Skip to main content
SpringerLink
Log in

Bildbasierte Computerdiagnose des Melanoms

Image-based computer diagnosis of melanoma

  • CME
  • Published:
Der Hautarzt Aims and scope Submit manuscript

Zusammenfassung

Zunehmend etablieren sich automatisierte Diagnosesysteme zur Melanomdiagnostik. Diese basieren auf folgenden 4 Verarbeitungsschritten: 1) Vorverarbeitung, bei der sichergestellt wird, dass störende Faktoren eliminiert werden, 2) Segmentierung, die Trennung des Bildes in die Läsion und den Hintergrund, 3) Extraktion und Auswahl jener Merkmale, die das höchste Maß an Genauigkeit bei der Diagnose bieten, und 4) Klassifizierung, bei der die Läsion einer Diagnoseklasse zugeordnet wird. In letzter Zeit fokussiert sich die computergestützte Melanomdiagnose auf Algorithmen, die auf „transfer learning“ basieren. „Transfer learning“ macht die Schritte 2 und 3 z. T. obsolet und liefert bessere Ergebnisse. Auch Smartphone-Applikationen im Bereich von Melanomvorsorge und -erkennung werden angeboten. Diese Anwendungen sind mit Sorge zu betrachten, denn sie sind Laien zugänglich, aber nicht in vorherigen klinischen Studien auf ihre diagnostische Leistungsfähigkeit überprüft worden.

Abstract

The use of automated diagnostic systems for the diagnosis of melanomas is becoming increasingly more established. These are based on the following four steps: 1) preprocessing, to ensure that disturbing factors are eliminated, 2) segmentation, the separation of the image and the background, 3) extraction and selection of features that provide the highest measure of accuracy for the diagnosis and 4) classification, in which the lesion is assigned to a diagnostic class. Recently, the computer-assisted diagnosis of melanoma has focused on algorithms based on transfer learning, which can make steps 2 and 3 obsolete and provides better results. In this article we also review smartphone applications in the field of melanoma screening and recognition. These applications should be considered with caution as they are available to lay persons although the diagnostic accuracy of these applications has not usually been tested in clinical trials.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Abb. 1
Abb. 2

Literatur

  1. STATISTIK_AUSTRIA (2016) Österreichische Todesursachenstatistik, Malignes Melanom (C43) – Krebsmortalität (Sterbefälle pro Jahr), Österreich ab 1983

    Google Scholar 

  2. Landow SM, Gjelsvik A, Weinstock MA (2017) Mortality burden and prognosis of thin melanomas overall and by subcategory of thickness, SEER registry data, 1992–2013. J Am Acad Dermatol 76(2):258–263

    Article  PubMed  Google Scholar 

  3. Kittler H et al (2002) Diagnostic accuracy of dermoscopy. Lancet Oncol 3(3):159–165

    Article  PubMed  CAS  Google Scholar 

  4. Rosado B et al (2003) Accuracy of computer diagnosis of melanoma: a quantitative meta-analysis. Arch Dermatol 139(3):361–367 (discussion 366)

    Article  PubMed  Google Scholar 

  5. Korotkov K, Garcia R (2012) Computerized analysis of pigmented skin lesions: a review. Artif Intell Med 56(2):69–90

    Article  PubMed  Google Scholar 

  6. Esteva A et al (2017) Dermatologist-level classification of skin cancer with deep neural networks. Nature 542(7639):115–118 (Erratum appears in Nature 546(7660):686)

    Article  PubMed  CAS  Google Scholar 

  7. Sboner A et al (2003) A multiple classifier system for early melanoma diagnosis. Artif Intell Med 27(1):29–44

    Article  PubMed  Google Scholar 

  8. Piccolo D et al (2014) Computer-automated ABCD versus  dermatologists with different degrees of  experience in dermoscopy. Eur J Dermatol 24(4):477–481

    PubMed  Google Scholar 

  9. Codella NCF et al (2017) Deep learning ensembles for melanoma recognition in dermoscopy images. IBM J Res Dev 61:5

    Article  Google Scholar 

  10. Chang W‑Y et al (2013) Computer-aided diagnosis of skin lesions using conventional digital photography: a reliability and feasibility study. PLoS ONE 8(11):e76212

