Você está na página 1de 76

UNIVERSIDADE FEDERAL RURAL DO SEMI-RIDO

UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE


PROGRAMA DE PS-GRADUAO EM CINCIA DA
COMPUTAO

FRANCISCO EDUARDO SILVA ALENCAR

DESENVOLVIMENTO DE UM SISTEMA PARA


CLASSIFICAO AUTOMTICA DE IMAGENS
DERMATOSCPICAS PARA DISPOSITIVOS MVEIS

MOSSOR RN
2015
FRANCISCO EDUARDO SILVA ALENCAR

DESENVOLVIMENTO DE UM SISTEMA PARA


CLASSIFICAO AUTOMTICA DE IMAGENS
DERMATOSCPICAS PARA DISPOSITIVOS MVEIS

Dissertao apresentada ao Programa de Ps-


Graduao em Cincia da Computao associao
ampla entre a Universidade do Estado do Rio
Grande do Norte e a Universidade Federal Rural do
Semi-rido, para a obteno do ttulo de Mestre em
Cincia da Computao.

Orientador: Prof. Dr. Danniel Cavalcante Lopes


UFERSA.
Coorientador: Prof. Dr. Francisco Milton Mendes
Neto UFERSA.

MOSSOR RN
2015
FRANCISCO EDUARDO SILVA ALENCAR

DESENVOLVIMENTO DE UM SISTEMA PARA


CLASSIFICAO AUTOMTICA DE IMAGENS
DERMATOSCPICAS PARA DISPOSITIVOS MVEIS

Dissertao apresentada ao Programa de Ps-


Graduao em Cincia da Computao para a
obteno do ttulo de Mestre em Cincia da
Computao.

APROVADA EM: ___ / ___ / ______.

BANCA EXAMINADORA
Dedico este trabalho aos meus pais Francisco
Belo e Maria do Socorro, as minhas irms
Perptuo e Patrcia e em especial aos meus avs
Maria Bela e Jos Benevenuto (in memoriam),
origem da inspirao para enfrentar mais esse
desafio.
AGRADECIMENTOS

Agradeo a Deus pelas oportunidades que ele tem me proporcionado e pela


possibilidade de viver esse momento privilegiado. Aos meus pais, Francisco Belo e Maria
do Socorro, e as minhas irms Patrcia e Perptuo, por todo os conselhos, incentivo, e
pelo enorme esforo para que atingisse essa nova conquista.
Aos meus avs Maria Bela e Jos Benevenuto (in memoriam), pelos conselhos,
ensinamentos, preocupao, incentivo aos estudos e por sempre acreditar no meu
potencial.
A minha namorada, Ivanalle Sinsio, que esteve sempre presente dando fora,
incentivando, ajudando e me aturando nos momentos de stress.
A todos os meus amigos que dividiram apartamento comigo, em especial,
Digenes Lopez e Joo Maurcio, pelos momentos de companheirismo, dificuldades,
pelas caronas, resenhas e gargalhadas que vivenciamos juntos durante esses dois anos. A
todos meus amigos e companheiros de turma que compartilhei alegrias, dvidas e
conhecimento.
Ao meu cunhado e grande amigo Fabio Abrantes, pelos conselhos, revises de
portugus, motivao e ajuda na implementao do prottipo desse trabalho.
Ao meu orientador Danniel Cavalcante Lopes, por ter me aceitado como
orientando, pela sua pacincia e auxlio desempenhado durante todo o desenvolvimento
desse trabalho. Agradeo muito pela ateno, dicas e conselhos e pela pessoa que se fez
sempre presente me compreendendo e ajudando durante esses dois anos.
Ao meu coorientador Francisco Milton Mendes Neto, agradeo pela compreenso,
ajuda nas correes e nas dicas e conselhos que fizeram este trabalho melhor.
A todos os professores do programa de ps-graduao em Cincias da
Computao UERN/UFERSA que contriburam de forma direta e indireta para a
realizao desse trabalho.
A Capes, pelo apoio financeiro concebido no qual viabilizou a realizao deste
trabalho.
Obrigado a todos.
RESUMO

O melanoma o cncer de pele mais letal entre todos os outros tipos, porm quando
diagnosticado precocemente obtm altos ndices de cura. A anlise dessas leses
geralmente realizada atravs do exame da dermatoscopia, um exame no invasivo que
utiliza um equipamento tico para auxiliar na anlise das estruturas que caracterizam as
leses como nevo benigno ou maligno. Porm, a realizao dessa anlise geralmente
realizada por um especialista, o que dificulta o acesso ao pblico a esse exame. Dessa
forma, o uso de sistemas computacionais para auxiliar especialistas e profissionais de
sade (mdicos e enfermeiros) pode solucionar ou reduzir os vieses decorrentes de
diagnsticos incorretos. Alm disso, facilita o acesso a esse tipo de exame, tendo em vista
que, com a ajuda do sistema, profissionais no especialistas mas com conhecimento sobre
o problema podero executar o exame e analisar as leses de forma mais precisa. O
aumento da disponibilidade dos dispositivos mveis e a facilidade ao acesso a aplicativos
atravs das lojas online resultou na utilizao cada vez maior desses dispositivos. A
convenincia do uso de um sistema mvel para a classificao de leses de pele pode
melhorar o acesso ao exame de dermatoscopia, assim como aumentar a probabilidade de
deteco precoce do melanoma. Deste modo, este trabalho apresenta o desenvolvimento
de um sistema de classificao de imagens dermatoscpicas para dispositivos mveis.

Palavras-Chave: Viso Computacional, Diagnstico por Imagens, Dispositivos Mveis,


Sistemas Inteligentes.
ABSTRACT

Melanoma is the most lethal skin cancer among all other types, but when diagnosed early
gets high cure rates. The analysis of these injuries is usually performed by examination
of dermoscopy, a noninvasive test that uses an optical equipment to assist in the analysis
of structures that characterize the lesions as benign or malignant nevus. However, the
realization of this analysis is usually performed by a specialist impeding the public access
to such examination. Thus, the use of computer systems to assist specialists and health
professionals (doctors and nurses), can solve or reduce biases due to misdiagnosis and
facilitate access to this type of examination, given that, with the help the non-specialist
professional system but with knowledge of the problem may run the scan and analyze
more precisely lesions. The increasing availability of mobile devices and the ease of
access to applications through online stores has resulted in the growing use of these
devices. The convenience of using a mobile system for the classification of skin lesions
can improve access to the examination of dermoscopy and increase early detection
probability of melanoma. Thus, this paper presents the development of a dermoscopic
image classification system for mobile devices.

Keywords: Computer Vision, Diagnostic Imaging, Mobile Devices, Intelligent Systems.


LISTA DE TABELAS

Tabela 1 Exemplos de funes de ativao. ............................................................... 36


Tabela 2 Resultados da classificao obtidos pelo algoritmo KNN ........................... 65
Tabela 3 Resultados da classificao obtidos pelo algoritmo AD .............................. 65
Tabela 4 Resultados da classificao obtidos pelo algoritmo SVM. .......................... 66
Tabela 5 Resultados obtidos pela Rede MLP. ............................................................ 66
Tabela 6 Nveis de Sensibilidade e Especificidade. ................................................... 67
LISTA DE FIGURAS

Figura 1 Percentual de Iniciativas de Mobile Health. ................................................ 18


Figura 2 Representao de uma imagem digital......................................................... 25
Figura 3 Superposio de matrizes formando uma imagem colorida (RGB). ........... 26
Figura 4 Modelo do Neurnio Artificial. ................................................................... 35
Figura 5 Exemplos de funes de ativao: (a) linear, (b) limiar e (c) sigmoide....... 36
Figura 6 Arquitetura de uma RNA Multilayer Perceptron. ........................................ 37
Figura 7 Prottipos de telas do sistema: (a) Tela Inicial, (b) Alerta ao usurio e (c)
Captura da leso.............................................................................................................. 43
Figura 8 Prottipos de telas: (a) Visualizao da leso e (b) Resultados da Anlise . 44
Figura 9 Estrutura Geral do Sistema .......................................................................... 45
Figura 10 Em (a) dermatoscpio para smartphone, em (b) adaptador para
dermatoscpio. ................................................................................................................ 45
Figura 11 Diagrama de Atividades do Sistema .......................................................... 47
Figura 12 Imagens da base PH. A primeira linha apresenta imagens de nevos
comuns, na segunda linha nevos atpicos e na terceira linha melanoma. ....................... 49
Figura 13 Modelo de imagens retiradas que no foram utilizadas no sistema de
classificao: (a) leso fora dos limites da imagem, (b) excesso de pelos e (c) baixo
nvel de contraste entre a regio da leso e a cor da pele. .............................................. 50
Figura 14 Etapas do pr-processamento. .................................................................... 51
Figura 15 Aplicao do filtro bilateral: (a) Imagem normal; (b) Imagem aps a
aplicao do filtro. .......................................................................................................... 52
Figura 16 Melhora nas condies da imagem para realizar a segmentao. Em (a)
seleo do canal azul e (b) resultado do filtro de mediana. ............................................ 53
Figura 17 Resultado dos mtodos de segmentao. Em (a) imagem segmentada
manualmente por um dermatologista, (b) limiarizao de Otsu, (c) limiarizao
adaptativa e (d) watershed. ............................................................................................. 54
Figura 18 Resultados obtidos com utilizao das trs tcnicas. a) Segmentao
manual, b) Limiarizao de Otsu, c) Limiarizao Adaptativa e d) Watershed. ............ 55
Figura 19 Segmentao com o mtodo de Otsu. ........................................................ 56
Figura 20 Resultado da conjuno da regio segmentada e imagem original. ........... 57
Figura 21 Identificao da leso: (a) Borda identificada pelo mtodo de Suzuki et al.
(1985) e (b) Leso identificada pelo mtodo de Graham e Frances (1983). .................. 58
Figura 22 Aplicao do mtodo convexityDefects. ................................................... 59
Figura 23 - Resultado dos testes para obteno do limiar. Em (a) resultado da deteco
da leso e das irregularidades da leso, (b), (c) e (d) apresentam as irregularidades com
diferentes valores para o limiar. ..................................................................................... 60
Figura 24 Cores a serem analisadas e seus respectivos valores. ................................ 61
Figura 25 Leses de pele. ........................................................................................... 62
LISTA DE SIGLAS

