Skiller hud og hår i kreftanalyse

30.01.14 Vibeke Os

Kevin Thon har arbeidet med programvare som skal hjelpe leger å avgjøre hvorvidt en føflekk er ondartet eller ikke. Potensielt ondartede føflekker fotograferes med et spesielt digitalkamera, et dermoskop, og det digitale bildet analyseres av den nye programvaren.

Raskere og mer presis diagnostisering av føflekkreft
Leger må gjøre en rekke vurderinger når de analyserer for føflekkreft. Typisk vil de se etter asymmetri, farge, grensegang mot hud, struktur mm. Alle vurderinger vil vektes og samlet legges til grunn for en medisinsk diagnose. Et computerbasert diagnose system vil sammen med legens vurderinger gi en raskere og sikrere diagnose. I sin doktorgradsoppgave har Thon videreutviklet analyser for mistenkelige føflekker. Han har sett nærmere på hvordan overflaten på føflekken kan vurderes automatisk. Han har også sett på hvordan dataprogrammet skal skaleres for å skille hår og hud i føflekkanalysene. Metodene som Thon arbeidet med tenkes brukt til å oppdage føflekkreft på et tidligere tidspunkt.

 

Bildene over viser hvordan ulik skalering av programvaren påvirker bildeanalysen. Ved lav skalering (øverst) vil flere detaljer i bilder plukkes opp. Alle hår vil bli inkludert i analysen, men medfører også en del unødig “støy” i bildet (vises som fargenyanser i huden rundt føflekken). Ved valg av en grovere skalering (nederst) fjernes irrelevant informasjon fra analysen men man kan også se at dette vil utelate de tynneste hårstråene fra vurderingen. Oppgaven til Thon har gått ut på å finjustere programvaren slik at bare relevant informasjon i bildet inkluderes i diagnostisering av føflekken. Illustrasjon: Tromsø Telemedisinske Laboratorium.

Statistikk i praksis
Forskere ved Institutt for matematikk og statistikk ved UiT har i lengre tid arbeidet med flerskala metoder, det vil si metoder der man vurderer dataene over et spenn av skalaer fremfor å lete etter en optimal skala. Bakgrunnen for Thons arbeid var et ønske om å kunne videreutvikle og anvende slike metoder i praktiske problemstillinger. En analyse av f. eks temperaturvariasjoner kan gi vidt forskjellige utfall om man ser på daglige variasjoner kontra temperatursvingninger over mange år. Så istedenfor å fokusere på én skala, kan det gjøres flerskalaanalyse over en lengre tidsperiode. Avhandlingen til Thon beskriver tre statistiske flerskalateknikker for å analysere bildedata. Kevin Thon er fra Tromsø og begynte på sitt doktorgradsprosjekt i 2007. Oppgaven hans ble utført i samarbeid med Tromsø telemedisinske senter.

Jevn eller ujevn, flekk eller ikke flekk
De siste 10 årene har det skjedd en rivende utvikling innen bruk av datamaskiner som diagnostiske verktøy for å detektere føflekkreft. For å kunne gjøre en vurdering av et medisinsk bilde, må det settes noen kriterier som kan beskrive normaltilstand og eventuelle avvik fra normaltilstand. Konklusjonene av en statistisk analyse vil avhenge av hvilke parametere som settes, dvs hvordan analysen skaleres. Man må på forhånd ha en angitt skala for å kunne bestemme hvor stor eller liten ujevnhet, og hvor lyst eller mørkt området på føflekken kan være for å klassifiseres som en forhøyning  eller en prikk. Hvordan disse parametere skulle settes ble gjort i samarbeid med en erfaren dermatolog.

Må skille hud og hår i analysen
En av utfordringene et digitalt verktøy må løse er problemet med hår på føflekkene. Siden det ikke er noen grunn til å tro at hår inneholder noen diagnostisk informasjon, er det viktig å utvikle systemer som kan skille dem ut av analysen slik at de ikke påvirker den endelige diagnosen. Hår vil skille seg ut som mørkere enn sine omgivelser og vil i de fleste tilfeller være av en annen farge enn føflekken. Hår vil i et bilde fremstå som lange mørke linjer og Thon har i sin oppgave  jobbet med å finjustere programmet til å skille linjer fra andre formasjoner, og bestemme hvor lang og mørk linjen kan være for å bli klassifisert som et hårstrå.

Thon forsvarte sin avhandling 13 desember 2013. Tittel på oppgaven var “Multiscale methods for Statistical Inference on Regular Lattice Data” og ble utført under veiledning av Fred Godtliebsen ved Institutt for matematikk og statistikk.

På Twitter   #norgesarktiske