Methods for detecting androgenetic alopecia in dermatoscopic images

Celem niniejszej pracy było opracowanie, przetestowanie i porównanie metod detekcji cech dermatoskopowych charakterystycznych dla łysienia androgenowego. W szczególności analizie poddano metody segmentacji włosów, wykrywania żółtych kropek oraz czerwonych przebarwień i struktur.Istotnym etapem badań był dobór przestrzeni barw i technik poprawy kontrastu, co umożliwiło wskazanie optymalnych kanałów diagnostycznych (np. YCbCr–Cr, Lab–b), zwiększających skuteczność późniejszych etapów segmentacji. W zakresie wykrywania włosów porównano metody klasyczne (operatory krawędzi, filtry liniowe i teksturowe), algorytmy niesuperwizowane (K-means), podejścia głębokiego uczenia (ResNet, U-Net) oraz podejście hybrydowe z wykorzystaniem uczenia ze wzmocnieniem (Reinforcement Learning, RL).Największy potencjał – zwłaszcza przy ograniczonej liczbie danych – wykazało podejście hybrydowe RL, umożliwiające tworzenie masek włosów o relatywnie niskim poziomie szumu i dobrej adaptacji do różnych typów obrazów. Metoda ta dobrze radziła sobie z włosami cienkimi i pozbawionymi pigmentu, natomiast w przypadku włosów grubych często wykrywała jedynie ich krawędzie. W takich przypadkach zastosowanie operacji dylatacji umożliwiało rozszerzenie wykrytych konturów i odtworzenie pełnej struktury włosa w masce binarnej.Wykrywanie włosów zminiaturyzowanych okazało się zadaniem trudnym – zaproponowana metoda nie zapewniała wystarczającej skuteczności i wymaga dalszego rozwoju, zwłaszcza w zakresie rozdzielania włosów nachodzących na siebie. Z kolei w przypadku żółtych kropek i czerwonych struktur uzyskane wyniki pozwalają na ich praktyczne wykorzystanie kliniczne jako wsparcie w diagnostyce.Podsumowując, żadna z pojedynczych metod nie zapewnia pełnej skuteczności, jednak każda z nich stanowi podstawę do dalszego rozwoju. Ostatecznie opracowane podejścia mogą zostać zintegrowane w pojedynczej aplikacji komputerowej i z powodzeniem stosowane jako narzędzie wspomagające dermatologa w diagnozowaniu łysienia androgenowego.

The aim of this thesis was to develop, test, and compare methods for detecting dermoscopic features characteristic of androgenetic alopecia. In particular, the study focused on hair segmentation, detection of yellow dots, and red discolorations and structures.An important stage of the research was the selection of color spaces and contrast enhancement techniques, which allowed for the identification of optimal diagnostic channels (e.g., YCbCr–Cr, Lab–b), thereby improving the effectiveness of subsequent segmentation steps. For hair detection, the study compared classical approaches (edge detectors, linear and texture filters), unsupervised algorithms (K-means), deep learning models (ResNet, U-Net), and a hybrid approach based on Reinforcement Learning.The RL-based method demonstrated the greatest potential, especially under conditions of limited training data, as it enabled the creation of hair masks with relatively low noise and good adaptability to diverse image conditions. This method effectively detected thin and depigmented hairs, while in the case of thicker hairs, it often captured only their edges. In such cases, the application of dilation operations allowed the extension of the detected contours and reconstruction of the complete hair shafts within the binary masks.The detection of miniaturized hairs proved to be challenging, and the proposed approach showed limited effectiveness, requiring further refinement, particularly in handling overlapping hairs. In contrast, the detection of yellow dots and red structures produced results suitable for practical clinical use as a diagnostic aid.In summary, none of the individual methods provided complete effectiveness; however, each represents a foundation for further development. Ultimately, the proposed approaches can be integrated into a single computer application and successfully used as a decision-support tool for dermatologists in diagnosing androgenetic alopecia.