AD rvore de Deciso;
BoF Bag-of-Features
ELM Extreme Learning Machine
GPU - Unidade de Processamento Grfico
HCFMRP Hospital das Clnicas da Faculdade de Medicina de Ribeiro Preto
HPH Hospital Pedro Hispano
INCA Instituto Nacional do Cncer
ITU International Telecommunication Union
KNN k-Nearest Neighbors
MLL Machine Learning Library
MLP Multilayer Perceptron
OpenCv Open Source Computer Vision Library
ONU Organizao das Naes Unidas
OMS Organizao Mundial de Sade
RBF - Radial Basis Function
RNA Rede Neural Artificial
SE Sensibilidade
SP Especificidade
SVM Support Vector Machine
TWP Transformada Wavelet Packet
VC Viso Computacional
SUMRIO

1 INTRODUO ..................................................................................................... 13
1.1 MOTIVAO ................................................................................................. 13
1.2 OBJETIVO GERAL ........................................................................................ 15
1.3 ORGANIZAO DA DISSERTAO ......................................................... 15
2 MOBILE HEALTH .............................................................................................. 17
2.1 TRABALHOS RELACIONADOS ................................................................. 18
3 VISO COMPUTACIONAL .............................................................................. 24
3.1 IMAGENS DIGITAIS ..................................................................................... 24
3.2 RECONHECIMENTO DE PADRES ........................................................... 26
3.3 BIBLIOTECA OPENCV ................................................................................. 29
3.4 TRABALHOS RELACIONADOS ................................................................. 31
4 REDES NEURAIS ................................................................................................ 34
4.1 REDES NEURAIS ARTIFICIAIS (RNAs) .................................................... 35
4.2 RNA MULTILAYER PERCEPTRON (MLP)................................................ 36
4.3 ALGORITMO BACKPROPAGATION ......................................................... 37
4.4 TRABALHOS RELACIONADOS ................................................................. 39
5 DESENVOLVIMENTO, EXPERIMENTOS E RESULTATOS ..................... 42
5.1 CARACTERSTICAS E REQUERIMENTOS DO SISTEMA ...................... 42
5.2 ETAPAS DE PROCESSAMENTO................................................................. 44
5.2.1 Aquisio de Imagens ............................................................................. 48
5.2.2 Pr-Processamento ................................................................................. 51
5.2.2.1 Segmentao ............................................................................................. 53
5.2.3 Extrao de Caractersticas ................................................................... 57
5.2.3.1 Anlise da Borda ...................................................................................... 57
5.2.3.2 Anlise de Cor .......................................................................................... 61
5.2.4 Classificao ............................................................................................ 63
5.2.4.1 Comparao de Trabalhos ........................................................................ 63
5.2.4.2 Classificador ............................................................................................. 68
5.2.5 Apresentao dos Resultados ................................................................ 69
6 CONCLUSO E TRABALHOS FUTUROS ..................................................... 70
REFERNCIAS ........................................................................................................... 71
13

1 INTRODUO

Este captulo apresenta, na Seo 1.1, os fatores motivacionais para o desenvolvimento


desse trabalho; na Seo 1.2 apresentado o objetivo geral deste trabalho; e na Seo 1.3
apresentado a organizao desta dissertao.

1.1 MOTIVAO

O cncer uma das doenas que mais preocupa a medicina. Segundo o Instituto
Nacional do Cncer (INCA), para o ano de 2014 foi feita uma estimativa de 580 mil novos
casos dessa doena. Dentre os diversos tipos de cncer, os que se apresentam com maior
incidncia so o cncer de pele no melanoma, prstata, mama, colo de reto, pulmo e estmago
(INCA, 2015).
No Brasil, o cncer de pele corresponde a 25% de todos os tumores malignos registrados
no pas. Essa taxa corresponde a uma estimativa de cerca de 182 mil novos casos para o ano de
2014 (INCA, 2015). O cncer de pele do tipo melanoma o menos comum, representando cerca
de 4% das neoplasias malignas desse rgo. No entanto, esse tipo de cncer considerado o
mais agressivo pelo fato de apresentar um alto ndice de metstase.
O melanoma cutneo tem origem nos melancitos clula que produz melanina,
substncia responsvel por determinar a cor da pele e pode surgir a partir da pele normal ou
pigmentada. A doena se manifesta atravs do surgimento de uma pinta escura de bordas
irregulares, na maioria dos casos no apresenta sintomas, mas o tumor pode vir acompanhado
de coceira e descamao. Em caso de leso pigmentada pr-existente, o tumor ir evoluir
apresentando mudanas de cores que podem variar do marrom claro ao preto, aumento da
superfcie e das bordas da leso (SOARES, 2008).
O diagnstico precoce um fator crucial para o tratamento e cura dessa doena, isso
porque nos estgios iniciais o melanoma se desenvolve apenas na camada mais superficial da
pele, facilitando a extrao da leso. Nos estgios mais avanados, a leso mais profunda, o
que aumenta a chance de metstase para outros rgos e diminui a chance de cura (SBD, 2015).
14

Uma tcnica utilizada pelos dermatologistas para diagnosticar o cncer de pele, e


consequentemente o melanoma, a dermatoscopia. Trata-se de um exame no invasivo,
realizado in vivo, que analisa superfcies pigmentadas na pele humana. Para a realizao dessa
anlise necessrio a utilizao de um aparelho que possa ampliar a leso. O aparelho mais
utilizado pelos mdicos o dermatoscpio. Consiste em um aparelho porttil tico que permite
ampliar a leso de 10 a 100 vezes. Ele emite um feixe de luz que atinge a superfcie da pele em
um ngulo de 20. Para eliminar o reflexo natural da luz, um gel aplicado previamente sobre
a pele, permitindo a identificao de estruturas da pele que antes no eram visveis a olho nu
(FRANGE; ARRUDA; DALDON, 2012). J a dermatoscopia digital permite capturar imagens
da leso com uma ampliao mdia de 70 vezes, mantendo a definio da imagem. As imagens
capturadas so armazenadas em formato digital e podem ser utilizadas para o acompanhamento
das leses e discusso do diagnstico. Essa tcnica utiliza uma cmera digital (dermafoto
digital) ou de vdeo (vdeodermatoscopia digital), tem como desvantagem o alto custo dos
aparelhos.
Resultados mostram que a utilizao da dermatoscopia, em conjuno com os resultados
do exame clnico e o histrico do paciente, melhora a acurcia do diagnstico da leso em 50%
(PSATY; HALPERN, 2009). Algumas metodologias so utilizadas em conjunto com a
dermatoscopia na anlise das leses, dentre elas destaca-se o uso da regra ABCD
(DERMOSCOPY, 2015; NACHBAR et al., 1994) e a lista dos sete pontos (ARGENZIANO,
1998). Ambos analisam inicialmente a leso inspecionando se a mesma de origem
melanoctica ou no melanoctica, ou seja, se tem origem de clulas de melancitos.
Identificada a origem a leso, novamente analisada como benigna ou maligna (melanoma).
Para essa anlise a regra ABCD atribui uma pontuao para a leso. Essa pontuao
obtida atravs da soma dos pontos atribudos s caractersticas de assimetria (A), borda (B), cor
(C), e dimetro e/ou estruturas diferenciais (rede de pigmento, pontos, estrias, etc.) (D). Caso a
soma atinja uma pontuao maior que 5.45, a leso diagnosticada como melanoma. A lista
dos sete pontos verifica a presena de estruturas diferencias atpicas, so elas: rede de pigmento,
vu azul-esbranquiado, padro vascular atpico, estrias, pigmentao irregular, pontos ou
glbulos e estruturas de regresso. Esse mtodo classifica a leso como melanoma caso sejam
identificadas duas ou mais estruturas diferenciais atpicas.
A aquisio de imagens de leses de pele possibilitou a formao de grandes conjuntos
de imagens, gerando a necessidade de utilizar mtodos computacionais para o processamento,
anlise e recuperao de informaes contidas nessas imagens.
15

As tecnologias foram evoluindo possibilitando o desenvolvimento de sistemas


computacionais que auxiliassem dermatologistas e profissionais da rea da sade na anlise de
leses de pele. Os sistemas de Viso Computacional (VC) esto sendo cada vez mais utilizados
como ferramentas de apoio para anlise do melanoma. Esses sistemas geralmente utilizam
imagens de leses de pele para extrair as informaes das leses utilizando algoritmos mdicos
e classificam essas informaes utilizando algoritmos de aprendizagem de mquina.
A utilizao de sistema de VC no processo de classificao de imagens dermatoscpicas
para anlise do melanoma tem mostrado resultados promissores. Em (RUIZ et al., 2011), o
sistema obteve um ndice de especificidade (SP) de 97,87% e uma sensibilidade (SE) de 78,43%
e, em (BARATA et al., 2013), os mtodos utilizados no sistema obtiveram um ndice de 100%
em SE e de 75% em SP.
A difcil tarefa de analisar leses dermatoscpicas para o diagnstico do melanoma tem
influenciado o desenvolvimento de novos mtodos que auxiliem o ser humano na realizao
dessa tarefa. Isso mostra que os sistemas de VC passam a ser de grande interesse e com um
potencial enorme a ser explorado como ferramentas de apoio ao diagnstico do cncer de pele.