    Article  PubMed  PubMed Central  CAS  Google Scholar 

  11. Sinz C et al (2017) Accuracy of dermatoscopy for the diagnosis of nonpigmented cancers of the skin. J Am Acad Dermatol 77(6):1100–1109

    Article  PubMed  Google Scholar 

  12. Mehta P, Shah B (2016) Review on techniques and steps of computer aided skin cancer diagnosis. Procedia Comput Sci 85:309–316

    Article  Google Scholar 

  13. Hoshyar AN, Al-Jumaily A, Hoshyar AN (2014) The beneficial techniques in preprocessing step of skin cancer detection system comparing. Procedia Comput Sci 42:25–31

    Article  Google Scholar 

  14. Oliveira RB et al (2016) Computational methods for the image segmentation of pigmented skin lesions: a review. Comput Methods Programs Biomed 131:127–141

    Article  PubMed  Google Scholar 

  15. Pennisi A et al (2016) Skin lesion image segmentation using Delaunay Triangulation for melanoma detection. Comput Med Imaging Graph 52:89–103

    Article  PubMed  Google Scholar 

  16. Ma Z, Tavares JMRS (2017) Effective features to classify skin lesions in dermoscopic images. Expert Syst Appl 87:92–101

    Article  Google Scholar 

  17. Blum A et al (2017) Dermoscopy for malignant and benign skin tumors : Indication and standardized terminology. Hautarzt 68(8):653–673

    Article  PubMed  CAS  Google Scholar 

  18. Pathan S, Prabhu KG, Siddalingaswamy PC (2018) Techniques and algorithms for computer aided diagnosis of pigmented skin lesions—A review. Biomed Signal Process Control 39:237–262

    Article  Google Scholar 

  19. Odeh SM, Baareh AKM (2016) A comparison of classification methods as diagnostic system: A case study on skin lesions. Comput Methods Programs Biomed 137:311–319

    Article  PubMed  Google Scholar 

  20. Dreiseitl S et al (2001) A comparison of machine learning methods for the diagnosis of pigmented skin lesions. J Biomed Inform 34(1):28–36

    Article  PubMed  CAS  Google Scholar 

  21. Gutman D et al (2016) Skin Lesion Analysis toward Melanoma Detection: A Challenge at the International Symposium on Biomedical Imaging(ISBI). International Skin Imaging Collaboration (ISIC). Bd. 2016

    Google Scholar 

  22. Codella NCF et al (2017) Skin Lesion Analysis Toward Melanoma Detection: A Challenge at the 2017 International Symposium on Biomedical Imaging (ISBI). International Skin Imaging Collaboration (ISIC).

    Google Scholar 

  23. Valle E et al (2017) Data, depth, and design: learning reliable models for melanoma screening. IEEE J Biomed Health Inform 20(10). https://doi.org/10.1109/isbi.2017.7950523

    Article  PubMed  Google Scholar 

  24. Fornaciali M et al (2016) Towards automated melanoma screening: proper computer vision & reliable results

    Google Scholar 

  25. Yosinski J et al (2014) How transferable are features in deep neural networks? Proceedings of the 27th International Conference on Neural Information Processing Systems. Bd. 2. MIT Press, Montreal, Canada

    Google Scholar 

  26. Deng J et al (2009) ImageNet: a Large-Scale Hierarchical Image Database. IEEE Computer Vision and Pattern Recognition (CVPR), S 248–255

    Google Scholar 

  27. Dreiseitl S, Binder M (2005) Do physicians value decision support? A look at the effect of decision support systems on physician opinion. Artif Intell Med 33(1):25–30

    Article  PubMed  Google Scholar 

  28. Wang JV, Chapman LW, Keller M (2017) Challenges to smartphone applications for melanoma detection. Dermatol Online J 23(2):15

    Google Scholar 

  29. Wolf JA et al (2013) Diagnostic inaccuracy of smartphone applications for melanoma detection. JAMA Dermatol 149(4):422–426

    Article  PubMed  PubMed Central  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Abteilung für Allgemeine Dermatologie, Universitätsklinik für Dermatologie, Medizinische Universität Wien, Währinger Gürtel 18–20, 1090, Wien, Österreich

