Automated analysis of vascular structures of skin lesions : segmentation, pattern recognition and computer-aided diagnosis
Notice bibliographique
Résumé
Skin disorders are among the most common healthcare referrals in Canada, affecting a large population and imposing high healthcare costs. Early detection plays an essential role in efficient management and better outcome. However, restricted access to dermatologists and lack of education to other healthcare professionals pose a major challenge for early detection. Computer-aided systems have great potential as viable tools to identify early skin abnormalities. The initial clinical diagnosis phase of most skin disorders involves visual inspection of the lesion for specific features, associated with certain abnormalities. One of the main cutaneous features are vascular structures, which are significantly involved in pathogenesis, diagnosis, and treatment outcome of skin abnormalities. The presence and morphology of cutaneous vessels are suggestive clues for specific abnormalities. However, there has been no systematic approach for comprehensive analysis of skin vasculature. In this thesis, we propose a three-level framework to systematically detect, quantify and analyze the characteristics of superficial cutaneous blood vessels. First, we investigate the vessels at pixel-level. We propose novel techniques for detection (absence/presence) and segmentation of vascular structures in pigmented and non-pigmented lesions and evaluate the performance quantitatively. We develop a fully automatic vessel segmentation framework based on decomposing the skin into its component chromophores and accounting for shape. Furthermore, we design a deep learning framework based on stacked sparse auto-encoders for detection and localization of skin vasculature. Compared to previous studies, we achieve higher detection performance, while preserving clinical feature interpretability. Next, we analyze the vessels at lesion-level. We propose a novel set of architectural, geometrical and topological features to differentiate vascular morphologies. The defined feature set can effectively differentiate four major classes of vascular patterns. Finally, we investigate the vessels at disease-level. We analyze the relationship between vascular characteristics and disease diagnosis. We design and deploy novel features to evaluate total blood content and vascular characteristics of the lesion to differentiate cancerous lesions from benign ones. We also build a system upon integrating patient’s clinical information and lesion’s visual characteristics using deep feature learning, which achieves superior cancer classification performance compared to current techniques without the need for handcrafted high-level features.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».