1.2 OBJETIVO GERAL

O presente trabalho tem como objetivo principal desenvolver uma soluo para
dispositivos mveis que utilize tcnicas de VC para realizar a tarefa de anlise das leses
dermatoscpicas, classificar as informaes extradas das imagens utilizando uma Rede Neural
e emitir um pr-diagnstico sobre o diagnstico do cncer de pele, baseado em imagens
dermatoscpicas obtidas a partir do prprio dispositivo mvel, que servir de ferramenta de
apoio para profissionais de sade no especializados em dermatologia (mdicos clnicos gerais,
enfermeiros) e dermatologistas.

1.3 ORGANIZAO DA DISSERTAO

Esta dissertao est organizada da seguinte forma: Nos captulos 2, 3 e 4 so


apresentados, respectivamente, os aspectos conceituais relacionados a Mobile Health, Viso
16

Computacional, Redes Neurais, e os trabalhos relacionados com cada um desses assuntos. No


Captulo 5 so apresentados os mtodos desenvolvidos para cada etapa do sistema. O Captulo
trata dos resultados e discusses dos mtodos apresentados no captulo anterior. E, por fim, o
Captulo 6 apresenta as concluses e trabalhos futuros.
17

2 MOBILE HEALTH

Os celulares/smartphones esto cada vez mais presentes no cotidiano das pessoas em


todo mundo. Segundo a International Telecommunication Union (ITU, 2014), at o final de
2014, o nmero de celulares no mundo chegar a quase 7 bilhes de unidades. Isso quer dizer
que 96% da populao mundial possui um celular, onde os pases emergentes representam 78%
de todos os celulares em uso no planeta.
Assim como a quantidade de celulares, as redes de telefonia mvel e o acesso internet
vm aumentando com o passar dos anos. A expanso da tecnologia e o barateamento desses
dispositivos impulsionaram o desenvolvimento de aplicaes para as mais diferentes reas, e a
sade vem se beneficiando com essa evoluo atravs das aplicaes de Mobile Health (Sade
Mvel).
Mobile Health o termo utilizado para prtica da medicina e da sade pblica
suportados por dispositivos mveis, como telefones celulares, smartphones, dispositivos de
monitoramento de pacientes, tablets, PDAs e outros dispositivos sem fio (KAY, 2011)
(CONSULTING, 2009). Aplicaes de Mobile Health incluem o uso de dispositivos mveis
para aumentar o acesso aos cuidados de sade e informao relacionada com a sade (em
especial para as populaes de difcil acesso), alm de prover suporte melhoria da capacidade
de diagnosticar e controlar doenas, ao acompanhamento de pacientes em tempo real, aos
sistemas de apoio deciso, prestao direta de cuidados de sade atravs de call centers e
linhas diretas de ajuda, entre outros.
O uso da tecnologia para melhorar problemas existentes nos sistemas de sade,
principalmente de pases em desenvolvimento, e o crescente aumento de acesso a dispositivos
mveis podem ser entendidos como fatores motivacionais para pesquisas no campo de Mobile
Health (CONSULTING, 2009).
O potencial apresentado pelo uso de Mobile Health para solucionar problemas foi
reconhecido pela Organizao da Naes Unidas (ONU) e pela Organizao Mundial de Sade
(OMS), como pode ser visto na pesquisa apresentada por Kay (2011). A pesquisa sobre o uso
de Mobile Health envolveu 112 pases, onde 83% dos 112 participantes relataram a presena
de pelo menos uma iniciativa de Mobile Health no pas. Isso sem contar com os trabalhos
desenvolvidos por pequenas empresas ou organizaes no governamentais. Os pases que
18

possuem iniciativas tambm relataram a implantao de quatro ou mais tipos de iniciativas em


Mobile Health.
O grfico apresentado na Figura 1 mostra as iniciativas desempenhadas no
desenvolvimento de aplicaes em Mobile Health.

Figura 1 Percentual de Iniciativas de Mobile Health.


Fonte: Adaptado de (KAY, 2011).

A diversidade de aplicaes relacionados sade e a disponibilidade de dispositivos


mveis impulsiona cada vez mais o crescimento e popularizao do Mobile Health. Na prxima
seo so apresentados alguns trabalhos relacionados.

2.1 TRABALHOS RELACIONADOS

Os dispositivos mveis possuem inmeras funes. Essas funes permitem o


desenvolvimento de aplicaes para os mais variados tipos de funcionalidades. A qualidade
19

dessas aplicaes um fator fundamental, visto que as mesmas so desenvolvidas para auxiliar
problemas relacionados com a sade de seres humanos.
Aplicaes para o acompanhamento e controle do diabetes por exemplo, devem atender
a algumas caractersticas. No trabalho apresentado por Chomutare et al. (2011), os autores
fizeram uma reviso sobre aplicaes de Mobile Health para a auto-gesto do diabetes. O artigo
faz um estudo sobre as principais caractersticas de aplicaes mveis para cuidados com
diabetes, de acordo com as recomendaes das diretrizes clnicas para auto-gesto dessa
doena.
A pesquisa foi realizada nas lojas de aplicativos on-line (Apple Store1, Google Play2,
BlackBerry3, Nokia4 e Symbian5) e em trabalhos relacionados ao uso de aplicaes mveis para
o diabetes, onde essas aplicaes deveriam atender uma pelo menos uma das seguintes
caractersticas: automonitorizao; informaes sobre glicose no sangue, peso, atividades
fsicas, dieta, medicamentos e insulina e presso arterial; suporte educao, portais e sistemas
de transferncia de dados e comunicao, alerta e lembretes relacionados doena; integrao
com as mdias sociais; e sincronizao com sistemas de registro pessoal de sade (SMITH;
SCHATZ, 2010) ou portais com informaes do paciente.
Dentre as 973 aplicaes encontradas, 137 atenderam aos critrios de seleo. A
pesquisa revelou que a educao, um fator crtico fortemente recomendado pelas diretrizes
clnicas, no estava inclusa nas aplicaes encontradas e, apesar da quantidade de aplicaes
disponveis para as pessoas com diabetes, muitos requisitos ainda precisavam ser includos para
atender s recomendaes elaboradas para essas aplicaes e assim melhorar suas
funcionalidades.
Como foi abordado anteriormente, em um pas emergente e com dimenses continentais
como o Brasil, Mobile Health torna-se uma soluo muito til para inmeros problemas. Vrias
aplicaes para as mais diferentes finalidades esto sendo desenvolvidas. No trabalho
apresentado por Oliveira e Costa (2012) descrito o desenvolvimento de um aplicativo mvel
de referncia sobre vacinao no Brasil. O aplicativo multiplataforma foi construdo utilizando
um framework de programao voltado para dispositivos mveis implementado com as
tecnologias HTML, CSS e Java Script. Para o desenvolvimento tambm foi utilizado uma base
de dados fornecida pelo Ministrio da Sade do Brasil, do Programa Nacional de Imunizao.

1
http://store.apple.com/br
2
https://play.google.com/store
3
http://appworld.blackberry.com/webstore/?lid=br:bb:apps&lpos=br:bb:apps&countrycode=BR&lang=en
4
http://store.ovi.com/
5
http://symbian.apps.opera.com/pt_br/
20

O sistema disponibiliza um contedo sobre vrios tipos de vacinas para atender a


diferentes profissionais de sade. O sistema foi avaliado por usurios que verificaram funes
como: facilidade de uso, tempo de carregamento, adequao resoluo da tela, frequncia de
uso e relevncia dos dados.
O uso de sistemas para acesso informao e ao histrico de consultas e doenas
contribui para a tomada de deciso e, consequentemente, para um melhor diagnstico e
preveno de doenas. O trabalho apresentado por Paz et al. (2012) descreve uma aplicao
mvel que utiliza princpios de Computao Ubqua (WEISER, 1993) para consultar
informaes de pacientes em ambientes hospitalares utilizando aplicaes sensveis ao contexto
(NUNES et al, 2012). O sistema destaca informaes relevantes sobre o histrico de doenas
do paciente para auxiliar no diagnstico ou tratamento de doenas. Para isso, o sistema realiza
troca de mensagens entre as aplicaes e as bases de dados, identificando informaes do
paciente que so relevantes no momento do atendimento. Essas informaes so filtradas e
relacionadas com a especialidade do profissional de sade. A aplicao explora, assim, a
ateno do usurio nas informaes que sejam cruciais, e ajuda o mdico ou outro profissional
a obter um diagnstico rpido. Alguns testes foram feitos e mostraram que o sistema capaz
de fornecer um servio de atendimento gil utilizando dados relevantes sobre o estado de sade
do paciente, contextualizando as informaes a partir do perfil do usurio.
A utilizao de dispositivos mveis para facilitar o acesso informao e auxiliar o
profissional de sade na realizao de exames tambm visto no trabalho apresentado por
Correia et al. (2012). Nesse trabalho, os autores apresentam o Nutrimobile, uma aplicao para
dispositivos mveis, na plataforma Android, que auxilia o nutricionista na avaliao nutricional
de pacientes/clientes de acordo com as seguintes etapas: Antropometria, Exames Bioqumicos,
Avaliao Diettica, Clculos Energticos, Anamnese e Dieta.
O sistema foi desenvolvido baseado nas necessidades do Hospital das Clnicas da
Faculdade de Medicina de Ribeiro Preto (HCFMRP) que, segundo os autores, realiza a
avaliao nutricional dos pacientes hospitalizados atravs de um questionrio em papel, assim
como o clculo e a formulao da doena. O sistema automatiza a avaliao nutricional
reduzindo o tempo gasto em uma avaliao assim como melhora o atendimento e o controle
dos dados do paciente. Os resultados apresentados pelo Nutrimobile mostram que o processo
de avaliao nutricional ficou mais rpido e confivel, auxiliando o trabalho dos profissionais
de nutrio.
Em Almeida, Endler e Haeusler, (2012), os autores apresentam o desenvolvimento de
uma ferramenta para a gerao de aplicativos mveis, contendo um questionrio customizado
21

