Centro Universitário Católico Salesiano Auxilium – Araçatuba SP

Desenvolvimento do algoritmo para processamento

de imagens digitais para diagnóstico de melanoma

Daniel Soares Lopes

Flávio Henrique da Silva
Matheus Ferreira Bonfim

Araçatuba – SP
2013
 Desenvolvimento do algoritmo para
processamento de imagens digitais para
diagnóstico de melanoma

Trabalho de Conclusão de Curso de Graduação

em Engenharia da Computação
Orientador: Prof. Dr. Marco Antônio
Rodrigues Fernandes.
UniSALESIANO - Araçatuba

Araçatuba – SP
2013
 Desenvolvimento do algoritmo para
processamento de imagens digitais para
diagnóstico de melanoma

Acadêmicos:
Daniel Soares Lopes
Flávio Henrique da Silva
Matheus Ferreira Bonfim

Trabalho de Conclusão de Curso de Graduação

em Engenharia da Computação
Orientador: Prof. Dr. Marco Antônio
Rodrigues Fernandes.
UniSALESIANO - Araçatuba

Prof.
Centro Universitário Católico Auxilium – UniSALESIANO
Data:

Prof.
Centro Universitário Católico Auxilium – UniSALESIANO
Data:

Prof.
Centro Universitário Católico Auxilium – UniSALESIANO
Data:
 DEDICATÓRIA

Dedico à família que compartilharam todas as vitórias e angustias nesses 5 anos de luta
e dedicação.
Aos amigos, pela convivência durante esses 5 anos, dos quais ganharam meu respeito.
 AGRADECIMENTOS

Primeiramente agradeço a DEUS que permitiu que chegássemos até o final da

nossa jornada. A todos os amigos e principalmente a família que nos incentivaram
perante as dificuldades surgidas durante o curso.

Agradeço também o professor Dr. Marco Antônio, orientador e incentivador

desse projeto, que depositou sua confiança no grupo e através da sua enorme
experiência profissional e acadêmica conseguimos obter os resultados esperados, ao
Prof.Dr.Hélio Amantes Miot, do Departamento de Dermatologia da Faculdade de
Medicina da Unesp (Botucatu) que contribui com o seu vasto conhecimento na área
dermatológica e ao Prof.Dr. Leandro de Castro Nunes da Mackenzie de São Paulo que
permitiu que apresentássemos o nosso trabalho no XII Workshop do LCoN (
Laboratório de Computação Natural).
 MENSAGEM

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

“Não há fatos eternos, como não há verdades absolutas.”

Friedrich Nietzsche

“Aqui, no entanto, nós não olhamos para trás por muito tempo. Nós 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 irá avaliar as técnicas de processamentos de imagens aplicadas a

dermatologia visando propiciar a detecção precoce do melanoma maligno. Também serão
analisados algoritmos computacionais específicos aplicados em imagens dermatoscópicas
de nevos atípicos e spots, identificando um possível desenvolvimento do câncer de pele.
Pretende-se desenvolver uma técnica de PDI aplicada para a análise de imagens visando a
detecção de tumores cutâneos, pois os sistemas computacionais de análise de imagens
dermatoscópicas são geralmente importados e, portanto, protegidos de direitos de
propriedade, não permitindo o aprofundamento do conhecimento dos códigos envolvidos.
Este fato faz com que os custos de aquisição de tais sistemas tornem-se inviáveis à grande
maioria de serviços de dermatologia, principalmente aqueles que atendem aos pacientes
oriundos do Sistema Único de Saúde (S.U.S.). Além disso, os códigos atualmente existentes
são atrelados aos tipos de equipamentos, cuja operacionalidade varia conforme o fabricante.
Devido ao grau de complexidade dos algoritmos, sua compreensão exige a atuação de
profissionais com grande conhecimento de rotinas e sistemas computacionais sofisticadas.
A possibilidade de realização de pesquisas que busquem desenvolver softwares
capazes de interpretar com fidelidade os parâmetros geométricos e morfológicos
relacionados aos diagnósticos de lesões da pele através de imagens digitais, podem contribuir
para a melhoria da qualidade dos exames dermatoscópicos e democratizar o acesso aos
serviços especializados com a otimização das rotinas dos procedimentos médicose
cirúrgicos, envolvidos no exame e conduta terapêutica adequada para a especificidade da
lesão.
 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 SÍMBOLOS E GRANDEZAS

( )

D – Distância
D4 - Distância City-Block
D8 - Distância Chessboard
DE - Distância Euclidiana
L - Luminância
Lmax – Nível de cinza máximo
Lmin – Nível de cinza mínimo
R – Máscara
 LISTA DE ILUSTRAÇÕES

Figura 1 - Passo a passo do processo de carcinogênese. ............................................................. 22

Figura 2 - - Mutação e Formação do Câncer. ............................................................................. 22

Figura 3 - Evolução do Câncer.. ................................................................................................. 27

Figura 4 - Camada da pele. ......................................................................................................... 31

Figura 5 - ABCD do Melanoma .................................................................................................. 33

Figura 6 - Apresentações do CBC............................................................................................... 35

Figura 7 - Apresentações de CEC. .............................................................................................. 36

Figura 8 - Distribuição de regional de câncer em homens. ......................................................... 39

Figura 9 - Distribuição de regional de câncer em mulheres........................................................ 39

Figura 10 - Interdependência entre os termos do sistema de visão computacional. ................... 42

Figura 11 - Componentes de um sistema PDI. ............................................................................ 43

Figura 12 - Representação do Sistema Visual Humano. ............................................................. 45

Figura 13 - Representação gráfica do olho focalizando uma imagem. ....................................... 46

Figura 14 - Etapas de um sistema de PDI . ................................................................................. 47

Figura 15 - – Ilustração de Kanizsa. ........................................................................................... 48

Figura 16 - Espectro eletromagnético. ........................................................................................ 49

Figura 17 – Representação de uma imagem. .............................................................................. 51

Figura 18 - Representação do espectro de radiação visível. ...................................................... 52

Figura 19 - Espetro de cores criado pela passagem de luz branca através do prisma. ............. 53

Figura 20 - Representação do espectro eletromagnético............................................................. 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 - Representação de uma imagem digital. Matriz M xN. ........................................... 58

Figura 27 - Mapa de cores de uma imagem colorida. ................................................................. 59

Figura 28 - Redução da resolução espacial em imagem. Fonte: ................................................ 60

Figura 29 - Níveis de cinza de uma imagem. .............................................................................. 61

Figura 30 - Tipos de vizinhanças. ............................................................................................... 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 - Equalização de histograma de uma imagem. ........................................................... 67

Figura 36 - Algoritmo de equalização de histogramas em MATLAB. ....................................... 67

Figura 37 - Máscara de detecção de pontos. ............................................................................... 69

Figura 38 - Máscara de detecção de retas. .................................................................................. 69

Figura 39 - Transição entre regiões de uma imagem. ................................................................. 70

Figura 40 - - Primeira e segunda derivada para detecção de bordas. .......................................... 70

Figura 41 - Gradiente de uma borda. .......................................................................................... 71

Figura 42 - (a) junção L; (b) junção T; (c) junção X; (d) junção Y. .......................................... 72

Figura 43 - Eixos de simetria. ..................................................................................................... 74

Figura 44 - Divisão da lesão em 8 segmentos. ............................................................................ 74

Figura 45 - Cores presentes no melanoma. ................................................................................. 75

Figura 46 - Imagem escolhido para análise ................................................................................ 76

Figura 47 - Filtro Gaussiano ....................................................................................................... 77

Figura 48 - Multiplicação dos pixel's. ......................................................................................... 77

Figura 49 – Obtenção do ROI ..................................................................................................... 78

Figura 50 - Produto da imagem original pela binária. ................................................................ 78

Figura 51 - Obtenção de dados - Command line........................................................................ 81

Figura 52 - Obtenção dos dados – (Interface IDLE do Python) ................................................ 81

Figura 53 – Imagem antes da análise. ......................................................................................... 82

Figura 54 - Imagem após a análise (ROI) ................................................................................... 82

Figura 55 - Lesões de MM. ......................................................................................................... 83

Figura 56 - Lesões de Nevos. ...................................................................................................... 84

 LISTA DE TABELAS

Tabela 1 - Classificação dos Tumores ........................................................................................ 26

Tabela 2 - Fototipos de pele. ....................................................................................................... 32

Tabela 3 - Fatores de risco .......................................................................................................... 32

Tabela 4 - Estimava de câncer entre homem e mulher em 2012/2013. ...................................... 38

Tabela 5 - monocromática que possui de diferentes dimensões. ................................................ 60

Tabela 6 - Valores de Bayes e Tree ............................................................................................ 85

 LISTA DE ABREVIATURAS E SIGLAS

ABCD - Assimetria Bordas Coloração e Diâmetro

CBC – Carcinoma Basocelular
CEC – Carcinoma Espinocelular
CYM – Cyan, Magenta, Yellow.
DB - Doença de Bowen
DNA – Ácido Desoxirribonucleico
HSI - Hue, Saturation, Intensity
IA – Inteligência Artificial
INCA – Instituto Nacional de Câncer
MÊS - 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 - Ácido Ribonucleico
RUV – Radiação Ultravioleta
TNM - Classificação de Tumores Malignos
UICC - União Internacional Contra o Câncer
UV – Ultravioleta
 SUMÁRIO

INTRODUÇÃO .......................................................................................................................... 17

CAPÍTULO I .............................................................................................................................. 20

Introdução à patologia cancerígena com foco a tumores cutâneos. ............................................ 20

1.1 Conceitos Básicos ............................................................................................................. 20

1.2 Progressão 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 epônimos ........................................................................................................... 24

1.4.4 Outros nomes utilizados ................................................................................................ 25

1.5 Processo de evolução 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 Câncer de Pele .................................................................................................................. 30

1.8.1 Tumores de pele do tipo melanoma .............................................................................. 31

1.8.1.1 Características Clínicas do Melanoma ........................................................................ 33

1.8.1.2 Apresentação Clínica patológica do Melanoma ......................................................... 34

1.9 Tumores de pele do tipo não melanoma .......................................................................... 35

1.9.1 Carcinoma Basocelular................................................................................................... 35

1.9.2 Carcinoma Espinocelular ................................................................................................ 36

1.10 Tipos de tratamento de câncer de pele .......................................................................... 37

1.10.1 Excisão Cirúrgica .......................................................................................................... 37

1.10.2 Radioterapia ................................................................................................................. 37

1.10.3 Quimioterapia ............................................................................................................. 37

 1.11 Estimativas e Incidência de Câncer no Brasil ................................................................ 38

CAPÍTULO II ............................................................................................................................. 41

Processamento e Análise de Imagens ......................................................................................... 41

2. Introdução e Conceitos Fundamentais ................................................................................ 41

2.1 Componentes de um Sistema de Visão ............................................................................. 43

2.2 Sistema Visual Humano .................................................................................................... 44

2.2.1 Formação de imagem no olho ........................................................................................ 46

2.3 Etapas de um Sistema de Processamento de Imagens ...................................................... 46

2.4 Radiações eletromagnéticas ............................................................................................. 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 Representação de uma Imagem Digital ............................................................................ 57

2.8.1 Imagem Multibanda ou Multiespectral ......................................................................... 58

2.8.2 Resolução Espacial e Profundidade da Imagem ............................................................ 59

2.8.3 Amostragem e quantificação ......................................................................................... 61

2.8.4 Elementos de uma imagem ............................................................................................ 63

2.8.4.1 Caminho ...................................................................................................................... 63

2.8.4.2 Distância ..................................................................................................................... 64

2.9 Histograma ........................................................................................................................ 66

2.9.1 Equalização de Histograma ............................................................................................ 66

2.10 Segmentação................................................................................................................... 68

2.10.1 Detecção de descontinuidade ....................................................................................... 68

2.10.2 Detecção de Pontos e Retas ......................................................................................... 69

 2.10.3 Detecção de Bordas ..................................................................................................... 69

2.10.3.1 Operadores Diferenciais ............................................................................................ 71

2.10.4 Detecção de Junções e Cantos ..................................................................................... 71

2.11 Morfologia matemática .................................................................................................. 72

CAPÍTULO III ............................................................................................................................ 73

Materiais e Métodos.................................................................................................................... 73

3.1 Regra do ABCD .................................................................................................................. 73

3.2 Assimetria ......................................................................................................................... 74

3.3 Borda ................................................................................................................................. 74

3.4 Coloração e Diâmetro ....................................................................................................... 75

3.5 Matérias e Métodos ........................................................................................................... 75

3.6 Pré – Processamento ........................................................................................................ 76

3.7 Extração de Características ............................................................................................... 78

3.7.1 Entropia ......................................................................................................................... 79

3.7.2 Energia.......................................................................................................................... 79

3.7.3 Variância ........................................................................................................................ 79

3.7.4 Homogeneidade ............................................................................................................ 79

3.8 Matriz de Co – Ocorrência .............................................................................................. 80

3.9 Análise ............................................................................................................................... 80

CAPÍTULO IV............................................................................................................................ 83

Resultados ................................................................................................................................... 83

4.1 Avaliação dos Resultados .................................................................................................. 83

CONCLUSÃO ............................................................................................................................ 86

APÊNDICES .............................................................................................................................. 87

APÊNDICE A - Python............................................................................................................. 87

APÊNDICE B - Algoritmo de análise ....................................................................................... 88

REFERÊNCIAS BIBLIOGRÁFICAS ............................................................................................... 99

 17

INTRODUÇÃO

Atualmente o câncer é uma das maiores causas de morte do mundo e é

considerado como uma doença genômica, surgindo como consequência de alterações do
material genético (DNA). A incidência do melanoma cutâneo vêm aumentando
mundialmente e, por tratar-se de uma neoplasia bastante agressiva e de difícil
tratamento em estágios mais avançados, o diagnóstico precoce é o principal
procedimento para a cura do paciente. Graças ao avanço acelerado da tecnologia e seus
respectivos empregos nas mais diversas áreas do conhecimento, a utilização de métodos
e técnicas de engenharia em aplicações médicas, proporcionam um melhor
entendimento dos sistemas biológicos e de suas funcionalidades, e um diagnóstico
patológico mais preciso.

