic Images. J Med Signals Sens. 2018;8(3):184-194. https://doi.org/10.4103/jmss.JMSS_40_17
Isasi AG, Zapirain BG, Zorrilla AM. Melanomas non-invasive diagnosis application based on the ABCD rule and pattern recognition image processing algorithms. Comput Biol Med. 2011;41(9):742-755. https://doi.org/10.1016/j.compbiomed.2011.06.010
Dildar M, Akram S, Irfan M, et al. Skin Cancer Detection: A Review Using Deep Learning Techniques. Int J Environ Res Public Health. 2021;18(10):5479. https://doi.org/10.3390/ijerph18105479
Mendonca T, Ferreira PM, Marçal ARS, et al. PH2: A Public Database for the Analysis of Dermoscopic Images. In: Celebi ME, Mendonca T, Marques JS, eds. Dermoscopy Image Analysis. Melanoma Skin Cancer Detection. CRC Press; 2017.
International Skin Imaging Collaboration. SIIM-ISIC 2020 Challenge Dataset. Published online 2020. https://doi.org/10.34970/2020-DS01
Vocaturo E, Zumpano E, Veltri P. Image pre-processing in computer vision systems for melanoma detection. In: 2018 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). ; 2018:2117-2124. https://doi.org/10.1109/BIBM.2018.8621507
Hoshyar AN, Al-Jumaily A, Hoshyar AN. The Beneficial Techniques in Preprocessing Step of Skin Cancer Detection System Comparing. Procedia Comput Sci. 2014;42:25-31. https://doi.org/10.1016/j.procs.2014.11.029
Lee T, Ng V, Gallagher R, Coldman A, McLean D. DullRazor: a software approach to hair removal from images. Comput Biol Med. 1997;27(6):533-543. https://doi.org/10.1016/s0010-4825(97)00020-6
Wati M, Haviluddin, Puspitasari N, Budiman E, Rahim R. First-order Feature Extraction Methods for Image Texture and Melanoma Skin Cancer Detection. J Phys: Conf Ser. 2019;1230(1):012013. https://doi.org/10.1088/1742-6596/1230/1/012013
Bangare SL, Dubal A, Bangare PS, Patil ST. Reviewing Otsu’s Method For Image Thresholding. Int J Appl Eng Res. 2015;10(9):21777-21783. https://doi.org/10.37622/IJAER/10.9.2015.21777-21783
Majumder S, Ullah MA. Feature extraction from dermoscopy images for melanoma diagnosis. SN Appl Sci. 2019;1(7):753. https://doi.org/10.1007/s42452-019-0786-8
Zghal NS, Derbel N. Melanoma Skin Cancer Detection based on Image Processing. Curr Med Imaging Rev. 2020;16(1):50-58. https://doi.org/10.2174/1573405614666180911120546
Uddin MK, Azad I, Bhuiyan A. Image Processing for Skin Cancer Features Extraction. Int J Sci Eng Res. 2013;4(2):1-6.
Rigel DS, Russak J, Friedman R. The evolution of melanoma diagnosis: 25 years beyond the ABCDs. CA Cancer J Clin. 2010;60(5):301-316. https://doi.org/10.3322/caac.20074
Fu’adah YN, Pratiwi NC, Pramudito MA, Ibrahim N. Convolutional Neural Network (CNN) for Automatic Skin Cancer Classification System. IOP Conf Ser: Mater Sci Eng. 2020;982:012005. https://doi.org/10.1088/1757-899X/982/1/012005
Naranjo-Torres J, Mora M, Hernández-García R, Barrientos RJ, Fredes C, Valenzuela A. A Review of Convolutional Neural Network Applied to Fruit Image Processing. Appl Sci. 2020;10(10):3443. https://doi.org/10.3390/app10103443
Sagar A, Jacob D. Convolutional Neural Networks for Classifying Melanoma Images. Cancer Biology; 2020. https://doi.org/10.1101/2020.05.22.110973
Nasiri S, Helsper J, Jung M, Fathi M. DePicT Melanoma Deep-CLASS: a deep convolutional neural networks approach to classify skin lesion images. BMC Bioinformatics. 2020;21(Suppl 2):84. https://doi.org/10.1186/s12859-020-3351-y
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของราชวิทยาลัยจุฬาภรณ์
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับราชวิทยาลัยจุฬาภรณ์ และคณาจารย์ท่านอื่น ในราชวิทยาลัยฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