    V. Dick, P. Tschandl, C. Sinz &  H. Kittler MD

  2. Hautarzt- und Lehrpraxis Konstanz, Konstanz, Deutschland

    A. Blum

Authors
  1. V. Dick
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. P. Tschandl
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. C. Sinz
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. A. Blum
    View author publications

    You can also search for this author in PubMed Google Scholar

  5. H. Kittler MD
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to H. Kittler MD.

Ethics declarations

Interessenkonflikt

V. Dick, P. Tschandl, C. Sinz, A. Blum und H. Kittler geben an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine von den Autoren durchgeführten Studien an Menschen oder Tieren.

Additional information

Redaktion

M. Meurer, Dresden

S. Ständer, Münster

E. von Stebut-Borschitz, Köln

R.-M. Szeimies, Recklinghausen

CME-Fragebogen

CME-Fragebogen

Welches der ABCDE-Kriterien des Melanoms wurde bislang nicht zur computergestützten Diagnose dermatoskopischer Bilder herangezogen?

Asymmetrie

Begrenzung

„Color“ (Farbe)

Diameter

Evolution

Bei welcher Klassifizierungsmethode werden unterschiedliche Methoden kombiniert?

„Ensemble classifier“

„Decision trees“

„Bayesian classifier“

„K-nearest neighbors“

„Artificial neural networks“

Welcher Bildverarbeitungsschritt trennt die Läsion vom Hintergrund?

Klassifizierung

Merkmalsextraktion

Segmentierung

Artefaktentfernung

Kontrastverstärkung

Welche Klassifizierungsmethode ist am besten für große Datenmengen geeignet?

„Ensemble classifier“

„Decision trees“

„Bayesian classifier“

„K-nearest neighbors“

„Artificial neural networks“

Wie kann man die Gefahr von „overfitting“ vermindern?

Großer Testdatensatz

Großer Trainingsdatensatz

Validierungsdatensatz

Langes Training

Leistungsstarker Rechner

Wie bezeichnet man die Nutzung eines allgemein trainierten Netzwerks für eine spezielle Situation?

„Deep learning“

„Long learning“

„High learning“

„Superficial learning“

„Transfer learning“

„Clinical-decision-support“-Systeme zeichnen sich wodurch aus?

Sie diagnostizieren automatisch ohne menschliche Expertise.

Sie stellen unterstützende Informationen für den Arzt bereit.

Es handelt sich um telemedizinische Anwendungen.

Sie können von Laien nicht in Anspruch genommen werden.

Sie basieren immer auf einem „artificial neural network“.

Welcher Prozentsatz an unter 50-Jährigen hat schon einmal eine Smartphone-Anwendung zur Diagnose einer Hautkrankheit benutzt?

1 %

10 %

20 %

50 %

70 %

Wenn die Klassifikation während des Trainings sehr stark an den Trainingsdatensatz angepasst wird, …

führt das zu niedriger Treffsicherheit im Trainingsdatensatz.

führt das zu hoher Treffsicherheit in einem unbekannten Testdatensatz.

führt das zu niedriger Treffsicherheit in einem unbekannten Testdatensatz.

hat das keine Auswirkung auf die Treffsicherheit in einem unbekannten Testdatensatz.

wird ein Validierungsdatensatz unnötig.

Welche Aussage in Bezug auf Smartphone-Anwendungen, die eine automatische Diagnose von Pigmentläsionen anbieten, ist zutreffend?

Sie bieten bisher nur vereinzelt automatische Diagnosesysteme an.

Sie ersetzen den Allgemeinmediziner.

Sie ersetzen den Dermatologen.

Sie haben eine hohe diagnostische Genauigkeit.

Sie sind nur dann zuverlässig, wenn sie kostenpflichtig sind.

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Dick, V., Tschandl, P., Sinz, C. et al. Bildbasierte Computerdiagnose des Melanoms. Hautarzt 69, 591–601 (2018). https://doi.org/10.1007/s00105-018-4191-9

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00105-018-4191-9

Schlüsselwörter

Keywords

Search

Navigation