As técnicas de processamento de imagens é certamente uma área em

crescimento que de tal forma merece total atenção nos dias atuais, processo que permite
o diagnóstico de determinadas neoplasia, por exemplo, melanoma. Segundo Marques
Filho (1999) e Vieira Neto (1999) as primeiras aplicações que utilizaram o conceito de
processamento de imagens iniciaram no começo da década de 20, onde se buscavam
formas de aprimorar a qualidade de impressões de imagens digitalizadas transmitidas
através do sistema BARTLANE (Sistema de aprimoramento da qualidade de impressões
digitais) que transmitia imagens via cabo submarino entre Londres e Nova Iorque.

Mas o grande impulso que alavancou a área de processamento de imagens veio

somente após três décadas em 1950, devido ao eminente advento dos computadores
digitais de grande porte, técnica proveniente dos estudos dos sinais, afinal as imagens
são como sinais, que na realidade representam um suporte físico que carrega no seu
interior uma determinada informação.

O uso de técnicas computacionais de aprimoramento de imagens teve início

no Jet Propulsion Laboratory (Pasadena, California - EUA) em 1964,
quando imagens da lua transmitidas por uma sonda Ranger2 eram
processadas por computador para corrigir vários tipos de distorção
inerentes à câmera de TV acoplada à sonda. Estas técnicas serviram de base
para métodos aprimorados de realce e restauração de imagens de outros
programas espaciais posteriores, como as expedições tripuladas da série
Apollo, por exemplo. (MARQUES FILHO; VIEIRA NETO, 1999, p.23).
 18

Essa informação pode estar associada respectivamente a uma medida, ou a um

nível cognitivo. Sendo, assim possível transformar a imagem de forma sucessiva a fim
de extrair com mais facilidade as informações nela contida. Prática que hoje permeia
quase todos os ramos da ciência, inclusive na medicina, como por exemplo, a
interpretação de imagens radiológicas e tomográficas. Áreas distintas também se
beneficiam de seus métodos, como astronomia, agricultura entre outras.

A Dermatoscopia é uma técnica utilizada para o melhoramento dos diagnósticos

de câncer de pele, proporcionando a não incisão cirúrgica de lesões e pintas benignas na
pele, consequentemente evitando práticas cirúrgicas desnecessárias. Caracteriza-se por
ser um método não invasivo que auxilia na avaliação de lesões da pele, permitindo a
observação de estruturas da pele (epiderme e da derme papilar) não observadas a olho
nu. Técnica que utiliza imagens magnificadas (até 400x) para a análise morfológica das
lesões, no qual um feixe luminoso é emitido por uma lâmpada alógena, que incide em
ângulo de 20º na superfície cutânea, entre a superfície e a lâmpada é aplicado um fluido
a fim de eliminar a reflexão da luz, permitindo a observação de características
dermatoscópicas resultantes da melanina e hemoglobina nos diferentes níveis da
epiderme e derme.

Entretanto a Dermatoscopia apresenta um grande problema: sua utilização

depende do nível de conhecimento tecnológico do dermatologista. Sistemas de
hardware, de software de processamento de imagens têm como finalidade, reduzir os
possíveis erros, tais como, a execução de algoritmos computacionais de pré-
processamento e segmento, objetivando a extração de ruídos e determinação de certas
partes das imagens, por exemplo, as bordas, cujas delimitações são importantes para
determinados métodos de análise. A Dermatoscopia Digital auxilia no diagnóstico
clínico, porém não substitui o exame histopatológico, que continua sendo o padrão para
diagnóstico como de lesões melanocíticas.

O melanoma maligno apresenta características próprias no que diz

respeito à coloração e formação. E através de comparações destas informações e com o
auxilio da regra do ABCD, que foi introduzida por Wilhelm Stolz em 1994, devido à
dificuldade do diagnóstico precoce do melanoma, e sua confusão comum com nevos e
manchas benignas (na fase inicial e atualmente é o padrão utilizado em análises
dermatoscópicas na classificação das lesões pigmentadas. Os critérios da Regra ABCD
 19

são descritos da seguinte forma: Assimetria (A): a lesão é dividida em dois eixos
perpendiculares (horizontal e vertical), e analisa-se a simetria em cada um destes; bordas
irregulares (B): a lesão é dividido em 8 partes, e analisado a diferença gradual entre o
interior da fronteira e da pele adjacente (externo); coloração uniforme (C): a presença de
mais de 3 níveis de cores já são um grande fator de malignidade, sendo testados até 6 cores,
diâmetro superior a 6 mm (D), parâmetros que auxiliaram ao desenvolvimento e
implementação de algoritmos e novas técnicas capazes de processar imagens de leões
com padrões característicos dos MM das imagens obtidas e já diagnosticadas. Os
parâmetros da regra do ABCD podem ser observados através do dermatoscópio, exigindo
certo grau de experiência e conhecimento do seu operador, fator diferencial na tarefa de
classificação dos tumores da pele com base em sinais visuais (imagens). Visando auxiliar
este possível problema inerente à dermatoscopia, quer seja, o nível de subjetividade imposto
pelo dermatologista e avaliador clínico, a utilização de métodos de Processamento Digital
de Imagens (PDI), aliados a dermatoscopia digital, propicia a análise computacional das
imagens da lesão de pele adquiridas, classificando-as e produzindo resultados com base em
suas informações de cor e forma e aspectos geométricos, morfológicos associados. Assim,
métodos de PDI podem ser usados para minimizar os erros, através de sistemas de software
e hardware, onde algoritmos computacionais de processamento prévio e segmentação serão
um dos principais componentes que constituirá a base desta pesquisa, além da utilização e
analise de algoritmos computacionais e desenvolvendo rotinas computacionais para este
fim.
Este trabalho está divido em quatro capítulos. O primeiro capítulo tem como
finalidade de enfatizar informações relacionadas ao câncer de maneira geral, mas com
enfâse principalmente no de pele, desde conceito, etimologia, classificação, diagnóstico,
causas, progressão e tratamento. O segundo capítulo aborda o processamento e análise de
imagens digitais, descrevendo etapas utilizadas no processo e analise dos algoritmos e seus
conceitos. O terceiro capítulo é voltado para materias e métodos, ou seja, o emprego e
análise de técnicas de pré-processamento, destacando os parâmetros desenvolvidos com
base na Regra do ABCD, além de analisar os métodos de inteligência artificial para obter os
resultados esperados. O quarto e último capitulo discute os resultados obtidos após a análise
e os pontos positivos dos métodos de análise.
 20

CAPÍTULO I

Introdução à patologia cancerígena com foco a tumores cutâneos.

1.1 Conceitos Básicos

Câncer é o nome dado a um conjunto de mais de 100 doenças que têm em comum o
crescimento desordenado (maligno) de células que invadem os tecidos e órgãos, podendo espalhar-
se (metástase) para outras regiões do corpo. Dividindo-se rapidamente, estas células tendem a ser
muito agressivas e incontroláveis, determinando a formação de tumores (acúmulo de células
cancerosas) ou neoplasias malignas. Por outro lado, um tumor benigno significa simplesmente uma
massa localizada de células que se multiplicam vagarosamente e se assemelham ao seu tecido
original, raramente constituindo um risco de vida. Dentre vários os tipos o de pele é o tipo mais
frequente na população brasileira, compreendendo a 25% de todos os diagnósticos canceriginos
(INCA, 2013).
O corpo humano é formado por diversos tipos de células e cada uma delas contém
caracteristicas que variam conforme a função que executam. Entretanto, todas as células do corpo
humano são formadas por três partes básicas: a membrana plasmática é a parte externa da célula, o
citoplasma e o núcleo. A membrana plasmática é a parte externa da célula, o citoplasma é o corpo
celular constituído por diversas estruturas como, por exemplo, o citoesqueleto e os ribossomos, e o
núcleo é o centro de controle da célula formado principalmente por cromossomos que, por sua vez
são formados por genes (LINHARES; GEWANDSZNAJDER, 1998).
Os genes são uma espécie de arquivo que guardam as informações necessárias para
reproduzir toda a estrutura do corpo em um material químico, conhecido como Ácido
Desoxirribonucléico (DNA). Além disso, o crescimento, a multiplicaçãao e a diferenciação de todas
as células do organismo são determinados por comandos genéticos. Uma célula normal está sujeita a
alterações no DNA dos genes devido a fatores externos, como substâncias químicas, radiações e
infecções virais. Essas alterações, também chamadas de mutações genéticas, podem causar
mudanças significativas no comportamento celular. Quando ocorre uma mutação que altera os
comandos de divisão, diferenciação e morte celular, possibilitando sua multiplicação descontrolada,
origina-se o tumor (HERZBERG; FERRARI, 2003).
 21

O tumor maligno, frequentemente chamado de câncer ou neoplasia, é um conjunto de

células praticamente idênticas, formadas por sucessivas divisões celulares. Como o sistema
imunológico não consegue destruir as células anormais, o tumor evolui e invade estruturas
próximas. Às vezes, as células cancerígenas adquirem a capacidade de se disseminar para outras
regiões do corpo, através do sangue ou da linfa, processo chamado de metástase. Também existem
os tumores benignos que são aglomerados de células que crescem devagar e permanecem separados
do tecido que o rodeia, podendo ser removidos cirurgicamente (INCA , 2013).
Um dos maiores obstáculos ao tratamento do câncer é a formação de metástases, pois a
partir do momento que as células cancerígenas invadem várias regiões do corpo, o tratamento se
torna mais difícil e traumático, muitas vezes não existindo chances de cura. Por isso, a prevenção e a
detecção precoce do câncer são de fundamental importância para o seu tratamento. E, uma das
melhores formas de prevenção à conhecer as possiveis causas da doença.

1.2 Progressão e desenvolvimento

Todas as células estão sujeitas a sofrerem mutações de suas estruturas genéticas por diversos
fatores internos e externos. Basicamente as células animaisé constituida por 3 camadas (membrana
celular, citoplasma e núcleo, local onde de encontra os cromossomos). Estes são constituidos por
genes, unidade possuidora da hereditariedade e instruções genéticas do qual possui todas as
informações necessárias sobre o desenvolvimento de todos os seres vivos. Estas informações estão
contidas dentro dos genes, através de composto orgânico chamada de Acido Desoxirribonucléicos
(pt: ADN/en: DNA), local onde esta sujeito as possiveis alterações genéticas.
Segundo o Institudo Nacional do Câncer (INCA), todo processo de formação do câncer é
chamada de carcinogênese. Seu desenvolvimento é constituido em etapas, todas auxiliadas por
agentes cancerígenos, responsáveis pelas primeiras modificações celulares, até a evolução destas em
tumores.
 Estágio inicial: primeiro contato dos genes com os agentes cancerígenos, apresentando as
primeiras modificações nas células;
 Estágio de promoção: estas células modificadas através de longos e efetivos contatos com
agentes cancerígenos, lentamente vão sofrendo alterações e se transformando em células
malignas, a partir do momento que ela é convertida, a célula começa a formar novos vasos
 22

sanguíneos, a fim de manter e nutrir suas atividades de crescimento e multiplicação.

 Estágio de progressão: neste estágio as células cancerígenas começam a se multiplicar
freneticamente, invadindo tecidos vizinhos e passando suas mutações, gerando assim novas
células malignas.
Geralmente as células de um câncer qualquer, independente de sua origem; possuem a
capacidade de metástase, que é quando as células cancerígenas atingem os vasos linfaticos e
começam a se distribuirem pelo corpo, formando assim novas colonias (câncer) ao longo do corpo.
A Figura 1 ilustra o processo de carcinogêse e a Figura 2 mostra as mutaçãos
que as sofrem até a formação do câncer mostram tanto as etapas de mutação das células
e a formação do câncer, assim os estágios do processo de carcinogênese:

Figura 1 - Passo a passo do processo de carcinogênese.

Fonte: Livro do ABC Câncer, 2010.

Figura 2 - - Mutação e Formação do Câncer.

Fonte: Livro do ABC do Câncer, 2010.

1.3 Etimologia

A palavra câncer vem do grego karkínos, quer dizer caranguejo, e foi utilizada
pela primeira vez por Hipócrates, o pai da medicina, que viveu entre 460 e 377 a.C.
(INCA, 2010).
 23

Ao relacionarmos a palavra câncer com a medicina, definimos como conjunto de

mais de 100 doenças que têm em comum o crescimento desordenado de células de
tecidos e órgãos, podendo espalhar-se para outras regiões do corpo ( INCA, 2013).
Usualmente o câncer não pode ser considerado inicialmente como um tumor
benigno que pode ser removido rapidamente, é necessário a realização de exames para
que se possa saber a natureza desse tumor e sua respectiva classificação: benigno ou
maligno.
O termo tumor maligno significa o acúmulo de células cancerígenas em um
devido local no organismo. No caso do melanoma maligno, se tem como origem dos
melanocíticos, em geral do sitio primário cutâneo.
Pesquisas mostram que o câncer é uns dos principais problemas de saúde
pública, sendo responsável por mais de seis milhões de óbitos a cada ano,
correspondendo cerca 12% de todas as causas de morte do mundo.
Segundo o INCA, a maioria dos casos de câncer (80%) está relacionada ao meio
ambiente, no qual encontramos um grande número de fatores de risco, como cigarros,
bebidas alcoólicas ou exposição à radiação. No exemplo de câncer de pele, a radiação
ultravioleta (RUV) proveniente do Sol é o grande fator de risco.