para o acompanhamento a distncia de pacientes com doenas crnicas. O objetivo desse


trabalho apresentar um prottipo de uma aplicao de monitoramento remoto de pacientes,
capaz de gerar de forma automtica questionrios para dispositivos mveis a partir de uma base
de conhecimento contendo descries formais (tipo de doena, e de tratamento, etc.), a
identificao das limitaes, vantagens e desvantagens da abordagem.
O prottipo utiliza um conjunto de sintomas que so associados a um questionrio, que
produzido por um especialista que escolhe os sintomas que esto relacionados ao paciente. O
paciente executa a aplicao em seu dispositivo e responde o questionrio. As respostas so
enviadas para a aplicao do mdico, que analisa as informaes e avalia o estado do paciente.
O trabalho apresentado por Navarro et al. (2012) apresenta o aplicativo AdaFarma, que
interliga as partes envolvidas no processo ps-consulta, so elas: o grupo mdico, para a criao
de receitas; as redes de farmcia, para obteno de dados farmacuticos; e os pacientes. O
aplicativo pode recuperar os dados de uma receita via um cdigo e, a partir disso, apresentar a
rota de menor custo at a farmcia mais prxima para que o paciente possa obter os
medicamentos. Alm disso, ele capaz de avaliar os medicamentos do programa Farmcia
Popular, apresentar alertas e instrues prescritas para o uso do medicamento e oferecer o
histrico de uso para melhor controle do tratamento. O aplicativo fornece toda a infraestrutura
necessria para interligar as partes envolvidas no processo ps-consulta.
Com relao s receitas mdicas, percebeu-se que o uso de cdigos para entradas de
dados evitou erros de digitao, o alarme para relembrar o horrio de ingerir determinados
medicamentos se mostrou bastante eficiente, e o histrico com os remdios j utilizados facilita
o acesso informao aos profissionais de sade e evita a ingesto de medicamentos que juntos
reflitam em efeitos colaterais graves. Quanto consulta dos medicamentos existentes nas
farmcias, os autores sugerem a definio de um padro para os dados de todas as farmcias e
o armazenamento destes em um repositrio comum. O aplicativo apresentou boa
funcionalidade e o alcance dos objetivos propostos.
O uso de notificaes para dispositivos mveis tambm aplicado em Mobile Health.
Essas aplicaes pretendem ser uma maneira de enviar informaes importante para os usurios
sem que as interrupes lhes causem grande perda de ateno. Costa (2013) apresenta um
estudo sobre um modelo de notificaes para Mobile Health com base em modos de
interrupo, conforme os parmetros de Interrupo, Reao e Compreenso, e na
personalizao de contedo. O estudo realizado tenta reduzir o incmodo de interrupo de uma
atividade em andamento, identificar os objetivos de notificao para profissionais de sade e
desenvolver um modelo de notificaes especificamente para esta rea. O modelo foi aplicado
22

em um prottipo de sistema de notificao e apresentado a usurios mdicos, o que permitiu


sua anlise e refinamento quanto adequao das configuraes de apresentao, tipos de
informaes, periodicidade das mensagens e tipos de interrupes propostos.
Outro fator que melhorou nos dispositivos mveis foi a capacidade de armazenamento
e o poder de processamento que esses dispositivos vm apresentando nos ltimos tempos,
tornando possvel o desenvolvimento de jogos e aplicativos de processamento de imagens, por
exemplo. O trabalho apresentado por Pradi (2012) apresenta um software para a anlise e
deteco do cncer de pele do tipo melanoma de forma automatizada utilizando um dispositivo
mvel sob a plataforma iOS6. O sistema desenvolvido captura a imagem das leses utilizando
a cmera do prprio dispositivo. A imagem capturada submetida a uma sequncia de filtros
utilizados para melhorar a imagem e torn-la apta para o processo de segmentao. Com a
imagem j segmentada, a prxima etapa a extrao de caractersticas. Para essa etapa, o autor
utiliza a regra ABCD (NACHBAR et al., 1994) (regra da dermatologia utilizada para anlise
de leses de pele). Para o clculo do resultado que determina se a leso maligna ou no, so
aplicados pesos aos valores das caractersticas. Se o valor obtido for superior a 5.45, a leso
considerada maligna, enquanto que se os valores estiverem entre 5.45 e 4.75, as leses so
consideradas suspeitas. O sistema apresentou bons resultados na anlise do melanoma, onde o
mesmo foi capaz de classificar de modo geral 90% das leses, obtendo um nvel de
sensibilidade de 93,02% e um nvel de especificidade de 86,95%.
O sistema desenvolvido por Ramlakhan e Shang (2011) semelhante ao trabalho
anterior. Neste trabalho os autores desenvolveram um sistema que executa sob a plataforma
Android, mas a principal diferena est no processo de classificao. Os autores realizam a
extrao de caractersticas utilizando a regra ABCD da dermatologia e aplica os valores
extrados em um classificador KNN (FACELI et al., 2013). O sistema obteve um desempenho
geral de 66,7%, um nvel de sensibilidade de 60,7% e um nvel de especificidade de 80,5% no
processo de classificao.
O uso de dispositivos mveis como ferramenta para auxiliar o diagnstico do cncer
tambm visto em Massone et al (2009). Nesse trabalho, os autores apresentam o uso de um
dispositivo mvel como uma ferramenta de triagem do cncer de pele do tipo melanoma. Os
autores utilizam um celular e um dermatoscpio de bolso para capturar imagens das leses de
pele, transmitindo as imagens por e-mail ou por uma aplicao web. O estudo aponta que o uso

6
https://www.apple.com/br/ios/
23

dessa prtica teve um ndice de 93% de aceitao dos profissionais de sade, e pode auxiliar o
diagnstico do cncer.
Os trabalhos vistos nesta seo so uma pequena amostra da diversidade das aplicaes
de Mobile Health. Os trs ltimos trabalhos relacionados apresentam solues relacionadas
com a dermatologia e esto diretamente relacionados com o sistema desse trabalho.
Comparando com o trabalho de Massone et al. (2009), este trabalho apresenta um sistema mais
completo pelo fato do prprio sistema apresentar um parecer que possa auxiliar na deciso que
ser tomada sobre a leso analisada, sem a necessidade de conexo com a internet. A
dependncia do uso de internet por parte do sistema pode tornar invivel o uso desse dispositivo,
pois o usurio pode se encontrar em regies onde o sinal da rede no esteja disponvel, como
na zona rural, por exemplo.
Em Ramlakhan e Shang (2011) e Pradi (2012) foram apresentadas propostas similares
apresentada neste trabalho. No entanto, ambos diferem deste trabalho nas tcnicas utilizadas no
processamento e, principalmente, na classificao da imagem, onde o primeiro utiliza um
classificador KNN e o segundo utiliza a regra ABCD. As aplicaes aqui apresentadas mostram
que a utilizao de Mobile Health est cada vez mais presente no nosso dia a dia, fornecendo
solues para os mais diversos problemas existentes na rea da sade.
24

3 VISO COMPUTACIONAL

A viso computacional (VC) a rea de estudo responsvel pela extrao de dados


informativos a partir de uma imagem. Geralmente so desenvolvidos algoritmos que buscam
automatizar determinadas tarefas que so associadas viso humana. A extrao de dados
permite reconhecer, classificar, manipular e pensar sobre os objetos que compem uma imagem
(AZEVEDO; CONCI, 2003).
Um sistema de VC possui uma srie de etapas que simulam a viso humana, so elas:
aquisio da imagem, pr-processamento, segmentao, seleo de caractersticas,
reconhecimento e classificao.
A primeira etapa a aquisio da imagem. Essa etapa consiste em digitalizar uma cena
utilizando uma cmera ou aparelho capaz de capturar imagem. Na etapa de pr-processamento,
ocorrem processos como reduo de rudos e realce das imagens, geralmente, com o intuito de
corrigir possveis defeitos e/ou melhorar a qualidade da imagem. Aps o pr-processamento, as
imagens so submetidas etapa de segmentao, que tem como objetivo extrair regies de
interesse do sistema que esto contidas nas imagens. Aps extrair as regies de interesse (por
exemplo, uma leso de pele), necessrio identificar as caractersticas contidas na regio
segmentada, onde essas caractersticas correspondem aos tipos de objetos ou informaes de
interesse do sistema. Com a obteno dos objetos de interesse, possvel identificar a qual
classe ou grupo essa informao pertence. Esse processo realizado por algoritmos de
classificao de dados (NIXON; AGUADO, 2008; Gonzalez; Woods, 2002).
Embora as etapas apresentadas anteriormente estejam relacionadas e em sequncia, elas
so independentes, de modo que alguns problemas podem ser resolvidos utilizando uma ou
algumas etapas. Nas prximas subsees so apresentados os conceitos sobre imagens digitais,
reconhecimento de padres e a apresentao da biblioteca de VC OpenCv (INTEL, 2014).

