Wyjrywanie siatki typowej i atypowej na obrazach znamion skórnych

Celem niniejszej pracy magisterskiej było zaprojektowanie systemu pozwalającego
na rozpoznawanie siatki typowej i atypowej na obrazach znamion skórnych.
Praca została podzielona na dwie części - teoretyczną oraz praktyczną.
Pierwsza część pracy opisuje kluczowe zagadnienia związane z czerniakiem - jego rodzaje
oraz objawy, które mogą świadczyć, że analizowana zmiana jest rakiem skóry.
W drugiej części pracy zostały opisane dotychczas opracowane systemy detekcji
czerniaków, metodologia pomiarów, metody przetwarzania otrzymanych obrazów oraz
opis zaprojektowanego systemu. Klasyfikacja została przeprowadzona przy użyciu
naiwnego klasyfikatora Bayesa oraz liniowej analizy dyskryminacyjnej LDA.
Test zaprojektowanego systemu wykazał, że siatka barwnikowa została rozpoznana
poprawnie w 91% przypadkach przy użyciu 2 parametrów do klasyfikacji, oraz 95% przy
zastosowaniu 3 parametrów dyskryminujących. Aby osiągnąć zamierzenia pracy napisane
zostały programy w języku Python umożliwiające analizę otrzymanych obrazów znamion
oraz przeprowadzono klasyfikację przy użyciu oprogramowania MaZda.
Słowa kluczowe: czerniak, przetwarzanie obrazów, typowa siatka barwnikowa, atypowa
siatka barwnikowa, 7-punktowa lista kontrolna.

The purpose of this thesis was to develop a system enabling detection of typical
and atypical pigment network on the lesions images.
The dissertation was divided into two parts- theoretical and practical.
The first part of the thesis includes basic knowledge about malignant melanoma - its types
and symptoms indicating that lesion could be a skin cancer. It also covers detection and
treatment methods of the malignant melanoma.
The second part of the dissertation contains information about already developed
melanoma diagnosis systems, methodology of image acquisition, methods used for image
processing and description of the designed system. The classification part of the system
was based on Naive Bayes Classifier and Linear Discriminant Analysis LDA.
The achieved result for analyzed images was 91% correctly detected pigmentation
networks using 2 parameters and 95% when using 3 parameters for classification.
The main purpose of this thesis was accomplished using scripts developed with Python
programming language and MaZda software.
Keywords: malignant melanoma, image processing, typical pigment network, atypical
pigment network, 7-point checklist.