1.4 Nomenclatura

A designação dos tumores baseia-se na sua histogênese e histopatológica. 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 compõe 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, é necessário considerar a origem embrionária dos

tecidos de que deriva o tumor, para se puder, aplicar as regras de nomenclatura.
Os tumores malignos dos quais se originam dos epitélios de revestimento externo e
interno são denominados carcinomas. Quando o epitélio de origem for glandular,
passam a ser chamados adenocarcinomas (INCA 2013).
Exemplos:
 Carcinoma basocelular da face.
 Adenocarcinomas de ovário.
O nome dos tumores malignos originários dos tecidos conjuntivos
(mesenquimais) é formado pelo nome do tecido mais a determinação 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 epônimos

Há 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. São exemplos: o linfoma de Burkitt, o sarcoma de
Ewing, o sarcoma de Kaposi, o tumor de Wilms (nefroblastoma), o tumor de
Krukemberg (adenocarcinomas mucinoso metastático para ovário).(INCA,2013)
 25

1.4.4 Outros nomes utilizados

A nomenclatura de alguns tumores foge a qualquer critério histogenético ou

morfológico, como são os exemplos da doença de Hodgkin e da mola hidatiforme. A
denominação micose fungóide, embora não 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 é dito
adenoescamoso quando possui componentes epiteliais e glandulares malignos. Será um
adenoacantoma quando somente a linhagem glândular for maligna, mas apresentar áreas
de metaplasia escamosa. Tumores como o melanoma e os linfomas podem receber o
adjetivo “maligno”, apesar de não possuírem a variante benigna. Isto ocorre devido à
confusão que sua terminação-oma faz com a nomenclatura de tumor benigno. A tabela 1
apresenta um resumo de classificação das neoplasias de acordo com as regras e
exceções apresentadas, além de suas respectivas origens. Diante da variedade de
classificações usadas de modo não sistematizado, em todo o mundo, é evidente que se
tornou difícil fazer estudos comparativos entre diferentes regiões 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 Organização Mundial da Saúde (OMS) vem tentando uniformizar a nomenclatura
mundial, tendo lançado, em vários idiomas, edições do CID-O (Código Internacional de
Doenças - Oncologia), nas quais se permite utilizar toda a sinonímia de topografia e
nomenclatura dentro de códigos numéricos. Essa nomenclatura vem sendo usada por
grande número de especialistas em todo o mundo e é adotado apelo Registro Nacional
de Patologia Tumoral do Ministério da Saúde (RNPT), que cadastra um numeroso
grupo de laboratórios de Anatomia Patológica de todo o Brasil (INCA,2010).
 26

Tabela 1 - Classificação dos Tumores

ORIGEM BENIGNOS MALIGNOS

Tecido Epitelial
Revestimento Papiloma Carcinoma
Glandular Adenoma Adenocarcinoma
Tecido Conjuntivo
Fibroso Fibroma Fibrossarcoma
Mixóide Mixoma Mixossarcoma
Adiposo Lipoma Lipossarcoma
Cartilagem Condroma Condrossarcoma
Vasos sanguíneos Hemangioma Hemangiossarcoma
Glômus Giomangioma -
Pericitos Hemangiopericitoma Hemangiopericitoma Maligno
Vasos linfáticos Lingangioma Linfangiossarcoma
Mesotélio - Mesotelioma maligno
Meringe Meringioma Meringioma maligno
Tecido Hemolinfopoético
Mielóide - Leucemia (vários tipos)
Linfóide - Leucemia Linfocitica
- - Linfoma
- - Plasmocitoma
- - Doença de Hodgkin
Células de Langerhans - Histiocitose X
Tecido Muscular
Lipo Leiomioma Leiomiossarcoma
Estriado Rabdomioma Rabdomiossarcoma
Tecido Nervoso
Neuroblasto e/ou Ganglioneuroma Ganglioneuroblastoma
Neurônio - Neuroblastoma
Fonte: Fisiopatologia do câncer, cap. 2, (INCA, 2010)

1.5 Processo de evolução dos tumores

Através do conhecimento da evolução o tumor ou do seu crescimento é possível

identifica-los quando a lesão está na fase pré – neoplásica, ou seja, não se desenvolveu.
A evolução do tumor maligno depende de alguns fatores:
 da velocidade do crescimento tumoral.
 do órgão onde o tumor está localizado.
 de fatores constitucionais de cada pessoa.
Juntamente a esses fatores, os tumores podem ser detectados em diferentes fases:
 Fase pré-neoplásica (antes de a doença se desenvolver).
 27

 Fase pré-clínica ou microscópica (quando ainda não há sintomas).

 Fase clínica (apresentação de sintomas).
A figura 3 descreve as fases de detecção de forma simplificada:

Figura 3 - Evolução do Câncer.

Fonte: Livro ABC do Câncer, 2010.

Independente da fase que o câncer pele detectado, há necessidade de classificar

cada caso de acordo com a extensão do tumor. O método utilizado para realizar essa
classificação é denominado estadiamento, podendo ser clinico ou patológico. Na
medicina estadiar uma neoplasia maligna significa avaliar o grau de disseminação do
tumor.
Segundo o INCA, o sistema de estadiamento mais utilizado é o padronizado pela
União Internacional Contra o Câncer (UICC), denominado Sistema TNM de
Classificação dos Tumores Malignos, esse sistema não reflete em apenas na taxa de
crescimento e a extensão da doença, mas também ao tipo de tumor e sua relação com o
hospedeiro (paciente).

1.6 Sinais e sintomas

Basicamente, os sinais e sintomas do câncer podem ser divididos em três grupos:

 28

Locais:

 Caroços ou inchaços não usuais (tumor);

 Hemorragia (sangramento);
 Dor e/ou ulceração
 A compressão dos tecidos circundantes no fígado pode causar sintomas como
icterícia.
Metástase:

 Linfonodos aumentados;
 Tosse e hemoptise;
 Hepatomegalia (fígado aumentado);
Dor óssea;
 Fratura de ossos afetados e sintomas neurológicos;
 Embora o câncer avançado possa causar dor, ela geralmente não é o primeiro
sintoma.
Sistêmicos:

 Perda de peso (perda da massa muscular);

 Falta de apetite e caquexia (cansaço);
 Transpiração excessiva (suor noturno);
 Anemia e, em cerca de 10% dos doentes;
fenômenos paraneoplásicos específicos, ou seja, condições específicas que
ocorrem devido a um câncer ativo, como trombose ou mudanças hormonais.
Cada sintoma na lista acima pode ser causado por diversas condições. O câncer
tanto pode ser uma causa comum ou rara para cada item.

1.7 Causas

As causas de câncer são variadas, podendo ser externas ou internas ao

organismo, estando ambas inter-relacionadas. As causas externas relacionam-se ao
meio ambiente e aos hábitos ou costumes próprios de um ambiente social e cultural.
As causas internas são, na maioria das vezes, geneticamente pré-determinadas, estão
 29

ligadas à capacidade do organismo de se defender das agressões externas. Esses

fatores causais podem interagir de várias formas, aumentando a probabilidade de
transformações malignas nas células normais.
De todos os casos, 80% a 90% dos cânceres estão associados a fatores
ambientais. Alguns deles são bem conhecidos: o cigarro pode causar câncer de
pulmão, a exposição excessiva ao sol pode causar câncer de pele, e alguns vírus
podem causar leucemia. Outros estão em estudo, tais como alguns componentes dos
alimentos que ingerimos, e muitos são ainda completamente desconhecidos. O
envelhecimento traz mudanças nas células que aumentam a sua suscetibilidade à
transformação maligna. Isso, somado ao fato de as células das pessoas idosas terem
sido expostas por mais tempo aos diferentes fatores de risco para câncer, explica em
parte o porquê de o câncer ser mais frequente nesses indivíduos. Os fatores de risco
ambientais de câncer são denominados cancerígenos ou carcinógenos. Esses fatores
atuam alterando a estrutura genética (DNA) das células.
O surgimento do câncer depende da intensidade e duração da exposição das
células aos agentes causadores de câncer. Por exemplo, o risco de uma pessoa
desenvolver câncer de pulmão é diretamente proporcional ao número de cigarros
fumados por dia e ao número de anos que ela vem fumando.

1.7.1 Fatores de Risco de Natureza Ambiental

Os fatores de risco de câncer podem ser encontrados no meio ambiente ou

podem ser herdados. A maioria dos casos de câncer (80%) está relacionada ao meio
ambiente, no qual encontramos um grande número de fatores de risco. Entende-se por
ambiente o meio em geral (água, terra e ar), o ambiente ocupacional (indústrias
químicas e afins) o ambiente de consumo (alimentos, medicamentos) o ambiente social
e cultural (estilo e hábitos de vida).
As mudanças provocadas no meio ambiente pelo próprio homem, os 'hábitos' e o
'estilo de vida' adotados pelas pessoas, podem determinar diferentes tipos de câncer.

 Tabagismo
 Hábitos Alimentares
 30

 Alcoolismo
 Hábitos Sexuais
 Medicamentos
 Fatores Ocupacionais
 Radiação solar

1.8 Câncer de Pele

O câncer de pele é o tipo de câncer mais incidente em ambos os sexos no Brasil.

Entretanto, as lesões são de fácil diagnóstico clinico e podem atingir índices de curas
superiores a 95%, desde que diagnosticados nos estágios iniciais e tratados
corretamente.
Embora a incidência de melanoma represente cerca de 4% dos tumores de pele
(INCA, 2013), é um cancro considerado de maior importância, pois corresponde a 79%
das mortes por câncer de pele. Devido a essas circunstâncias o câncer tem sido alvo de
inúmeras pesquisas, das quais foram possíveis obter a relação do câncer com a
hereditariedade.
Entre os fatores de risco propícios para o desenvolvimento desse cancro é a
exposição prolongada ao sol. O melanoma maligno (MM) que atinge principalmente
pessoas de pele e olhos claros, devido à formação da estrutura da pele, que apresenta
maior facilidade para queimaduras provocadas da radiação ultravioleta (RUV). A
maioria das lesões inicia em regiões mais expostas, como cabeça, pernas e pescoço.
As manchas são os primeiros sinais de alerta para desenvolvimento desse tipo de
câncer, normalmente as manchas coçam, ardem podendo até sangrar. Pintas existentes
que mudam de cor ou forma repentinamente, ou feridas que demoram mais de quatro
semanas para cicatrizar, também merecem atenção especial.
Umas das soluções de prevenção mais eficaz, e essencial para o não
desenvolvimento do MM, é a diminuição do contato excessivo com os raios
ultravioletas (UV) e a procura especializada de um dermatologista nos primeiros
sintomas apresentados.
Toda superfície da pele é composta por sulcos e saliências, particularmente
acentuadas nas regiões palmo-planares e extremidades dos dedos, onde sua disposição é
absolutamente individual, e peculiar, permitindo não somente sua utilização na
 31

identificação de indivíduos através de datiloscopia, como também, a diagnose de

enfermidades genéticas, através das impressões palmo-planares, os dermatoglifos. A
superfície cutânea apresenta, ainda de acordo com os segmentos corpóreos, variações
articulares e musculares; A cor da pele e determinada pela junção de vários fatores,
alguns de ordens genéticos, como a quantidade de pigmentação (melanina), e outros de
ordem individual, regional e mesmo sexual.
A Figura 4 ilustra de forma bem clara a camada da pele.

Figura 4 - Camada da pele. Fonte: INFOESCOLA

1.8.1 Tumores de pele do tipo melanoma

O melanoma maligno (MM) é a principal doença fatal relacionada à pele. As

incidências de mortalidade por melanoma vêm aumentando no mundo, sendo maior sua
incidência em países pouco desenvolvidos. (MARTA, 2003).
O MM é o câncer da pele de pior prognóstico. É um tumor muito grave devido
ao seu alto potencial de produzir metástases enviando células tumorais para outros
órgãos, onde se desenvolvem. Origina-se dos melanócitos, células que produzem o
pigmento que dá a cor da pele. Pode se originar da pele sã ou de lesões pigmentadas
pré-existentes, os nevos pigmentados ("sinais" escuros) e cicatrizes.
De ocorrência mais frequente em pessoas de pele clara, fototipos I ou II, o
melanoma pode surgir em área de pele não exposta ao sol, porém, o maior número de
 32

lesões aparece nas áreas da pele que ficam expostas à radiação solar. A importância do
autoexame e de um acompanhamento médico ao notar sinais ou pintas com certo grau
de alarme é essencial.
Muitos são os fatores desencadeantes do melanoma, a Tabela 2 mostra alguns
dos principais agentes que contribuem para o desenvolvimento dessa neoplasia, já a
Tabela 3 mostra os fatores de risco do melanoma.

Tabela 2 - Fototipos de pele.