3.1 IMAGENS DIGITAIS

Na rea de VC, a imagem digital o principal objeto de estudo. Uma imagem uma
funo de intensidade de luz bidimensional representada por f(x,y), onde x e y denotam as
25

coordenadas espaciais e o valor de f no ponto (x,y) proporcional luminosidade (brilho) da


imagem naquele ponto.
Para processar uma imagem no computador, preciso realizar uma amostragem de f(x,y)
nas coordenadas espaciais, junto com uma quantizao da intensidade luminosa. As amostras
so igualmente espaadas e arranjadas na forma de uma matriz N x M, com cada elemento sendo
uma quantidade discreta (GONZALEZ; WOODS, 2002) citado por (ROLIM, 2009). O
elemento que compe essa matriz chamado de pixel (picture element), o qual o menor
elemento de uma imagem digital. A Figura 2 mostra a representao de uma imagem
monocromtica no domnio discreto e sua subdiviso em pixels.

Figura 2 Representao de uma imagem digital.


Fonte: (CAVALCANTE, 2014).

A Figura 2(a) apresenta a imagem em seu formato original. A Figura 2(b) exibe a
converso dos eixos para a representao de uma imagem digital. A Figura 2(c) mostra uma
representao numrica dos tons de cinza, onde os valores dos pixels variam de 0 (ausncia
total de luminosidade) a 254 (maior intensidade de luminosidade) numa escala de 255 tons de
cinza.
Para o modelo usado em imagens coloridas, chamado de RGB (abreviao de Red =
vermelho, Green = verde e Blue = azul), por exemplo, a imagem pode ser considerada como a
associao de trs imagens de mesmo tamanho (N x M), uma com pixels na escala de tons de
vermelho, uma outra em tons de verde e uma terceira em tonalidades de azul sobrepostas
(Figura 3), onde a soma dos valores dos pixels das trs imagens forma a cor final. Logo, quanto
maior os valores de intensidade, maior ser a quantidade de cores, a qualidade e o tamanho da
imagem.
26

Figura 3 Superposio de matrizes formando uma imagem colorida (RGB).


Fonte: (VIANA, 2002).

A seo seguinte apresenta alguns conceitos sobre o processo de reconhecimento de


padres e os tipos de aprendizagem de mquina.

3.2 RECONHECIMENTO DE PADRES

O reconhecimento de padres est relacionado com diversas reas de pesquisa, dentre


elas a VC. Em um sistema de VC, o reconhecimento de padres est incluso na ltima etapa,
sendo ela responsvel por analisar e classificar dados utilizando algoritmos de aprendizagem.
"Reconhecimento de padres o processo de identificar objetos atravs da extrao de
suas caractersticas, a partir de dados sobre o objeto" (TOU; GONZALEZ, 1974) citado por
(CORDEIRO, 2002). Vale ressaltar que o objeto a ser identificado pode no ser
necessariamente concreto.
O processo de reconhecimento de padres deve analisar as caractersticas retiradas de
um determinado objeto, identific-las com padro conhecido e classific-lo. Onde a
caracterstica uma informao extrada do objeto observado, que ajuda a identific-lo. O
padro o conjunto organizado de caractersticas escolhidas para identificar o objeto. Por sua
vez, um conjunto de padres similares forma uma classe (RIBEIRO, 2003).
Para o problema de reconhecimento de padres de um conjunto de dados, necessrio
definir qual abordagem ser utilizada. Vale salientar que a escolha dessa abordagem no uma
tarefa simples e, em muitos casos, faz-se necessrio contar com a experincia de um
especialista. Dentre as vrias abordagens, pode-se citar:
27

1) Casamento de modelos (template matching): uma das tcnicas mais simples para
reconhecer padres. Corresponde a uma operao genrica usada para analisar as
similaridades entre duas entidades do mesmo tipo. Essa tcnica consiste na
utilizao de um modelo (template) ou prottipo do padro a ser reconhecido. O
padro reconhecido casado com modelos armazenados observando as variaes
em termo de: translao, rotao e mudanas de escalas. A medida de similaridade,
normalmente, relacionada ideia de correlao e pode ser otimizada com base no
conjunto de treinamento (JAIN; DUIN; MAO, 2000).
2) Abordagem estatstica: nessa abordagem, cada padro representado em termos
de d caractersticas que visto como um ponto no espao d-dimensional. O objetivo
dessa tcnica formar vetores de caractersticas que possam representar diferentes
padres. O sistema de reconhecimento treinado com um conjunto de padres de
diferentes classes. O objetivo do treinamento encontrar os limites de deciso que
melhor descrevem os padres. Os limites de deciso so determinados pelas
distribuies de probabilidade dos padres pertencentes a cada classe (JAIN; DUIN;
MAO, 2000).
3) Abordagem sinttica: esta abordagem trata os padres sob uma perspectiva
hierrquica, ou seja, um padro composto por sub-padres mais simples chamados
de primitivos, onde o ltimo tambm pode ser composto por outros mais simples, e
os padres mais complexos so representados pelas inter-relaes entre os
primitivos. O reconhecimento de padres sinttico faz uma analogia formal entre a
estrutura dos padres e a sintaxe de uma linguagem, onde os padres so vistos como
frases pertencentes a uma lngua. Os primitivos so vistos como o alfabeto dessa
lngua e as sentenas so geradas de acordo com a gramtica. A gramtica para cada
classe de padres deve ser inferida a partir das amostras de treinamento (JAIN;
DUIN; MAO, 2000).
4) Redes Neurais: As redes neurais podem ser vistas como sistemas computacionais
paralelos constitudos por vrias interligaes e microprocessadores simples. Os
modelos de redes neurais tentam usar alguns princpios organizacionais (como
aprendizado, generalizao, adaptabilidade, tolerncia a falhas e representao
distribuda, e computao) em uma rede de grafos ponderados dirigidos, em que os
ns so os neurnios artificiais e as arestas dirigidas (com pesos) so conexes entre
as entradas e as sadas dos neurnios. As principais caractersticas das redes neurais
so: capacidade de aprendizado a problemas complexos, adaptabilidade aos dados,
28

e generalizao. O processo de aprendizagem ocorre atravs da atualizao da rede


e dos pesos das conexes, de forma que a rede possa realizar tarefas especficas de
classificao e agrupamento. O uso de redes neurais em problemas de classificao
de padres est relacionado principalmente sua aparentemente baixa dependncia
de conhecimento de domnio especfico e devido disponibilidade de algoritmos de
aprendizagem eficientes que podem ser utilizados (JAIN; DUIN; MAO, 2000).
Aps definir a abordagem a ser utilizada, necessrio definir o tipo de aprendizado que
ser utilizado para reconhecer/classificar um padro: aprendizado supervisionado ou
aprendizado no supervisionado.
O aprendizado supervisionado o tipo de aprendizado em que j se conhece
previamente as categorias que se deseja classificar. Nesse tipo de aprendizado, sabe-se a
quantidade de classes existentes, seus nomes, e os dados so previamente rotulados com os
tipos de classes. O objetivo do aprendizado supervisionado est em realizar a classificao de
um determinado dado pertencente a um conjunto, utilizando um conjunto de dados como treino
para elaborar os critrios de deciso. No aprendizado no supervisionado, o conjunto de dados
possui somente padres de entrada, no h o conhecimento sobre a quantidade de classes, os
tipos de classes, nomes e outras informaes, ao contrrio do aprendizado supervisionado, que
o conjunto possui entrada e sada. O mtodo de aprendizado no supervisionado refere-se a
situaes onde o objetivo principal formar grupos de dados cujas amostras compartilham
informaes semelhantes (CERQUEIRA, 2010).
O processo de aprendizado extremamente importante, pois atravs dele so definidos
quais algoritmos sero utilizados para a tarefa de classificao. Para que ocorra o processo de
aprendizado, necessrio treinar o algoritmo. Para isso, um conjunto de dados dividido, por
exemplo, em um conjunto de treino e um de validao. O conjunto de treino possui a maior
porcentagem dos dados do conjunto original e exemplos de todas as classes existentes no
sistema. Para validar o treinamento realizado, utiliza-se o conjunto de validao,
preferencialmente com dados que no estejam no conjunto de treino, onde os dados so
aplicados, e ao final observa-se a capacidade de classificao do algoritmo utilizado.
Neste trabalho ser abordado um problema de classificao de padres de imagens
dermatoscpicas. Para isso foi escolhida a abordagem de redes neurais (apresentada no Captulo
4) com aprendizado supervisionado. Na prxima seo ser apresentada a biblioteca de viso
computacional OpenCV. Essa biblioteca implementa vrias tcnicas de processamento de
imagem, alm de vrios algoritmos de aprendizagem de mquina utilizados no reconhecimento
de padres.
29