Fototipos da pele Consequências da exposição solar

I Pele clara, olhos azuis,
sardentos.
II Pele clara, olhos azuis, verdes
ou castanhos claros, cabelos
louros ou ruivos.
III A média das pessoas brancas
normais
IV Pele clara ou morena clara,
cabelos castanhos escuros e
olhos escuros.
V Pessoas morenas
VI Negros
Fonte: DERMATOLOGIA. NET
Sempre se queimam e nunca se bronzeiam
Sempre se queimam e, às vezes, se bronzeiam.
Queimam-se moderadamente, bronzeiam-se
gradual e uniformemente.
Queimam-se muito pouco, bronzeiam-se
bastante.
Raramente se queimam, bronzeiam-se muito.
Nunca se queimam profundamente

Tabela 3 - Fatores de risco

Fatores de risco Risco Relativos

Nevos atípicos ou displásticos (com histórico familiar) 148
Nevos atípicos ou displásticos (sem histórico familiar) 7 a 70
Lentigo Maligno (melanoma in situ) 10
Números de nevos melanócitos benignos acima da média 2 a 64
Nevos Congênitos 17 a 21
Idade acima de 15 anos 88
Raça branca (especialmente cabelos ruivos) 12
Melanoma prévio 5a9
Melanoma cutâneo em pais, filhos e irmãos 2a8
Imunossupressão 2a8
Exposição excessiva ao sol (principalmente antes dos 15 anos) 3a5
Sensibilidade solar 2a3
Fonte: SALJAVOJI, 1999
 33

1.8.1.1 Características Clínicas do Melanoma

Existem quatro características próprias que auxiliam na identificação do tumor,

conhecida como regra do ABCD do melanoma, que levam em conta a Assimetria das
lesões, Bordas Irregulares, Coloração não uniforme em uma mesma lesão e Diâmetro
maior que seis milímetros (mm).
A Figura 5 apresenta uma comparação da regra do ABCD entre duas imagens de
lesões de pele com manifestação benigna e tumores do tipo melanoma.

Figura 5 - ABCD do Melanoma

Fonte: E-CANCER, INFORMAÇÕES PARA UMA
VIDA MELHOR. 2009
 34

Através da característica destinada à cor é possível analisar a profundidade de

um tumor. Partes mais escura são indicadores de maior crescimento vertical, devido a
pouca reflexão da energia luminosa nas camadas mais profundas da pele, já que esta
será mais absorvida pelas células do tecido.

1.8.1.2 Apresentação Clínica patológica do Melanoma

Segundo SALVAJOLI (1999) as apresentações clínicas do MM são baseadas em

seus aspectos patológicos e anatômicos, e estas são divididas em:
1) Melanoma expansivo superficial (MES) – é o mais frequente, 70% dos casos; no
tronco e membros inferiores. Várias colorações, como castanho, preto, róseo,
violeta; hipopigmentação central e expansão periférica; o matiz cinza-escuro
translúcido é altamente sugestivo.
2) Melanoma nodular (MN) - é o segundo mais comum, 15 a 30% dos casos, nas
quinta e sexta décadas de vida, sexo masculino, na proporção de 2:1. Apresenta-
se como lesão papulosa, elevada, de cor castanha, negra ou azulada. São
frequentes a ulceração e o sangramento; existe a variante amelanótica, com
superfície critematosa. A expressão é reservada às lesões primitivamente
nodulares, isto é, sem fase prévia de crescimento radial.
3) Melanoma lentiginoso acral (MLA) - nas regiões palmoplantares, extremidades
digitais, mucosas e semimucosas; é mais frequente em não brancos (35 a 60%).
Não tem predileção por sexo; sétima década de vida. Nas extremidades digitais
pode-se apresentar como lesão tumoral acastanhada subungueal, melanoníquia
estriada, fragmentação longitudinal da lâmina ungueal, além de paroníquia
crônica e persistente.
4) Melanoma lentigo maligno (MLM) - pouco frequente 5% dos casos; sexta e
sétima décadas de vida; surge em área de lentigo solar que se apresenta como
mácula acastanhada ou enegrecida, de limites nítidos e irregulares, alcançando
vários centímetros de diâmetro, localizada na face (90%), em mãos e membros
inferiores (10%). Nessa fase, podem ocorrer ulcerações, sangramento e
formação de crostas.
 35

1.9 Tumores de pele do tipo não melanoma

Entre os tumores de pele, o tipo não melanoma é o de maior incidência e mais

baixa mortalidade. Os mais frequentes são: carcinoma basocelular (CBC), responsável
por 70% dos diagnósticos, e o carcinoma epidermoide ou espinocelular (CEC),
representando 25% dos casos. O carcinoma basocelular, apesar de mais incidente, é
também o menos agressivo (INCA 2013).

1.9.1 Carcinoma Basocelular

O carcinoma basocelular (CBC) ou epitelioma basocelular é o tumor maligno

cutâneo localmente invasivo com maior incidência em indivíduos de pele clara. O CBC
invade os tecidos contíguos por expansões digitiformes irregulares. É constituído por
células que se assemelham à células basais da epiderme; estas células neoplásicas
originam-se de células epiteliais imaturas pluripotentes da camada basal da epiderme e
mais raramente de partes do complexo cutâneo pilo-sebáceo ou outros apêndices
cutâneos. Os CBCs podem apresentar tamanhos variados, lesões de poucos milímetros
já podem ser identificadas e, à medida que se desenvolvem, as características clínicas se
tornam mais evidentes; muitas vezes, porém, exigem exercício do diagnóstico
diferencial com outras dermatoses papulonodulares e ulceradas solitárias. O típico
crescimento lento e assintomático faz com que seja comumente referido pelos pacientes
como uma ferida que não cicatriza ou uma lesão de acne.
Clinicamente, os CBCs são divididos em cinco tipos: nódulo-ulcerativo,
pigmentado, esclerodermiforme ou fibrosante, superficial e fibroepitelioma. A figura 6
abaixo contém algumas apresentações de CBC:

Figura 6 - Apresentações do CBC.

Fonte: Dermatologia.net.2012.
 36

1.9.2 Carcinoma Espinocelular

Carcinoma Espinocelular (CEC) é o segundo tipo mais comum de câncer de

pele, sendo superado somente pelo carcinoma basocelular. Ocorre normalmente em
áreas expostas ao sol e está relacionado ao dano solar crônico, ou seja, ao acúmulo de
dano radiação ultravioleta na pele ao longo da vida. O CEC não é exclusivo da pele,
acometendo também mucosas, como, garganta, boca, colo do útero, vagina e pênis. Seu
comportamento é mais agressivo nas mucosas, principalmente em boca e garganta, com
maior risco de metástases e evolução para óbito. Na pele, esse tipo de câncer não é tão
agressivo. Diferente do que ocorre com o carcinoma basocelular, o carcinoma
espinocelular pode gerar metástases, o risco não é tão grande como no melanoma, mas
existe.
Segundo SALVAJOLI (1999), o CEC pode apresentar-se como placas
eritematosas, ou não, com graus variados de descamação e/ou formação de crostas, ou
como nódulos duros à palpação, que podem ulcerar-se ou torna-se vegetantes. O CEC
pode ser classificado conforme sua diferenciação na base celular, análogo ao melanoma:
1) Doença de Bowen: a doença de Bowen (DB) corresponde a um carcinoma
espinocelular in situ, ou seja, de localização intraepidérmica, apresenta um
crescimento lento.
2) Queratose Actínica: é uma lesão de pele causada pelo sol (por isso chamada de
actiníca) que se caracteriza por áreas avermelhadas ou ligeiramente acastanhadas
com uma superfície áspera.
3) Carcinomas de Glândulas Anexas: Subtipo mais raro, e bastante agressivo, tanto
na área que está situada a lesão como em capacidade de metastizar.
4) Querotocantoma: é um tumor cutâneo benigno. É caracterizado por
apresentar crescimento rápido e involução espontânea

Figura 7 - Apresentações de CEC.

Fonte Dermatologia. net. 2012.
 37

1.10 Tipos de tratamento de câncer de pele

Há muitas opções de tratamento para pessoas com câncer de pele dos tipos
melanoma ou não melanoma. A escolha do tratamento depende da idade, saúde geral do
paciente, estágio do câncer, se ele se espalhou do local original, e outros fatores
histológicos.

1.10.1 Excisão Cirúrgica

Forma terapêutica mais utilizada em tumores de pele é a remoção cirúrgica

deste. A área total do tumor deverá ser considerada como uma forma tridimensional,
sendo assim excisão é realizada a partir de um tamanho maior que o total de tecido
comprometido. O tratamento cirúrgico é considerado curativo quando indicado nos
casos iniciais da maioria dos tumores sólidos. É um tratamento radical, que compreende
a remoção do tumor primário com margem de segurança e, se indicada, a retirada dos
linfonodos das cadeias de drenagem linfática do órgão-sede do tumor primário.

1.10.2 Radioterapia

É um tratamento no qual se utilizam radiações para destruir um tumor ou

impedir que suas células aumentem. Estas radiações não são vistas e durante a aplicação
o paciente não sente nada. A radioterapia pode ser usada em combinação com a
quimioterapia ou outros recursos usados no tratamento dos tumores (INCA 2013).

1.10.3 Quimioterapia

Quimioterapia é um tratamento que utiliza medicamentos para destruir as células

doentes que formam um tumor. Dentro do corpo humano, cada medicamento age de
 38

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

1.11 Estimativas e Incidência de Câncer no Brasil

Segundo as estimativas 2012 realizadas pelo INCA, das quais são válidas para o
ano de 2013 apontam a ocorrência de aproximadamente de 518.510 casos novos de
câncer, incluindo os casos de câncer de pele não melanoma. Dados mostrados pelo
instituto mostra que excluindo os casos de pele não melanoma, estima-se um total de
385 mil novos casos no país.
Em números, no Brasil é 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 câncer de pele do tipo não melanoma corresponderá á
134 mil novos casos, sendo assim considerado o de maior incidência na população
brasileira. A Tabela 4 mostra a estimativa de novos casos de câncer entre homem e
mulheres respectivamente.
Tabela 4 - Estimava de câncer entre homem e mulher em 2012/2013.

Fonte: INCA (2012/2013).

 39

A distribuição dos casos novos de câncer segundo o tipo de tumor e segundo as

cinco regiões do país, para o sexo masculino, mostra-se heterogênea entre Estados e
capitais do país, o que fica em evidência ao se observar a representação espacial das
diferentes 27 taxas brutas de incidência (Figuras 8 e 9). As regiões Sul e Sudeste, de
maneira geral, apresentam as maiores taxas, enquanto as regiões Norte e Nordeste, as
menores. As taxas da região Centro-Oeste apresentam um padrão intermediário.

Figura 8 - Distribuição de regional de câncer em homens.

Fonte: INCA, 2012/2013

Figura 9 - Distribuição de regional de câncer em mulheres.

Fonte: INCA, 2012/2013
 40

Estimam-se, para o Brasil, 62.680 casos novos de câncer da pele não 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 câncer da pele não melanoma é o mais incidente em
homens nas regiões Centro-Oeste (124/100 mil), Sul (80/100 mil) e Norte (38/100 mil),
enquanto, nas regiões Sudeste (73/100 mil) e Nordeste (39/100 mil), é o segundo mais
frequente. Nas mulheres é o mais frequente em todas as regiões, com um risco estimado
de 109/100 mil na região Centro-Oeste, 91/100 mil na região Sudeste, 68/100 mil na
região Sul, 43/100 mil na região Norte e 42/100 mil na região Nordeste (Tabelas 4, 12,
22, 27 e 32).
Quanto ao melanoma da pele, sua letalidade é elevada, porém sua incidência é
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 região Sul.
 41

CAPÍTULO II

Processamento e Análise de Imagens

2. Introdução e Conceitos Fundamentais

A capacidade humana para captar, processar e interpretar altos volumes de dados

representa a principal finalidade da visão computacional. Ela busca o desenvolvimento e
aprimoramento de técnicas computacionais que sejam capazes de exercer a
compreensão e o funcionamento do sistema visual dos seres humanos que apresenta
inúmeras habilitadas sendo uma delas a interferência perante os estímulos visuais.
A visão computacional ao longos dos anos vem procurando auxiliar na resolução
de problemas considerados completos, cuja finalidade é obter informações de uma
determinada imagem, levando sempre como modelo a cognição humana.
Quando se diz a respeito a visão computacional outros termos interligados a esse
conceito surgem, termos que são 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 níveis, que estão
divididos em baixo nível, que é responsável pelo processamento da imagem e em alto
nível que se destina a análise de imagens, em muitas literaturas esses dois níveis estão
agrupados numa outra área de estudo denominada Processamento Digital de Imagens ou
PDI.
Processamento Digital de Imagens pode ser considerada uma área em pleno
crescimento, que se baseia na aplicação fórmulas matemáticas e probabilísticas, dais
quais são aplicadas nos valores de cada pixel (elementos básicos que formam as
imagens digitais). Em algumas literaturas o conceito de PDI é uma derivação de
Processamento de Sinais, pois como os sinais as imagens são uma espécie de suporte
físico que carrega no seu interior uma determinada informação, da qual através de
aplicações de técnicas de processamento é possível obter dados desta imagem.
Para Gonzalez (2011) não existem limites claros para consideramos uma linha
continua com o processamento de imagens em extremo e a visão computacional, mas no
 42

entanto é fundamental levar em consideração um paradigma três tipos de processos

computacionais definidos em: processos de níveis, baixos, médio e alto.

Os processos de nível baixo envolvem operações primitivas, como pré –

processamento de imagens para reduzir ruído, o realce o contraste e o
aguçamento da imagem. Um processo de imagens de nível baixo, envolve é
caracterizado pelo fato de tanto a entrada quanto a saída serem imagens. O
processamento de nível médio envolve tarefas como segmentação (separação
de imagens em regiões ou objectos), a descrição desses objectos para
reproduzi-los a uma forma adequada para o processamento computacional e
a classificação. Por fim, o processamento de alto nível envolve “dar sentido”
a um conjunto de objectos reconhecidos, como na análise de imagens e, no
extremo dessa linha continua, realizar as funções cognitivas normalmente
associadas a visão. (GONZALEZ. 2011)

Segundo Pedrini (2008) é possível definir processamento digital de imagem

como um conjunto de técnicas destinadas para capturar, representar e transformar
imagens com auxílio de computador. Emprego que permite extrair informações e
melhorar a qualidade visual de certos aspectos estruturais.
O conceito de análise de imagens, também segundo Pedrini (2008), é
tipicamente baseada na forma, na textura, nos níveis de cinza ou nas cores dos objetos
presentes nas imagens. Já para Gonzalez (2011) no processamento e na análise de
imagem existem um ponto lógico de sobreposição que segundo ele pode ser considerada
uma área de reconhecimento de regiões ou objetos individuais de uma imagem.
Uma dificuldade inerente ao processo de análise de imagens é seu caráter
multidisciplinar, em que diversos domínios de conhecimento são comummente
necessários para solucionar o problema, tais como geometria computacional,
visualização científica, psicofísica, estatística, teoria da informação e muitos outros.
Na figura 10 é possível observar o agrupamento dos termos interligados à área
de visão computacional e PDI, conforme sua entrada, nível de processamento e saída.

Figura 10 - Interdependência entre os termos do sistema de visão computacional.

Fonte: Apostila de Sistema de Visão. 2005.
 43

2.1 Componentes de um Sistema de Visão

Segundo Gonzalez (2011) inúmeros termos diferentes estão ligados a um

sistema de visão computacional, ligação que permite em uma única solução a utilização
de série de tecnologias diferentes permitindo o desenvolvimento de softwares em
diversas áreas do conhecimento, como por exemplo na medicina.
Devido a essa integração entre diferentes tecnologias Gonzalez (2011),
apresentou uma estrutura dos componentes interligados que permite representar a
organização de um sistema de processamento de imagem, como mostra a Figura 11:

Figura 11 - Componentes de um sistema PDI.

Fonte: Gonzalez. 2011.

Tem-se os seguintes elementos a descrição dos mais importantes:

 Sensores: dispositivo físico sensível à energia irradiada pelo objeto do
qual se pretende adquirir uma imagem, convertendo-a num sinal elétrico
proporcional à intensidade da energia recebida.
 44

 Hardware de Aquisição: dispositivo responsável pela digitalização do

sinal proveniente do sensor e por realizar algum pré-processamento sobre
estes dados antes de enviá-los ao computador.
 Computador: é o elemento principal do sistema. Ele que coordena todas
as outras atividades e a ordem em que estas são realizadas.
 Software de processamento de imagens: algoritmos computacionais
responsáveis por analisar e melhorar a imagem obtida, retornando para o
computador decidir qual será o destino ou aplicação desta.

2.2 Sistema Visual Humano

Segundo Pedrini (2008), o sistema visual humano tem dentre as principais

características a capacidade sensorial que permite uma adequada percepção do ambiente
que os cerca, considerando assim a visão o emprego de diversas funções diferentes, tais
como detecção, localização, reconhecimento e interpretação de objetos no ambiente.
Uma vez que a área de visão computacional procura dotar as máquinas com
capacidades visuais, tornando assim fundamental compreender o funcionamento do
sistema visual humano sobre os diversos aspectos psicofísicos e neurofisiológicos.
Para Gonzalez (2011), é fundamental desenvolver uma compreensão básica da
percepção humana antes de iniciar-se o processo de processamento de imagem. Em
partida o único interesse no sistema visual humano é na mecânica dos parâmetros
relacionados a formação e percepção das imagens, procurando sempre analisar e
conhecer as limitações físicas da visão humana.
A Figura 12 mostra um corte transversal do olho humano. O globo ocular possui
formato aproximadamente esférico, com diâmetro de cerca de 20 mm, situado no
interior de uma cavidade óssea, chamada orbita, sendo protegido pelas pálpebras e
cílios. O globo ocular é envolvido por três membranas, uma cada externa formada pela
esclerótica e pela córnea, uma camada intermediaria formada pela coroide, íris e corpo
ciliar, e uma camada interna formada pela retina.
 45

Figura 12 - Representação do Sistema Visual Humano.

Fonte: Pedrini.2008

A coroide contém uma rede de vasos sanguíneos que tem função primordial de
ser a principal fonte de nutrição do olho, qualquer na coróide, pode levar a um grande
dano ocular. O revestimento da coróide é substancialmente pigmentado, ajudando a
reduzir a quantidade de luz entra no olho e espalha-se pelo globo ocular. (Gonzalez &
Woods, 2011)
A retina é a membrana interna do olho, é nela onde serão formadas as imagens.
Quando o olho está adequadamente focalizado, a luz de um objeto externo é formada de
forma nítida nas paredes da retina, onde a visão de padrões é obtida pela distribuição
dos receptores, ao longo de toda a superfície da retina. Existem duas classes de
receptores: bastonetes e cones. Cada olho possui cerca de 6 a 7 milhões de cones,
localizando-se principalmente na área central da retina denominada fóvea, eles tem a
função de reconhecerem diferenças de cores, a visão dos cones recebem varias
denominações mais são principalmente conhecida como “visão fotópica” ou “visão de
luz clara”. Já os bastonetes são encontrados em uma escala quantitativa muito maior,
variando entre 75 a 150 milhões, tem como função uma visão geral do campo de visão,
eles não estão ligados a visualização de cores e conseguem ser estimulados mesmo com
baixos níveis de iluminação; Por exemplo que aparecem brilhantemente coloridos a luz
do sol, aparecem de forma descolorida quando iluminados pela luz da lua, essa visão é
conhecida como “visão escotópica” ou “visão de luz escura”. (Instituto de física,
UFRGS).
 46

2.2.1 Formação de imagem no olho

Em uma câmera fotográfica comum, a lente tem uma distancia focal fixa e a
localização para diferentes distancias é 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 é a retina é fixa, e a distancia focal necessária
para atingir uma localização adequada é obtida variando o formato do cristalino (que
equivale a uma lente flexível). A distancia entre o centro do cristalino e a retina ao
longo do eixo visual é aproximadamente 17 mm, já a distancia focal varia de 14 mm a
17 mm aproximadamente.
A disposição geométrica apresentada na Figura 13 ilustra como calcular as
dimensões de uma imagem formada pela retina. A imagem na retina é localizada
principalmente na área fóvea, ocorrendo a percepção então, pela excitação relativa dos
receptores de luz, que transformam a energia radiante em impulsos elétricos, que são
posteriormente decodificados pelo cérebro humano.

Figura 13 - Representação gráfica do olho focalizando uma imagem.

Fonte: Pedrini. 2008.

2.3 Etapas de um Sistema de Processamento de Imagens

Um sistema de PDI, é constituído por um conjunto de etapas, como mostra a

Figura 14, com a capacidade de produzir um resultado com base em um domínio
problema. Cada etapa presente no diagrama é executada por uma série de algoritmos
computacionais, a fim de obter um resultado ideal a partir da entrada de uma imagem
 47

digital. Resumidamente o objetivo maior do diagrama é transmitir uma ideia de todas as

metodologias que podem ser aplicadas a imagens para diferentes propósitos e,
possivelmente, com diferentes objetivos.

Figura 14 - Etapas de um sistema de PDI .

Fonte: Pedrini. 2008

Aquisição de imagem: Essa etapa tem como função principal converter uma
imagem em uma representação numérica (imagem digital) adequada para o
processamento digital onde um dispositivo digitalizador converte os sinais
eletromagnéticos emitidos da imagem em questão para sinal digital, isto é,
representando através de bits 0s e 1s. (FILHO; NETO, 1999)
Pré-processamento: É o processo de manipulação da imagem, a fim de corrigir
as imperfeições ou distorções obtidas no processo de anterior de captura da imagem,
isso se da principalmente pelas condições de iluminação ou características do
dispositivo. Buscando a melhoria da imagem que vem a grande importância dessa etapa,
pois através dela serão aplicadas técnicas para atenuação de ruídos, correção de
contraste, brilho ou suavização. (Pedrini, 2008).
Segmentação: A segmentação da imagem consiste no processo de
reconhecimento e extração de áreas de interesse contidas na imagem e que tenham
 48

relevância à aplicabilidade em questão. De modo geral a segmentação automática é uma

das tarefas mais difíceis do processamento digital de imagens. Um procedimento de
segmentação bem sucedido esta totalmente relacionada coma taxa de sucesso na
resolução do problema em questão. A segmentação parece ser uma operação
extremamente fácil, pelo fato de nos seres humanos fazermos esse processo de forma
instantânea, porém 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
segmentação nós possuímos grandes falhas pelo fato de deduzirmos contornos de
objetos onde não existe e também por analisarmos o objeto por inteiro, como será
demonstrado na imagem a baixo com o exemplo da ilusão de kanizsa.(Fonseca).

Figura 15 - – Ilustração de Kanizsa.

Fonte: Fonseca

Representação e descrição: A função desse processo consiste no reconhecimento

e e extração de características e propriedade que seja de suma importância ao passo
seguinte, geralmente atributos identificados são quantificados e atribuídos seus valores
em um vetor, que pode ser denominado "Vetor de características" (Pedrini, 2008).
Reconhecimento e interpretação: E a fase final do processamento de imagem,
nele é atribuído identificador ou rotulo aos objetos com base em seus descritores, onde
será possível atribuir um significado ao conjunto de objetos identificados, tomando
assim as devias ações que aplicabilidade requeira.(Gonzalez & Woods, 2011)
Domínio do problema: O domínio do problema esta codificado em um sistema
de processamento de imagem na forma de uma base (banco de dados) de conhecimento.
 49

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

2.4 Radiações eletromagnéticas

A definição de espectro eletromagnético é usada para nos referirmos a todos os

intervalos de frequências de ondas que se propagam no vácuo na velocidade da luz (c)
equivalente a m/s e sem a necessidade de um meio material. Essas ondas
variam em frequência ( f ) que é a taxa de variação, ou oscilação, por segundo da onda,
medida em hertz (Hz, ou ciclos por segundo), e cumprimento lambda (λ) que se
apresenta sua medição em metros, mantendo entre essas duas variáveis um relação
inversamente proporcional.

( )

E são através da propriedade acima citada que é possível classificar cada tipo de
onda, podendo ser observado essa classificação na Figura 16.

Figura 16 - Espectro eletromagnético.

Fonte: Bastos, Arcoverde, & Barreto
.
 50

As ondas eletromagnéticas possuem formas de ondas senoidal que se propaga

com o comprimento lambda (λ), ou se pode adotar uma outra posição, adotando-a como
um fluxo de partículas sem massa, onde cada uma se descola similarmente a uma onda e
se movendo na velocidade da luz. Cada partícula sem massa contém uma quantidade
(ou Quantum) de energia, cada quantum é denominado por fóton, onde a energia de
cada componente e onda pode ser expresso pela relação entre a constante de Planck (h)
pela frequência de radiação da onda (f), havendo uma relação diretamente proporcional
entre a energia com a frequência, quanto maior a frequência maior a energia.

( )

Como pode ser observada na figura 16, a variedade de cores que se torna
perceptível a luz visível representa uma fatia muito pequena de toda a gama encontrada
no espectro eletromagnético, possuindo uma banda variando de 0,43µm (violeta) até
0,79 µm (vermelho). Por conveniência pode se dividir o espectro visível em seis cores
(violeta, azul, verde, amarelo, laranja e vermelho), porém nenhuma cor possuem limites
definidos, pois cada faixa de cor se mistura com a faixa seguinte, formando a próxima
cor gradativamente.

2.5 Fundamentos da Imagem Digital

Uma imagem digital é 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 nível
de cinza da imagem naquele ponto. Cada ponto da imagem é expresso pelo produto de
duas variáveis: a iluminância (i(x, y)), quantidade de luz incidente no ponto, e a
reflectância (r(x, y)), quantidade de luz refletida pelo objeto no ponto (x, y). Assim, a
função é 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) há três formas básicas de representar f(x, y). A Figura 17
(a) é uma representação gráfica de uma imagem, com dois eixos determinando a
 51

localização espacial e o terceiro eixo representando os valores de f (intensidades) com

uma função das duas variáveis espaciais x e y. Na Figura 17 (b) mostra f(x, y) como uma
imagem seria visualizada em um monitor ou em uma fotografia, já na terceira e última
representação f(x, y) Figura 17 (c) é mostrada somente em valores numéricos, ou seja,
na forma de uma matriz.