3.3 BIBLIOTECA OPENCV

Open Source Computer Vision Library (OpenCv) uma biblioteca de cdigo aberto
desenvolvida originalmente pela Intel (INTEL, 2014) e voltada para desenvolvimento de
aplicaes na rea de VC. A biblioteca foi escrita em C e C++, possui interface com as
linguagens C, C++, Java e Pyton e pode ser executada nas plataformas Unix, Linux, Windows,
Mac OS, Android e Unidade de Processamento Grfico (GPU) Nvdia (CUDA) (NVIDIA,
2014).
Um dos objetivos do OpenCv fornecer uma infraestrutura para o desenvolvimento de
aplicaes sofisticadas na rea da VC. Esta biblioteca inclui um grande conjunto de algoritmos,
alguns tidos como clssicos e outro considerados no estado da arte, tais como: segmentao,
reconhecimento de faces, aprendizado de mquina, filtragem de imagens, e rastreamento de
movimento. Esses algoritmos podem ser utilizados em aplicaes de interface homem-
mquina, identificao de objetos, sistema de reconhecimento facial, reconhecimento de
movimentos, gravao de vdeos, robs mveis, reconstruo 3D, realidade virtual, e realidade
aumentada (INTEL, 2014; BRADSKI; KAEHLER, 2008).
Os algoritmos de VC e aprendizagem de mquina contidos no OpenCv esto divididos
em cinco mdulos: CV + CVAUX, MLL, HighGUI, CXCORE e CVCam. No mdulo
CV+CVAUX esto implementadas as funes de processamento de imagens, como filtros,
deteco de bordas, histogramas, deteco de cantos, transformaes, anlise de formas, entre
outros (BRADSKI; KAEHLER, 2008).
O MLL (Machine Learning Library) possui um conjunto com vrios algoritmos que
podem ser utilizados para resolver quaisquer problemas de aprendizagem de mquina. Dentre
os algoritmos existentes nesse mdulo podemos encontrar algoritmos de classificao
estatstica, agrupamentos e regresso.
O HighGUI foi projetado no intuito de facilitar o acesso visualizao dos resultados.
Esse mdulo permite criar e manipular janelas que podem exibir imagens, adicionar trackbars7
s janelas, lidar com eventos de mouse, funes de leitura e escrita de imagens e vdeos na
memria, entre outras funes.

7
Controle deslizante que permite ao usurio mover uma guia com o mouse ou teclado sendo que a posio
relativa da guia exibida como valor do controle.
30

O CXCORE contm um conjunto de algoritmos implementados que podem ser


utilizados em problemas que envolvem o uso de estrutura de dados, lgebra linear,
gerenciamento de memria, tratamento de erros, desenhos, texto e matemtica bsica.
O CVCam fornece funcionalidades para processamento de stream de vdeo em cmeras
digitais.
O OpenCv fornece toda estrutura para que a maioria dos algoritmos e funcionalidades
disponveis para desktop possam ser implementadas em outras plataformas, oferecendo suporte
para as plataformas: CUDA, Android e iOS. Neste trabalho foi utilizado o OpenCv para a
plataforma Android. O OpenCV Manager um servio fornecido para a plataforma Android,
que tem como objetivo gerenciar os arquivos binrios do OpenCV em dispositivos de usurios
finais, fornecendo benefcios como: reduo no uso de memria, otimizao especfica de
hardware para todas as plataformas, atualizaes e correes de erros (OPENCV ANDRIOD,
2014). Os aplicativos desenvolvidos com o OpenCv precisam ter o OpenCv Manager instalado
para que o mesmo possa funcionar. Caso o usurio final no possua o gerenciador instalado, o
sistema sugere a instalao do gerenciador encaminhando o usurio ao Google Play.
O OpenCv pode ser utilizado na plataforma Android para desenvolvimento de
aplicaes mais simples, assim como para aplicaes mais complexas. Para aplicaes onde se
pretende realizar funes como aplicao de filtros em imagens e vdeos, pode-se utilizar
funes simples em Java. Para os casos em que necessrio utilizar funes mais complexas,
como segmentao de imagens, estas s podem ser realizadas utilizando cdigo nativo (C e/ou
C++). Vale ressaltar que nem todas funcionalidades so implementadas na plataforma Android,
como, por exemplo, a criao de janelas para exibio de resultados fornecidos pelo pacote
HighGUI, que no so compatveis com essa plataforma. A escolha da abordagem a ser
utilizada depende de uma srie de fatores, dentre os quais se pode citar a complexidade de
processamento a ser realizada, quais os tipos de operaes aplicadas s imagens ou vdeos, a
necessidade de operaes de baixo nvel, entre outros (OPENCV ANDRIOD, 2014).
A biblioteca OpenCv apresenta-se como uma boa opo para o desenvolvimento de
sistemas de VC, fornecendo uma grande quantidade de algoritmos para os mais diversos tipos
de problemas, facilitando o trabalho com vdeos e imagens e possibilitando o desenvolvimento
para diferentes plataformas.
A prxima seo apresenta alguns trabalhos relacionados quanto ao uso da VC como
soluo para os mais diversos tipos de problemas e com foco especial para os sistemas de
classificao de imagens dermatoscpicas.
31

3.4 TRABALHOS RELACIONADOS

O crescente nmero de casos de cncer de pele, principalmente do tipo melanoma, tem


preocupado pessoas e organizaes de sade do mundo todo. O diagnstico precoce do
melanoma implica em um alto nvel de sobrevivncia para os pacientes que possuem essa
doena, porm, o diagnstico do cncer de pele do tipo melanoma no uma tarefa simples de
ser realizada. Tendo em vista as dificuldades apresentadas para o diagnstico dessa doena,
vrias aplicaes vm sendo desenvolvidas para auxiliar mdicos e profissionais de sade no
diagnstico do cncer de pele do tipo melanoma.
O trabalho de Ruiz et al. (2011) apresenta um sistema de apoio deciso que classifica
imagens com leses cutneas suspeitas. O sistema baseia seu diagnstico em trs fases:
deteco, descrio e classificao da leso. Na primeira fase, o autor realiza um pr-
processamento na imagem aplicando um filtro de remoo de pelo e, em seguida, a imagem
segmentada por meio de mtodo de thresholding Otsu (OTSU, 1979). Na fase de deteco de
caractersticas, as leses so analisadas de acordo com a regra ABCD da dermatologia e as
caractersticas extradas so selecionadas deixando somente as caractersticas que descrevem
melhor as leses malignas. Na ltima fase, os autores realizam testes utilizando os
classificadores: k vizinhos mais prximos (KNN K Nearest Neighbours), um classificador
Bayesian, uma rede Multilayer Perceptron (MLP) (FACELI et al., 2013), e um mtodo
colaborativo que aglutina os trs anteriores, utilizando um sistema de votos.
Os algoritmos foram avaliados quanto taxa de classificao, SP e SE. Quanto
taxa de classificao, o mtodo colaborativo obteve o melhor resultado (87.76%), seguido pela
rede MLP, com 86.73%. Em termos de SP, as diferenas so maiores: a partir de uma SP de
70,21% no classificador KNN para 97,87% no mtodo colaborativo. Neste caso, a alta SP da
rede MLP (95,74%), frente SP das tcnicas mais fceis, justifica a seleo da rede neural
artificial. Apesar dos bons resultados apresentados pelos classificadores, o mtodo colaborativo
oferece os melhores resultados e os mais equilibrados, atingindo uma SP de 97,87% e uma SE
de 78,43%.
Em Barata et al (2013), utilizou caractersticas de imagens globais e locais, utilizando
uma base de dados contendo 176 imagens dermatoscpicas. Na abordagem com imagens
globais, que analisa a leso como um todo, foram abordados os classificadores AdaBoost
(FREUND; SCHAPIRE, 1997), SVM (BURGES, 1998) e KNN. Utilizando o classificador
AdaBoost, os autores conseguiram um desempenho de 96% de SE e 80% de SP, enquanto que
32

utilizando o classificador SVM atingiu um desempenho de 92% de SE e 72% de SP, ao passo


que abordando o KNN atingiu um desempenho de 96% de SE e 79% de SP. Utilizando a
abordagem com uso de caractersticas locais da imagem, Barata et al. (2013) utilizaram o
mtodo Bag-of-Features (BoF) (SITU, 2008), que classifica pontos de interesses detectados nas
imagens contendo as leses. Com essa tcnica, os autores obtiveram uma classificao de 100%
de SE e de 75% de SP. Ambos os sistemas utilizam atributos de cor e textura para classificar a
leso como sendo do tipo melanoma ou nevo benigno.
Em Soares (2008), o autor apresenta uma metodologia inteligente para anlise e
classificao de imagens de cncer de pele. Neste trabalho, so utilizadas tcnicas de
Transformada Wavelet Packet (TWP) (KARRAKCHOU; KUNT, 1998) para extrair as
caractersticas de cor, forma e textura. As caractersticas encontradas so classificadas
utilizando o algoritmo SVM (VAPNIK, 1995). O sistema apresenta um bom desempenho no
processo de classificao, atingindo um nvel de SE igual a 92,73% e um nvel de SP igual a
86%.
Em Rosado (2009), o autor apresenta o desenvolvimento de um sistema para a
classificao do cncer de pele, utilizando a regra ABCD. O sistema de classificao proposto
pelo autor composto por trs mdulos. O primeiro, chamado de caractersticas de baixo nvel,
verifica a leso como suspeita ou no suspeita de ser um melanoma. Caso seja verdadeiro, o
sistema inicia a extrao das caractersticas descritas na regra ABCD. O segundo mdulo
chamado de caractersticas de alto nvel. Nessa fase o sistema obtm uma pontuao para cada
caracterstica semelhante regra ABCD, e atribui o valor a cada regra atravs do uso do
algoritmo KNN. No mdulo final, chamado de Classificao final, obtida uma deciso final
quanto malignidade da leso. Para essa ltima, so utilizados trs classificadores: (i) o KNN,
que recebe como entrada as pontuaes dos parmetros obtidos com a regra; (ii) o classificador
SVM, que recebe as caractersticas semelhantes ao mtodo anterior; e, por ltimo, (iii) o mtodo
de limiarizao, que recebe como entrada uma combinao linear dos parmetros obtidos com
a regra ABCD.
Ao final do processo, os classificadores obtiveram os seguintes resultado: o KNN obteve
82% de SE e 61% de SP; o SVM obteve o pior desempenho, apresentando apenas 36% de SE
e 61% de SP; o mtodo de limiarizao foi o que obteve o melhor desempenho entre os trs,
onde o mesmo conseguiu uma mdia de 72% de Se e 70% de SP.
No trabalho apresentado por Oliveira (2012), o sistema consegue identificar diferentes
tipos de leses de pele, so elas: nevos melanocticos, ceratose seborreica e o melanoma. Para
isso, so extradas das imagens caractersticas da regra ABCD e da anlise de textura. O sistema
33