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

Analisando as representações observa-se que as representações das figuras 17

(b) e 17 (c) são mais uteis, sendo possível obter mais rapidamente os resultados
buscados.
 52

2.6 Fundamentos de Cor

Segundo Pedrini (2008) a cor é uma propriedade importante na análise de

imagens realizada pelos seres humanos com ou sem auxilio de um computador.
Mesmo que a percepção de cores do cérebro humano não seja completamente
compreendida, os aspectos físicos estudados há muitos anos por diversos pesquisadores,
podem ser expressos por meio de uma base formal fundamentada por resultados
teóricos e experimentais (Gonzalez, 2011).
A compreensão da natureza da luz dentro do sistema de PDI é fundamental e
essencial para o estudo das cores. A cor pode ser definida como uma manifestação
perceptual da luz, que por sua vez, é um sinal eletromagnético. Um raio luminoso é
constituído por partículas, chamadas fótons, cuja frequência e velocidade determinam o
comprimento de onda dos fótons, sendo assim a caracterização da luz é de extrema
importância para o estudo das cores. Podemos classificar a luz em duas categorias:
 Luz acromática (sem cores): no qual seu único atributo é a intensidade ou
a quantidade. A luz acromática está presente nos aparelhos de televisão
preto e branco.
 Luz cromática: engloba o espectro de energia eletromagnética de
aproximadamente de 400 a 700 nm. Nessa faixa encontram-se as cores
violeta (menor frequência), azul, ciano, verde, amarelo, laranja e
vermelho (maior frequência), denominadas de cores visíveis, como pode
ser observado na Figura 18.

Figura 18 - Representação do espectro de radiação visível.

Fonte: Glenda. 2007.

Em meados de 1666, o físico 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
formação das cores provenientes de células fotossensíveis. Na Figura 19 é possível
 53

observar o feixe de luz branca atravessando o prisma e a Figura 20 mostra o espectro

total de radiações eletromagnéticas.

Figura 19 - Espetro de cores criado pela passagem de luz branca através do prisma.
Fonte: Gonzalez. 2011.

Figura 20 - Representação do espectro eletromagnético.

Fonte: Pedrini.2008.

Uma luz cromática apresenta três valores para descrever a qualidade da sua
fonte, esses valores são definidos a partir da radiância, luminância e brilho. Sendo que a
radiância determina a quantidade total de energia que flui da fonte de uma luz. A
luminância é medida em lumens (lm), cuja sua finalidade é medir a quantidade de
energia que um observador consegue captar de uma fonte de luz. Por último, o brilho é
definido com um descritor subjetivo, praticamente impossível de ser medido. Ele
representa a intensidade luminosa da radiação visível.
Segundo Pedrini (2008), o processo de formação de uma cor consiste em outros
dois principais processos, que podem ser definidos em aditivo e subtrativo. No processo
aditivo as energias dos fótons correspondentes a dois ou mais raios luminosos que são
somadas. Já no processo subtrativo a formação 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 é absorvida e parte é transmitida.
 54

2.7 Modelos de Cores

O objetivo de um modelo de cores (também chamado de espaço de cores ou

sistema de cores) é facilitar a especificação das cores em alguma forma padronizada,
amplamente aceita (Gonzalez. 2011). Pode-se considerar um modelo de cores uma
especificação de um sistema de coordenadas e um subespaço dentro desse sistema no
qual cada cor é representada por um único ponto.
Os modelos de cores também podem ser classificados como aditivos ou
subtrativos, sendo que nos modelos aditivos o processo de formação da cor é resultado
da combinação de vários comprimentos de onda luminosa e a cor preta indica que
nenhuma luz está sendo transmitida. Já no processo subtrativo a cor preta é resultado da
combinação das cores primarias ciano, magenta e amarelo. Dentro dos modelos se
destacam dois tipos que são os mais utilizados, o modelo RGB (aditivo) e o CMY
(subtrativo).

Figura 21 - Exemplos de modelos de cores. (a) aditivo; (b) subtrativo.

Fonte: Pedrini.2008.

2.7.1 Modelo RGB

O modelo RGB é um modelo de cores baseado em um sistema de coordenadas

cartesianas, em que o espaço de cores é um cubo (Pedrini, 2008), como que mostra a
Figura 22 a seguir:
 55

Figura 22- Modelo RGB.

Fonte: Pedrini.2008.

O modelo de cores RGB apresenta seus componentes espectrais primários de

vermelho, verde e azul, que em inglês são representados em R(red), G(green) e B(blue).
Analisando o espaço de cores do modelo RGB observa-se que os valores primários
estão representados em três vértices do cubo, e as cores secundárias, ciano, magenta e
amarelo estão em outros vértices. A escala cinza nesse plano estende-se do preto até o
branco ao longo do segmento que une esses dois pontos. A Figura 23 demostra o
modelo RGB segundo Moreno (2008).

Figura 23 - Modelo RGB.

Fonte: Moreno 2008.
 56

2.7.2 Modelo CMY

Já o modelo CMY, suas cores principais estão localizadas em três vértices do

cubo, sendo formado pela combinação de duas cores primárias. Esse podemos também
pode ser definido como um modelo que consiste como base a pigmentação de suas
respectivas cores, sendo que a maioria dos dispositivos que operam com o principio da
deposição dos pigmentos coloridos em papel requer uma conversão do formato RGB
para o formato CMY. Operação fácil de ser executada que pode ser definida na equação
abaixo:

[ ] [ ] [ ] ( )

Nessa equação os valores envolvidos estão normalizados no intervalo [0,1].

Figura 24 - Modelo CYM.

Fonte: Moreno.2008.

2.7.3 Modelo HSI

Como foi apresentado acima, a criação e conversão de cores entre os modelos

RGB e CMYK resulta em um processo direto, apesar deles se adequarem muito bem
para implementações em hardware, tais modelos não são muito adequados para
descrever as cores utilizados os termos práticos para a interpretação humana. Tomando
 57

por exemplo o fato de não nos referirmos aos objetos pela porcentagem de cada uma das
cores primarias que as compõe, além de não visualizarmos uma imagem composta por
outras três outas imagens combinadas. O ser humano quando observa um objeto ele os
descreve através dos termos de matiz, saturação e brilho. O modelo chamado de HSI
(hue, saturation, intensity – matiz, saturação e intensidade), esse modelo basea-se em
separar o componente de intensidade dos componentes formadores de cor (matiz,
saturação), fazendo assim ideal para aplicações de algoritmos para processamento de
imagem. (Gonzalez & Woods, 2011).

Figura 25 - Modelo HSI.

2.8 Representação 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 função bidimensional f(x,y) ,
 58

onde x e y denotam coordenadas espaciais e o valor de f no ponto (x,y) é proporcional ao

brilho (ou nível de cinza) da imagem.

Figura 266 - Representação de uma imagem digital. Matriz M xN.

Fonte: Pedrini. 2008.

Figura 27 - Eixos (x, y) de uma imagem digital.

Fonte: Glenda.2007.

2.8.1 Imagem Multibanda ou Multiespectral

Uma imagem monocromática apresenta um valor de pixel cuja sua escala está
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
 59

i = 1,2, …, n. Sendo que Li pode representar grandezas diferentes, como temperatura,

frequência, amostradas nos pontos (x,y) e com intervalos de valores distintos.

Uma imagem colorida também é uma imagem multibanda ou multiespectral. A

maioria das cores visíveis pelo olho humano pode ser representada como uma
combinação de bandas das cores primárias, vermelha (R, red), verde (G, green) e azul
(B, blue). Uma imagem colorida também pode ser armazenada por meio de uma
imagem cromática e um mapa de cores (Figura 28), nesse caso, o valor de cinza de cada
pixel na imagem é considerado como um índice para uma entrada do mapa de cores,
enquanto a entrada do mapa de cores contem o valor dos componentes referentes ao
modelo RGB

Figura 27 - Mapa de cores de uma imagem colorida.

Fonte: Pedrini. 2008.

2.8.2 Resolução Espacial e Profundidade da Imagem

A resolução espacial está associada à 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 será a resolução da imagem. A resolução
 60

espacial deve ser escolhida de modo a atender ao grau de detalhes que devem ser
discerníveis na imagem.

Por exemplo, uma imagem f(x,y), reconstruindo uma região de 400cm2 ,

apresenta em direção dos seus eixos 20 amostradas espaçadas igualmente entre si, sendo
que cada pixel da imagem possui 1 cm x 1cm. Para se obter uma resolução maior da
mesma região em questão a representação constituiria em 40 amostras em direcção dos
seus eixos (x,y), cada pixel possuiria a 0,5 cm x 0,5 cm. Já uma resolução menor
poderia apresentar 10 amostras em relação a x e y.
A Figura 29 ilustra os efeitos da redução da resolução espacial.

Figura 28 - Redução da resolução espacial em imagem. Fonte:

Pedrini. 2008. Modificado pelo autor.

Segundo Pedrini (2008), o número de quantização de uma imagem f(x,y) é

normalmente uma potência de 2, ou seja L = 2b, onde L corresponde ao número de
níveis de cinza e b define a profundidade da imagem. Assim, sendo L = 256, cada pixel
possui um valor entre 0 e 255 níveis de cores, e a profundidade é igual a 8 pixel por bits,
ou seja 256 = 28. A tabela 5 mostra o número de bits utilizados na representação de uma
imagem monocromática que possui diferentes dimensões M x N

Tabela 5 - monocromática que possui de diferentes dimensões.

Fonte: Pedrini. 2008

 61

A figura 30 ilustra a redução dos níveis de cinza da imagem. Na figura 30 (a)

apresenta pixels com 256 tons (b = 8). Já as figuras 30 (b) – (h) foram obtidas reduzindo
de bits b = 7 a b = 1. A partir da figura 30 (d) é notório o surgimento de uma
imperfeição na imagem, conhecida como falso contorno que em inglês significa false
contouring. Os níveis demostrados na imagens é: 256, 128, 64, 32, 16, 8, 4 e 2.

Figura 29 - Níveis de cinza de uma imagem.

Fonte: Marques.1999. Modificado pelo autor.

2.8.3 Amostragem e quantificação

Como apresentado anteriormente uma imagem é expressa como funções

bidimensionais na forma de . Onde o valor f nas coordenadas ( ), consiste em uma
grandeza escalar positiva o cujo seu preenchimento se dará através da cena em questão.
Quando uma imagem é gerada seus valores de intensidade são relativamente
proporcionais aos valores de energia irradiada por esse objeto, tomando assim que
( ) deve ser diferente de 0 e infinito, ou seja:

( )

A função de ( ) é descrita por dois componentes: a quantidade de

iluminação da fonte sendo incidido no objeto e a quantidade de iluminação refletida.
Esses objetos são chamados de iluminância e refletância, e são expressos por, ( )e
( ), ambas se combinando para a formação do produto ( ).
 62

( ) ( ) ( ) (5)

onde:

( )

( )

Para ( ) o valor de 0 é atribuído para absorção total da iluminação (preto), e

1 para a reflexão total (branco), tendo 0,01 para o veludo preto, 0,65 para o aço inox,
0,80 para tinta branca e 0,93 para a neve. Já o valor de ( ) pode variar
consideravelmente, como por exemplo em um dia claro, onde o sol pode chegar a
produzir cerca de 90.000lm/m2, já em dia nublado esse valor chega a cerca de
10.000lm/m2, chegando a atingir o valor de 1.000lm/m2 com iluminação artificial e a
0,1lm/m2 em uma noite de lua cheia. Podendo ser expresso a intensidade (nível de
cinza) em qualquer ponto ( ), da seguinte maneira:

( )
onde 𝓁 tende a variar de:

Lmin ≤ 𝓁 ≤ Lmáx

Tendo Lmin um valor positivo e Lmáx um valor finito. Na prática esse intervalo
recebe o nome de escala (ou intensidade) de cinza, sendo Lmin = imin.rmin e Lmáx=
imáx.rmáx. Costuma-se então descolar numericamente esse intervalo para o intervalo [0,
L-1], onde 𝓁=0 é considerado preto absoluto e 𝓁=L-1 é considerado branco, quais quer
valores intermediário são variações de tons de cinza.(Gonzalez & Woods, 2011)
O conceito básico de amostragem e quantização é a transformação de uma
imagem real em uma imagem digital. Para convertê-la ao formato digital, temos de
fazer a amostragem da função em ambas às coordenadas e na amplitude. A digitalização
dos valores de cada coordenada é chamada de amostragem, e a digitalização dos valores
de amplitude é chamada de quantização.
 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 é definido como vizinhança – 4 de p, denotada por
N4(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 vizinhança –
8 de p, denotada N8(p) é caracterizada pela expressão:

N8 (p) = N4 ( p) U Nd (p) (6)

Todos os conceitos relacionados a vizinhança podem ser aplicados à imagens

tridimensionais ao se tratar de voxels. A Figura 31 demostra com conceito de
vizinhança, em que os pixels compartilham respectivamente as arestas entre si nos
pontos (x,y), em (a), com a vizinhança – 4 e em (b) vizinhança – 8. Já em (c) com
vizinhança - 6, (d) com vizinhança- 18 e (e) com vizinhança – 26 aplica o conceito de
vizinhança conforme o número de voxels.

Figura 30 - Tipos de vizinhanças.

Fonte: Pedrini.2008.

2.8.4.1 Caminho

Pode-se definir o caminho na imagem do pixel de coordenadas (x1, y1) a um

pixel (xn, yn) como um sequencia de coordenadas distintas no intervalo de (x1 , y1), (x2,
y2), … , (xn, yn), onde n é o comprimento do caminho, e (xi, yi) e (xi + 1, yi + 1) são
adjacentes (elementos convexos de acordo com o tipo de vizinhança adotado), tal que i
= 1, 2, …, n -1 (Pedrini, 2008).
 64

Se a conectividade (conceito importante utilizado para estabelecer limites de

objetos e componentes de região de uma imagem) considerar vizinhança -4, então existe
um caminho-4 e considerando uma vizinhança – 8, tem-se um caminho – 8. Exemplos
de caminhos estão 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.

Figura 31 - Caminho-4 e Caminho-8.

Fonte: Pedrini.2008

2.8.4.2 Distância

Dependendo da aplicação requisitada, há necessidade de calcular a distância

entres os pixels ou dos componentes de uma imagem.
Dados os pixels p1, p2 e p3 , com coordenadas (x1, y1), (x2 , y2) e (x3,y3), qualquer
calculo de distância D deve satisfazer todas as propriedades a abaixo:

(i) D (p1,p2) ≥ 0 (D(p1,p2) = 0 se, e somente se, p1 = p2)

(ii) D (p1,p2) = D (p2,p1)
(iii) D (p1,p3) ≤ D (p1,p2) + D (p2,p3)

Existem diversas maneiras e funções de medir distância entre pixels, que

satisfazem as propriedades acima e que são utilizadas em PDI.
 65

1. Distância Euclidiana: função em p1 e p2 são definidos como dois pixels e DE

a distância entre os mesmos.

( ) √( ) ( ) (7)

Na função Euclidiana, os pixels que apresentam uma distância menor ou igual ao

valor d formam um disco de raio d centrado em p1. O exemplo mostrado na Figura 33,
os pontos estão a uma distância DE ≤ 3 de um ponto central com coordenadas (x,y) que
formam um conjunto com os seguintes valores:

Figura 32 - Matriz Euclidiana menor ou igual a 3.

Fonte: Pedrini.2008.

2. City – block: Também conhecida como distância D4 entre p1 e p2, é definida

pela seguinte expressão:

D4 (p1,p2) = | x1 – x2 | + | y1 – y2 | (8)

Os pixels com a distância D4 de p1 ,menor ou igual ao valor d formam um

losango centrado em p1 , igual ao ilustrado pela Figura 34.

Figura 33 - Conjunto de pontos com D4 menor ou igual a 3.

Fonte:Pedrini:2008.
 66

3. Chessboard: Também conhecida como distância D8 entre p1 e p2 , definida

pela equação:

D8(p1 , p2) = max z( | x1 – x2 | , | y1 – y2 | ) (9)

2.9 Histograma

Histograma de uma imagem corresponde à distribuição dos níveis de cinza da

imagem, podendo se representado graficamente indicando o número de pixels para
cada nível de cinza, como exposto na Figura 35.
Sendo f(x,y) representado por uma matriz apresentando dimensões M x N pixels
e contendo L níveis de cinza no intervalo [0, Lmax]. Através do histograma várias
médias estatísticas como valores máximos, valores mínimos, valor médio, a variância e
o desvio padrão dos níveis 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.

Figura 34 - Histograma em tons de cinza.

Fonte: Glenda. 2007. Modificado pelo autor.

2.9.1 Equalização de Histograma

Equalização de histograma consiste num método que modifica o histograma da

imagem original f de tal forma que a imagem transformada t apresenta uma distribuição
uniforme dos seus tons de cinza, ou seja , os níveis da imagem aparecem
aproximadamente com a mesma frequência.
 67

Na figura 36 é possível analisar a equalização de um histograma de uma lesão de

pele. È possível se obter a equalização de forma computacional através de algoritmos
que executam essa tarefa como mostrado na Figura 37.

Figura 35 - Equalização de histograma de uma imagem.

Figura 36 - Algoritmo de equalização de histogramas em MATLAB.

 68

2.10 Segmentação

O processo de segmentação é necessário particionar o conjunto de dados de

entrada de uma imagem em estruturas com conteúdo relevante para aplicação em
questão. Segundo Marques Filho e Vieira Neto (1999) segmentação é a divisão da
imagem em unidades significativas, ou seja, os objetos que compõem a imagem.
O processo de análise de imagens é considerado supervisionado quando
apresenta regiões da imagem que dispõe de informações que permitem identificar um ou
mais fatores de interesse.
Processar uma imagem de modo a segmentar um objecto, é uma tarefa
extremamente difícil que depende da extração das características da imagem e os ruídos
podem levar as técnicas de segmentação a distorcer as formas originais dos objetos
analisados, sendo assim comprometendo seu reconhecimento.
As abordagens convencionais para segmentação de imagens são normalmente
baseadas em propriedades básicas dos níveis de cinza da imagem.

2.10.1 Detecção de descontinuidade

Os tipos básicos de descontinuidades normalmente detectadas em imagens

digitais são pontos retos, segmentos de retas, junções e bordas. Um dos métodos
utilizados para se obter esses padrões é através da varredura da imagens com auxilio de
uma máscara ou convolução.
Uma varredura em imagem por convolução, por exemplo, pode ser descrita pela
expressão:

∑ ( )
 69

2.10.2 Detecção de Pontos e Retas

A detecção de pontos isolados em uma imagem digital pode ser realizada de uma
máscara h definida na Figura 38. Quando a máscara h é posicionada sobre uma região
da imagem que é homogénea , os pixels pertencentes a região apresentam a mesma
intensidade e a resposta da máscara é nula ( R = 0), sendo que o valor de é calculado
para expressão (10).
Os segmentos de retas também podem ser detectados por meio de máscaras. A
Figura 39, a máscara h1 responde melhor quando a reta passa pela linha central da
imagem. Já em h2 quando esta linha está orientada a 45°.

Figura 38 - Máscara de detecção de retas. Figura 37 - Máscara de detecção

Fonte: Pedrini.2008. de pontos.
Fonte: Pedrini. 2008.

2.10.3 Detecção de Bordas

Para Pedrini (2008), uma borda é um limite ou fronteira entre duas regiões
ambas com propriedades distintas de nível de cinza. A maioria das técnicas para se
obter a detecção de bordas estão associadas ao cálculo 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 região clara e outra região escura. Em
imagens reais, as descontinuidades abruptas não são comuns em função de baixa
frequência. Na Figura 41 ilustra a aplicação do conceito de derivada e se observa que a
derivada primeira é positiva nas transições realizadas da região escura para região clara
e negativas nas transições da região clara para escura. A segunda derivada é positiva na
 70

parte da transição referente ao lado escuro da borda e negativa na parte da transição

interligada ao lado claro da borda e nula nas áreas de nível de cinza constante.

Figura 39 - Transição entre regiões de uma imagem.

Fonte: Pedrini.2008.

Figura 40 - - Primeira e segunda derivada para detecção de bordas.

Fonte:Pedrini.2008.
 71

2.10.3.1 Operadores Diferenciais

A detecção de bordas pode ser definida como uma operação de identificação de

mudanças locais significativas de níveis de cinza da imagem, ou seja, a aplicação de
operadores diferenciais, por exemplo gradiente e o laplaciano. O gradiente é um vetor
cuja direção indica os locais nos quais os níveis de cinza sofrem maior variação (Figura
42). O vetor gradiente ( ) de coordenadas (x,y), pode ser calculados através das
derivadas, em que i e j são vetores unitários dos eixos x e y.

( ) ( )
( ) ( )

Figura 41 - Gradiente de uma borda.

Fonte: Pedrini. 2008.

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

( )

2.10.4 Detecção de Junções e Cantos

Identificar junções e cantos de uma imagem digital é possível se obter

informações importantes para várias aplicações de análise que envolvam a localização
 72

dos pontos homólogos em visão estereoscópica, detecção de movimento, rastreamento

de objetos e restauração de imagens.
Segundo Pedrini (2008) uma junção pode ser definida como um ponto de
intersecção entre dois ou mais segmentos da borda de uma imagem. As quatro formas
mais comuns de junção em imagens digitais são mostradas na Figura 43, ambas
representadas pelas letras L, T, X e Y.

Figura 42 - (a) junção L; (b) junção T; (c) junção X; (d) junção Y.

Fonte: Pedrini. 2008.

2.11 Morfologia matemática

Morfologia matemática consiste em uma metodologia para análise de imagens

que permite a construção de operadores úteis para a descrição de objetos, ou seja,
permite o estudo da forma. Formulada na década de 1960, por Georges Matheron e Jean
Serra, ambos com um objetivo em comum em estudar a estrutura geométrica de uma
imagem. A morfologia matemática caracteriza – se por um conjunto de operações sobre
a imagem enquanto pixel, as operações podem ser divididas entre imagens binárias, tons
de cinza e coloridas.
Os operadores morfológicos podem ser aplicados em diversas aplicações de PDI,
sendo assim possível obter a extracção de componentes convexos, busca por padrões
específicos em uma determinada imagem, extração de bordas e preenchimento de
regiões.
 73

CAPÍTULO III

Materiais e Métodos

Para análise das imagens das lesões foram estudados os parâmetros relacionados
a Regra do ABCD, que permitiu a utilizados de outros que assemelham com os
abordados a Regra do ABCD tais como: circulariedade ,entropia, variaância entre
outros.

3.1 Regra do ABCD

A análise dermastoscópica fundamenta no objetivo da detecção právia do

melanoma maligno e observando as diversas caracteristicas próprias que o câncer pode
apresentar desde coloração, assimetria, borda e diâmetro, técnicas e algoritmos
comutacionais foram desenvolvido para análisar os padrões de uma lesão, sendo assim a
regra do ABCD a mais pesquisada e aplicada para fins de classicação de lesões de
tumores de pele.

A regra do ABCD apresentada incialmente por Wilhelm Stolz em 1994, foi o

segundo algoritmo desenvolvido, após da análise de padrões que consistia na análise de
padrões histológicos e característicos de uma lesão. A regra do ABCD tem como
objetivo fundamental exemplificar e melhor o diagnóstico de melanoma. (ROSADO,
2009). Regra que originou devido análise de 31 características dermatológicas, das
quais quatros são definidas como de extrema importância para o diagnóstica do
melanoma:

1. Assimetria (A);
2. Irregulariedade das bordas (B);
3. Cor (C);
4. Diâmetro (D).
 74

3.2 Assimetria

As imagens de lesões de tumores de pele são divididas em dois eixos

perpendiculares sendo um horizontal e vertical, podendo assim ser analisada sua
simetria. Uma observação que facilita a comparação entre os eixos é analisar a semetria
é verificar se cada lado é uma imagem espelho da outra (igual). A Figura 44 mostra o
eixo de semetria de uma lesão.

Figura 43 - Eixos de simetria.

Fonte: Dermoscopy. Modificado pelo autor.

3.3 Borda

Consiste na análise da caracterisica que corresponde a bordas irregulares das

lesões. Divide – se a lesão em oito segmentos iguais como mostra a Figura 45, sendo
posteriormente contato o número de segmentos que apresentam determinado corte
abrupto na estrutura da borda da lesão

Figura 44 - Divisão da lesão em 8 segmentos.

Fonte: Dermatoscopy. Modificado pelo autor.
 75

3.4 Coloração e Diâmetro

É analisada a presença de seis cores: branco, vermelho, castanho – claro,

castanho escuro, azul cinzeto e preto, sendo assim contabilizada cada cor encontrada
na lesão. Em MM são caracterizados pela presença de três ou mais cores (Figura 46)
e estima que em cerca de 40% dos melanomas são verificamos a presença de cinco
ou seis cores.

Já em relação ao diâmetro, valores maiores que 6 mm são considerados alarmes

de malignidade.

Figura 45 - Cores presentes no melanoma.

3.5 Matérias e Métodos

Para realização da análise e teste foi definido um banco de dados que foi
dividido em dois grupos um com 33 imagens de tumores de pele do tipo não melanoma
e outro com 44 imagens de lesão do tipo MM, ambas obtidas via banco de internet e
todas já apresentam seus respectivos diagnósticos, assim totalizando 77 imagens.
 76

Os parâmetros utilizados para analisar cada imagens foram: perimetro/área,

entropia(suavidade), energia(uniformidade), percentual de tonalidade de RGB ,
variãncia (constraste) e homogeniedade (distribuição de pixel).

Para que se possam estudar os parâmetros pré-estabelecidos é necessário a

utilização de técnicas de pré – processamento de imagens, que suprissem as
necessidades apresentadas pela análise, as adequações foram realizadas através do
algoritmo implemenatdo em Python. O pré – processamento foi aplicado com a
finalidade reduzir o máximo de ruidos nas imagens, seleção da área de análise,
permitindo assim uma melhora no processo de segmentação.
O pré – processamento foi aplicado após a definição do corte (Figura 47), ou
seja, primeiro deve – se definir na área que se deseja analisar, e em seguida os pixels
foram suavizados através do filtro Gaussiano, que atenuou os cortes abruptos de
tonalidades (ruidos). O processo de aplicação de filtro, binarização e seleção da área foi
executado pelo algoritmo desenvolvido em Python.

3.6 Pré – Processamento

Como mencionado anteriormente no item 3.5 sobre o processo de pré -

processamento e suas respectivas técnicas aplicadas para realização da análise, abaixo
será mostrado as etapas de processamento que o algoritmo realiza antes se de obter os
valores dos parâmetros de energia, entropia,variãncia, RGB e homogeneidade.
Define-se primeiramente a imagens que se deseja analisar:

Figura 46 - Imagem escolhido para

análise
 77

Em seguida aplica o filtro Gaussiano:

Figura 47 - Filtro Gaussiano

Após dessa etapa, executa-se a multiplicação de todos os valores internos dos

pixel, ou seja, aplica – se o conceito de luminância. Multiplicação que expressa pela
equação abaixo:

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

Figura 48 - Multiplicação dos pixel's.

A técnica de binarização consiste em converter a imagem com níveis de cinza

para uma imagem de representação binária (dois tons) com a finalidade de identificar o
 78

objeto (área de interesse) e separa – lá do fundo.