utiliza o modelo de difuso anisotrpica (BARCELOS; BOAVENTURA; SILVA, 2003) para


efetuar o pr-processamento das imagens e, para a efetuar a segmentao, o autor utilizou o
modelo de contorno ativo sem borda de Chan Vese (CHAN; VESE, 2001). Os dados foram
classificados utilizando SVM. O mtodo de contorno ativo foi avaliado e o mesmo atingiu um
ndice de 94,36% para a deteco de contorno, sendo 91,43% deles avaliados como bons e o
restante como razovel. O desempenho do classificador foi analisado para cada um dos casos,
ou seja, para a diferenciao entre os nevos e a ceratose seborreica, o algoritmo obteve uma
mdia de 79,01% de acerto. Para a diferenciao entre o melanoma e os nevos, o algoritmo
obteve uma taxa de 74,36% de acerto, e, para a diferenciao entre o melanoma e a ceratose
seborreica, o algoritmo conseguiu classificar corretamente 74,33% dos casos.
Os trabalhos apresentados nesta seo utilizam diferentes tcnicas para reconhecer e
classificar imagens de leses de pele, onde os resultados apresentados pelos sistemas mostram
que eles podem ser boas opes de ferramentas para auxiliar profissionais da sade na deteco
do cncer de pele do tipo melanoma.
34

4 REDES NEURAIS

A busca por sistemas capazes de reproduzir aes humanas tidas como simples, como,
por exemplo, mover um brao e caminhar, envolvem o uso de diferentes funes, tais como
memria, aprendizagem e coordenao motora. Tais aes so simples de serem executadas
pelo crebro humano, porm no so triviais para um computador.
A rapidez e a facilidade em executar tais aes motivou o estudo sobre o crebro
humano, analisando sua estrutura e funcionamento com o objetivo de simular a capacidade de
aprendizado e aquisio de conhecimento do mesmo em um computador, surgindo assim as
Redes Neurais Artificiais (RNAs).
A procura por modelos capazes de representar o conhecimento surgiu na dcada de 1940
a partir dos estudos realizados por McCullock e Pits (1943), onde os mesmos propuseram um
modelo matemtico de neurnio artificial em que os neurnios executavam funes lgicas
simples e cada neurnio tinha a capacidade de executar diferentes tipos de funes. Os estudos
apresentados por McCullock e Pits mostraram que a combinao dos neurnios artificiais era
capaz de produzir sistemas com alto poder computacional, mas inicialmente essas redes no
possuam a capacidade de aprendizado (FACELI et al., 2013).
A evoluo dos computadores ajudou as pesquisas sobre RNAs, possibilitando o
desenvolvimento de novas arquiteturas, com maior capacidade e com algoritmos mais
sofisticados. As RNAs vm sendo cada vez mais utilizadas devido a caractersticas como
(HAYKIN, 2001):
Capacidade de trabalhar com problemas no-lineares;
Capacidade de aprendizado, obtido atravs do treinamento com um conjunto de
amostras contendo exemplos de entrada e sada (aprendizado supervisionado);
Adaptabilidade;
Resposta a evidncias;
Informao contextual;
Generalizao; e
Tolerncia a falhas.
A prxima seo apresenta uma breve descrio sobre as Redes Neurais Artificiais
(RNAs).
35

4.1 REDES NEURAIS ARTIFICIAIS (RNAs)

As RNAs so sistemas computacionais distribudos compostos de unidades de


processamento simples, densamente interconectadas, onde essas unidades so conhecidas como
neurnios artificiais (FACELI et al., 2013). Assim como no sistema nervoso, o neurnio
artificiai a unidade fundamental para o processamento de informao de uma RNA. A Figura
4 apresenta o modelo de um neurnio artificial.

Figura 4 Modelo do Neurnio Artificial.


Fonte: (OLIVEIRA, 2005).

No neurnio artificial os valores so recebidos pelas entradas (x1, x2 ... xm) e so


ponderados pela ao dos respectivos pesos sinpticos (Wk1, Wk2 ... Wkm) e combinados por uma
funo matemtica Vk. Em seguida, a sada gerada pelo somador aplicada a uma funo de
ativao F(Vk), que restringe a amplitude do sinal de sada ao condicionador de ativao do
sinal ultrapassagem de um determinado limiar pelo valor da soma ponderada das entradas. A
sada gerada pela funo de ativao yk a resposta do neurnio para as entradas que lhes foram
apresentadas. Complementarmente o bias bk pode ser utilizado para aumentar ou diminuir a
entrada da funo de ativao (OLIVEIRA, 2005).
Vrias funes de ativao podem ser encontradas na literatura. Exemplos de funes
de ativao comumente utilizadas so apresentadas na Tabela 1 e na Figura 5.
36

Tabela 1 Exemplos de funes de ativao. (OLIVEIRA, 2005; HAYKIN, 2001)


Funo de Ativao Equao Comentrios
Linear ( ) = Implica como retorno de sada
o valor de Vk
Limiar 0, < 0 Assume o valor 1, se o campo
( ) = {
1, 0 local induzido do neurnio
no negativo, e 0 caso
contrrio
Sigmoide 1 Variando o parmetro a
( ) =
1 + ( ) obtm-se funes sigmoides
com diferentes inclinaes.

Figura 5 Exemplos de funes de ativao: (a) linear, (b) limiar e (c) sigmoide.
Fonte: Autoria prpria

A seguir apresentada a arquitetura de uma RNA do tipo Multilayer Perceptron e o


algoritmo de treinamento backpropagation.

4.2 RNA MULTILAYER PERCEPTRON (MLP)

Definir a arquitetura de uma RNA uma tarefa de fundamental importncia, pelo fato
da sua organizao depender do problema a ser tratado pela rede. Outro fator que tambm est
ligado arquitetura da rede o tipo de algoritmo utilizado para o treinamento da RNA. Dentre
os vrios tipos de arquiteturas existentes, a rede Multilayer Perceptron uma das mais
utilizadas. Essa arquitetura foi escolhida para ser utilizada neste trabalho.
As redes MLPs so formadas por grupos de neurnios organizados em forma de
camadas. A Figura 6 apresenta a estrutura de uma rede MLP. Na primeira camada temos as
entradas, unidades sensoriais que no possuem poder de processamento, seguida pela camada
oculta (que pode possuir uma ou vrias camadas), formada por grupos de ns computacionais
37

(perceptrons), e, por fim, uma camada de sada, tambm formada por ns computacionais. O
sinal recebido pela entrada se propaga por todas as camadas da rede (PRADO, 2014).

Figura 6 Arquitetura de uma RNA Multilayer Perceptron.


Fonte: (PRADO, 2014).

A rede apresentada na Figura 6 considerada como um modelo totalmente conectado,


uma vez que todos os neurnios de uma camada esto ligados a todos os neurnios da camada
seguinte. Caso esteja faltando alguma conexo na rede, dizemos que a mesma est parcialmente
conectada.
Em uma rede MLP, cada neurnio realiza uma funo especfica. A funo
implementada por um neurnio de uma dada camada uma combinao das funes realizadas
pelos neurnios da camada anterior que esto conectados a ele. O processamento se torna mais
complexo medida em que o processamento avana nas camadas. A combinao das funes
desempenhadas por cada neurnio da rede define a funo associada RNA como um todo
(FACELI et al., 2013).
Para que uma rede MLP seja capaz de solucionar um determinado problema,
necessrio realizar o treinamento da mesma. Na seo seguinte apresentado um algoritmo
utilizado no treinamento de redes MLP.

4.3 ALGORITMO BACKPROPAGATION

O Backpropagation o principal algoritmo utilizado para o treinamento de redes MLP.


Sua tcnica consiste em realizar iteraes em duas fases, uma fase para frente (propagao) e
38

outra fase para trs (retropropagao). Na fase de propagao, cada objeto de entrada
apresentado rede. O objeto primeiramente recebido por cada um dos neurnios da primeira
camada oculta. Os objetos so ponderados pelos pesos associados s conexes de entrada
correspondentes ao neurnio e, em seguida, o valor total recebido aplicado funo de
ativao e a sada produzida pela funo utilizada como entrada para o neurnio da prxima
camada. Esse processo repetido at os neurnios da camada de sada. Os valores gerados pelos
neurnios da camada de sada so comparados com a sada desejada. O clculo da diferena
entre esses valores indica o erro cometido pela rede (FACELI et al., 2013). O valor do erro de
cada neurnio da camada de sada ento utilizado na fase de retropropagao para ajustar os
pesos de entrada, o algoritmo backpropagation descrito como:

Algoritmo 1 Pseudo-cdigo Backpropagation


1. Inicializar pesos e bias
2. Apresentar o padro de entrada juntamente com sua respectiva sada desejada
3. Propagar esse padro de camada em camada de forma que seja calculada a sada
para cada nodo da rede
4. Comparar a sada gerada pela rede com a sada desejada e calcular o erro
cometido pela rede para os nodos da camada de sada
5. Atualizar os pesos dos nodos da camada de sada com base no erro competido
por tais nodos
6. At chegar camada de entrada:
a. Calcular o erro dos nodos da camada intermediria baseado no erro
cometido pelos nodos imediatamente seguintes ponderados pelos pesos
entre os nodos da camada atual e os nodos imediatamente seguintes
7. Repetir os passos 2, 3, 4, 5 e 6 at obter um erro mnimo ou at atingir um dado
nmero de iteraes

O funcionamento do algoritmo Backpropagation apresentado na sequncia de passos


a seguir (PRADO, 2014). Para o exemplo apresentado a seguir, considera-se uma rede com uma
camada oculta e uma camada de sada.
Passo 1: Clculo da funo de transferncia, conforme Equao 1.