Figura 49 – Obtenção do ROI

A cor azul representa o fundo da lesão e a cor vermelha a área da lesão que será
aplicada os parâmetros para análise. Esse processo de obtenção do ROI da imagem
consiste na multiplicação da imagem original pela binária.

Figura 50 - Produto da imagem original pela binária.

3.7 Extração de Características

Para extração de caracteristicas foram utilizados os seguitens parâmeteros:

circularidade, perimetro/área, RGB dominante, RGB médio, variância, entropia, energia
e homogeneidade.
 79

3.7.1 Entropia

A medida de entropia expressa a desordem contida na imagem, ou seja a

desordem de pixel. Quando uma imagem não é uniforme, a extropia apresentam valores
próximos de zero.

3.7.2 Energia

Energia ou momento angular, expressa a uniformidade de uma textura, Em

texturas ásperas apresentam valores diferentes de zero e, quando ocorrem, são
próximos de um.

3.7.3 Variância

A variância corresponde ao contraste da imagem, que define a diferença entre

os tons de cinza. Baixo contraste ocorre quando há pequena diferença entre os níveis de
cinza dos pixels localizados em uma região contígua da imagem.

3.7.4 Homogeneidade

Retorna um valor que representa a proximidade da distribuição dos elementos

em relação à diagonal da matriz de co-ocorrência dos tons de cinza.
 80

3.8 Matriz de Co – Ocorrência

Uma Matriz de Co-Ocorrência é uma tabulação de quantas combinações

diferentes de valores de intensidade dos pixels (níveis de cinza) ocorrem em uma
imagem. O uso principal da Matriz de Co-ocorrência é caracterizar texturas em uma
imagem através de um conjunto de estatísticas para as ocorrências de cada nível de
cinza em pixels diferentes ao longo de diferentes direções. As matrizes de co-ocorrência
são ferramentas para a classificação de imagens. No entanto, elas possuem alto custo
computacional a medida que o numero de tons de cinza crescer no imagem.

3.9 Análise

O algoritmo foi desenvolvido em Python, pois ao ler outras literaturas e

trabalhos foi observado que não existia um exemplo de algoritmo implementado nessa
linguagem.
A seguir a Figura 51 e 52, mostra a execução do algoritmo e a obtenção dos
dados, sendo que no sistema apresenta outros parâmetros, que não foram utilizados para
análise, mas que serviram para projeto futuros.
Como poderá ser observado, o ambiente de desenvolvimento da linguagem
Python, é um ambiente simples e fácil de ser utilizado, foi desenvolvido para ser uma
linguagem de fácil leitura, com um visual agradável, frequentemente usando palavras e
não pontuações como em outras linguagens. Diferente de linguagens com delimitadores
visuais de blocos, em Python a indentação é obrigatória. O aumento da indentação indica o
início de um novo bloco, que termina da diminuição da indentação.
Após de se obter os parâmetros da imagem da lesão (que estão circulados em
vermelho), é gerado a probabilidade de a lesão ser um melanoma ou não (circulado em
verde)
 81

Figura 52 - Obtenção dos dados – (Interface IDLE do Python)

Figura 51 - Obtenção de dados - Command line

 82

Logo em seguida o ROI (área de interesse) é mostrado para o usuário.

Figura 53 – Imagem antes da análise.

Figura 54 - Imagem após a análise (ROI)

 83

CAPÍTULO IV

Resultados

4.1 Avaliação dos Resultados

O banco de dados para comparação é composto por 77 imagens ambas já

diagnósticas, sendo 33 nevos e 44 melanomas. As imagens a seguir mostrar as imagens
com os ROI (área de interesse) determinados pelo algoritmo de análise.

Figura 55 - Lesões de MM.

As quatro imagens de lesões foram diagnósticas como MM, observa-se que não
apresente uma uniformidade em relação ao contorno da borda, sendo essa uma das
caracteristicas do melanoma.
 84

Figura 56 - Lesões de Nevos.

Ambas as quatro imagens são de nevos (lesões que não são consideradas como
melanoma). Observa-se que a região que delimita a região da borda já se apresenta de
forma uniforme, ou seja, tem o formato de um circulo.
Inúmeros testes com o algoritmo foram realizados e para análise final 8 imagens
de lesões foram análisadas. Análise que mostrou que 50% das imagens em estudadas e
analisadas são MM e 50% das imagens são Nevos.
Para análise foram utilizados quatro métodos de inteligência artificial sendo eles:
K – Nearest Neighbor (KNN), Bayes, Árvore (Tree), SVM e Majority. Os métodos
Bayes e Árvore mostraram- se mais eficientes para análise, devido à eficiência de
ambos, foram utizados para determinado o resultado final da análise. Ambos trabalham
com a probabilidade em porcentagem.
A Tabela 6 mostra a porcentagem dos métodos das lesões de MM e de Nevos.
 85

Tabela 6 - Valores de Bayes e Tree

ANÁLISE DOS VALORES DOS MÉTODOS 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

CONCLUSÃO

O trabalho desenvolvido avaliou imagens de lesões cutâneas com a finalidade de

se obter o diagnóstico de malignidade nas mesmas. Para essa análise foi utilizado como
base os parâmetros da técnica da Regra ABCD, para que outros fossem criados sendo
assim possivel realizar a análise. As análises foram feitas através do algoritmo
desenvolvido em Python..
A ideia principal foi tentar desenvolver um algoritmo, que poderia analisar as
informações contidadas em cada imagem, mesmo sendo etapa por etapa. Os conceitos
estudados permitem associar computação e medicina, podendo assim previnir que o
câncer evolua.
Espera - se que esse projeto tenha ajudado para trabalhos futuros, que visam o
melhoramento dos parâmetros abordados na análise, independente de qualquer
linguagem de programação utilizada, desde que os criterios observads sejam os
mesmos.
Enfim conlui-se que a computação cada vez mais está se interligando com a
medicina para a solução de vários fatores, sejam eles na área dermatoligica ou qualquer
outra área, proporcionando assim novas formas de tratmento para os seresmo humanos.
 87

APÊNDICES

APÊNDICE A - Python

Python é um fácil de aprender, linguagem de programação poderosa. Ele tem estruturas

de dados de alto nível eficientes e uma abordagem simples, mas eficaz para
programação orientada a objetos. Sua sintaxe elegante e tipagem dinâmica, em conjunto
com a sua natureza interpretada, tornam Python ideal para scripting e desenvolvimento
rápido de aplicações em muitas áreas na maioria das plataformas.linguagem de
programação . Tem de alto nível eficientes estruturas de dados e uma abordagem
simples, mas eficaz para programação orientada a objetos. Sua sintaxe elegante e
tipagem dinâmica, em conjunto com a sua natureza interpretada, tornam Python ideal
para scripting e rápido desenvolvimento de aplicações em muitas áreas na maioria das
plataformas.
O interpretador Python e sua extensa biblioteca padrão estão disponíveis
gratuitamente na fonte ou binário para todas as principais plataformas do site do
Python, http://www.python.org/, e pode ser distribuído livremente. O mesmo site
também contém distribuições e referências para muitos módulos Python terceiro livre,
programas e ferramentas e documentação adicional. Interpretador Python e sua extensa
biblioteca padrão estão disponíveis gratuitamente na fonte ou binário para todas as
principais plataformas do site do Python, distribuído . O mesmo site também contém
distribuições e referências para muitos módulos Python terceiro livre, programas e
ferramentas e documentação adicional.
O interpretador Python pode ser facilmente estendido com novas funções e tipos
de dados implementados em C ou C + + (ou outras linguagens que podem ser chamadas
a partir de C). Python é também adequado como uma linguagem de extensão para
aplicações personalizadas. Python é também adequado como uma linguagem de
extensão para aplicações personalizadas.
 88

APÊNDICE B - Algoritmo de análise

# -*- coding: utf-8 -*-

#!/usr/bin/python

"""
Segmentação 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

################# Funções #########

##### 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])

# lesão sem fundo

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

############## Extração 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 Padrão

dpR = math.sqrt(rsumA)
 93

dpG = math.sqrt(gsumA)
dpB = math.sqrt(bsumA)
print u"Desvio Padrão (R): " , dpR
print u"Desvio Padrão (G): " , dpG
print u"Desvio Padrão (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-ocorrência ####

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

###################### Classificação #####################

'''
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

REFERÊNCIAS BIBLIOGRÁFICAS

ARTERO. A. O. Inteligência Artificial – Teórica e Prática. 1ª Edição.2008.

BOTELHO, Glenda. Processamento de Imagens no Auxilio a Detecção de Câncer de

Pele utilizando redes Neurais Artificiais. Universidade Federal de Goiás, 2007.

BRAGA, A.P.; CARVALHO, A.P.L.F.; LUDEMIR, T.B. Redes Neurais Artificiais:

Teoria e Aplicações. 1ª Edição. Rio de Janeiro: LTC, 2000.

CROSTA, Álvaro. Processamento de Imagens Digitais de Sensoriamento Remoto.

UNESP – Campus de Rio Claro. Disponível em :

http://www.rc.unesp.br/igce/geologia/GAA01151/adicional.pdf. Acesso: 3 abr.2013.

FARIA S. L; J. SALVAJOLI João Victor; SOUHAMI, J. Radioterapia em Oncologia.

1. Ed. Rio de Janeiro: Medisi, 1999.

FERNEDA, Edberto. Redes neurais e sua aplicação em sistemas de recuperação de

informação. Ci. Inf., Brasília , v. 35, n. 1, Apr. 2006. Disponível:
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 cutâneo: estudo prospectivo de 65 casos.

Anais Brasileiros de Dermatologia. Rio de Janeiro: Vol. 1, Jan/Fev, 2005. Disponível
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 (versão

traduzida).São Paulo: Editora Pearson Education, 2011.

KOVÁCS. Z.L. Redes Neurais Artificiais – Fundamentos e Aplicações. Editora

Livraria da Física. 2006

MARQUES FILHO, Ogê; VIEIRA NETO, Hugo. Processamento Digital de Imagens,

Rio de Janeiro: Brasport, 1999.

MARTA, G. N. Melanoma de mucosa oral. Revista brasileira de cancerologia , pág.

35-39.Ano de Publicação: 2007.

MARTINS, Antônio 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.

MINISTÉRIO DA SAÚDE - INSTITUTO NACIONAL DO CÂNCER. ABC do -

Câncer – Abordagens Básicas para o Controle do Câncer. Rio de Janeiro, 2011.
 100

MINISTÉRIO DA SAÚDE - INSTITUTO NACIONAL DO CÂNCER. Tratamento

Cirúrgico. Disponivel em: http://www.inca.gov.br/conteudo_view.asp?id=98. Acesso 4
abril.,2013.

MIOT, H.A. . Análise computacional e processamento digital de imagens para

avaliação da regra do ABCD do melanoma cutâneo e implicações em
dermatologia. 2012

MULLER R. Karen el tal. Avaliação 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. . Avanços em Visão 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 fisíca – UFRGS.
Disponível em : http://astro.if.ufrgs.br/eclipses/olho.htm. Acesso: 24 mar. 2013.

PEDRINI, Hélio. Análise de Imagens Digitais: Princípios, Algoritmos e Aplicações.

Editora Thomson, 2008.

PEDRINI, Hélio. Tópicos em Processamento de Imagens. Instituto de Computação da

Unicamp. Disponivel em: http://www.ic.unicamp.br/~helio/disciplinas/MC940/aula_cores.pdf.
Acesso: 3 abr. 2013.

PROGRAMA NACIONAL MIGRAÇÃO E SAÚDE – Melanoma Maligno.

Disponível em: http://assets.krebsliga.ch/downloads/fs_melanom_portugiesisch.pdf.
2008-2013. Acesso: 28 mar., 2013

REZZE, Gisele Gargantini; SÁ, Bianca Costa Soares; NEVES, Rogério Izar.
Dermatoscopia: o método de análise de padrões. Disponível em:
http://www.scielo.br/scielo.php?pid=S0365-05962006000300009&script=sci_arttext;
Acesso: 1 mar., 2013.

REZZE, Gisele. Gargantini; SÁ, Bianca. Costa; NEVES, Rogério Izar. (2006).
Dermatoscopia: o método de análise de padrões. Anais Brasileiros de Dermatologia ,
pág. 261-268. Ano de Publicação 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 Visão. Faculdade Federal de

Santa Catarina, 2005. Disponível em: http://s2i.das.ufsc.br/harpia/downloads/apostila-
sistemas-visao.pdf. Acesso: 25 mar. 2013.
 101

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

1999.

SCHWARTZ, J. H.; JESSEL, T.M. Princípios da Neurociência. 4ª Edição. São Paulo:

Manole, 2003.

TARALLO, A. S.; ALVES, D. M.; NASCIMENTO, T.C.; GONZAGA, A. .

Classificação de Padrões em Imagens utilizando Redes Neurais Artificiais LVQ. In:
I WORKSHOP DE VISÃO COMPUTACIONAL, WVC'2005, 2005, Piracicaba.
ANAIS DO I WORKSHOP DE VISÃO COMPUTACIONAL, WVC'2005. São Carlos:
Escola de Engenharia de São Carlos, 2005. v. 1. p. 28-31.

UNIVERSIDADE ESTUDUAL DE CAMPINAS – FACULDADE DE CIÊNCIAS

MÉDICAS. Normas e Condutas Melanoma Maligno. Disponível em:
http://www.fcm.unicamp.br/diretrizes/pdfs/Normas%20e%20Condutas%20-
%20Melanoma%20Maligno.pdf. Acesso: 28 mar., 2013.