= + (1)

Onde x corresponde s entradas, w so os pesos e b o bias do neurnio.


Passo 2: Clculo da funo de ativao para o tipo linear, conforme Equaes 2.
() = (2)
Onde corresponde ao resultado da Equao 1.
Clculo para a funo do tipo sigmoide, conforme Equao 3;
39

1 (3)
( ) =
( )
1+

Incio do processo de propagao para trs (retropropagao);


Passo 3: Clculo do erro de sada, conforme a Equao 4.
= (4)
onde corresponde ao valor da sada desejada e a sada do neurnio.
Passo 4: Clculo dos gradientes de sada e atualizao dos pesos da camada de sada,
conforme equaes 5 e 6.
10 () = . (5)
10 ( + 1) = 10 () + . 10 . 1 + . 10 ( 1) (6)
onde representa a derivada da funo de ativao, o coeficiente de aprendizado, 10 o
gradiente local do neurnio de sada e o coeficiente de momento.
Passo 5: Clculo dos gradientes da camada oculta e atualizao dos pesos da camada
oculta, conforme equaes 7 e 8.
2 (7)
1 () = . 0 . 0
=1

1 ( + 1) = 1 () + . 1 . 1 + . 1 ( 1) (8)
onde 0 so os gradientes locais nos neurnios da camada de sada, 1 o gradiente local do
neurnio da camada oculta em que est sendo corrigido o peso e o coeficiente de momento.
O procedimento apresentado acima repetido vrias vezes at que o valor do erro esteja
abaixo de um limiar desejado para o problema ou quando a rede atender algum critrio de
parada (HAYKIN, 2001; PRADO, 2014).

4.4 TRABALHOS RELACIONADOS

As redes neurais so utilizadas nos mais diferentes processos de classificao. No


trabalho apresentado por Oliveira (2005), o autor faz o uso de RNAs em um sistema de
deteco, classificao e localizao de defeitos em linhas de transmisso. A rede alimentada
por meio da anlise de tenses e correntes trifsicas. Aps a anlise, os dados so aplicados na
entrada da rede de deteco, que possui 12 entradas correspondentes aos mdulos e ngulos das
tenses e correntes trifsicas, e 1 sada, que representa o estado de operao da linha: normal
40

ou sob defeito. Quando a rede de deteco acusa um curto-circuito, o mdulo de classificao


composto por 12 entradas e 4 sadas ativado. O mdulo de classificao recebe os sinais da
regio de defeito e identifica as fases envolvidas no distrbio. Aps identificar o defeito, o
mdulo de localizao ativado. Esse mdulo composto por redes especialistas para cada tipo
de problema. O mdulo de localizao recebe as entradas apresentadas no mdulo de
classificao e, como resultado, apresenta o local de ocorrncia do distrbio.
As redes neurais tambm so utilizadas para classificar leses de pele atravs de
imagens. No trabalho apresentado por Mhaske e Phalke (2013), os autores utilizam uma tcnica
de limiarizao para segmentar as imagens de cncer de pele. As caractersticas so extradas
utilizando a transformada wavelet (SARRAFZADE; BAYGI; GHASSEMI, 2010) e para o
processo de classificao so utilizadas tcnicas de aprendizado supervisionado e no
supervisionado. Para o mtodo supervisionado, os autores utilizam uma rede MLP com
algoritmo backpropagation e uma SVM. Para o modelo no supervisionado, utilizado o
algoritmo de agrupamento k-means (JAIN; RICHARD, 1988). Para o aprendizado no
supervisionado, o algoritmo k-means obteve uma acurcia de 52,63%. Os algoritmos de
aprendizado supervisionado conseguiram um desempenho melhor que o mtodo anterior,
obtendo uma acurcia entre 60% e 70% para a rede neural e entre 80% e 90% para o SVM.
Em Mahmoud; Al-Jumaily e Takruri (2011) apresentado um sistema de classificao
de imagens de leses de pele. Neste trabalho os autores utilizam dois mtodos de segmentao:
segmentao por regio de interesse e segmentao por crescimento de regies. Para a extrao
de caractersticas tambm so utilizados dois mtodos: Transformada Wavalet (SIKORSKI, J.
2004) e a Transformada Curvelet (CANDES, E. J. et al., 1999; CANDES; DONOHO, 2004).
O sistema utiliza uma rede neural com o algoritmo backpropagation para classificar as
caractersticas das imagens. O sistema obteve um ndice de acerto de 55,94% para a rede neural
utilizando a transformada Wavelet e 70,44% utilizando a transformada Curvelet.
Em Ruiz et al (2008) tambm foi apresentado um sistema de classificao de imagens
de leses de pele. O sistema realiza um pr-processamento nas imagens para eliminar rudos e
pelos das leses, e segmenta as imagens utilizando o mtodo de limiarizao de Otsu. Para a
extrao de caractersticas, as mesmas foram divididas em trs grupos: um relacionado com a
forma, outro com a fronteira e outro com a cor. Para a classificao, os autores utilizam um
classificador de Bayesian e uma rede MLP para classificar as leses como benignas ou
melanoma. A classificao final da leso obtida atravs da anlise do resultado dos dois
classificadores. Por exemplo, se um classificador C1 obteve um nvel de confiana de 0,97 e um
classificador C2 obteve 0,85, se C1 classifica a leso como melanoma e C2 como benigno, o
41

resultado final da classificao da leso ser melanoma. Essa deciso tomada pelo fato do
classificador C1 ter obtido um melhor ndice de confiana. Ao final o sistema obteve uma taxa
de classificao cooperativa geral de 92,15%, com a SE igual a 79,13% e a SP igual a 93,72%.
Em Surowka e Grzesiak-Kopec (2007), os autores utilizam a decomposio wavelet-
based (CHANG; KUO, 1993) para gerar a representao multiresoluo de imagens
dermatoscpicas de leses de pele potencialmente malignas. Para a classificao so utilizados
os algoritmos: rede MLP, SVM e o Attributional Calculus AQ21 (MICHALSKI, 2004). Esse
ltimo foi utilizado para descrever observaes quantitativas e qualitativas sobre as leses
analisadas, alm de um acompanhamento estatstico. Como resultado, a rede MLP apresentou
um ndice de 97% de acerto e a SVM obteve um ndice de 97,4% de acerto.
As redes neurais podem ser utilizadas no somente para a classificao. Em Vennila,
Suresh e Shunmuganathan (2012), os autores utilizam diferentes tipos de redes neurais para
segmentar imagens dermatoscpicas. Os autores utilizaram os seguintes algoritmos:
Backpropagation Network (BPN), Radial Basis Function Network (RBF) e Extreme Learning
Machine (ELM) (HUANG; ZHU; SIEW, 2004). Todos os algoritmos apresentaram resultados
prximos segmentao manual. Os resultados obtidos tambm foram comparados quanto
medida de similaridade, sobreposio espacial, e aos falsos positivos e negativos. Os
resultados apresentados nos testes mostram que Extreme Learning Machine apresentou o
melhor desempenho no processo de segmentao.
As redes neurais podem ser utilizadas para as mais diversas finalidades. Nos trabalhos
apresentados nessa seo, pode-se observar o desempenho dessa tcnica quanto ao processo de
classificao de leses de pele, a partir de dados extrados de imagens. Tendo em vista o
potencial alcanado por essa tcnica, a mesma foi escolhida para o processo de classificao
dos dados extrados de imagens dermatoscpicas. O Captulo 5 apresenta o desenvolvimento
do sistema, assim como os experimentos realizados e a discusso dos resultados obtidos.
42

5 DESENVOLVIMENTO, EXPERIMENTOS E RESULTATOS

Neste captulo so apresentados o projeto e a descrio de um sistema de classificao


de imagens dermatoscpicas para dispositivos mveis. As principais caractersticas e
funcionalidades desse sistema so descritas assim como as etapas de processamento, algoritmos
e mtodos utilizados, experimentos realizados e discusso dos resultados obtidos.

5.1 CARACTERSTICAS E REQUERIMENTOS DO SISTEMA

O uso de sistemas de viso computacional na anlise de imagens mdicas e em especial


imagens de leses de pele tem aumentado com o passar dos anos. Uma grande variedade de
sistemas dessa natureza tm sido utilizados como ferramenta para auxiliar especialistas e
profissionais da sade no pr-diagnstico do cncer de pele do tipo melanoma. Esses sistemas
variam quanto s tcnicas de anlise das leses, os algoritmos utilizados para a extrao de
caractersticas e classificao dos dados, porm o uso de outras plataformas ainda pouco
explorado, como os dispositivos mveis por exemplo. Neste contexto, prope-se neste captulo
descrever o desenvolvimento de um sistema de anlise de imagens dermatoscpicas para
dispositivos mveis, capaz de capturar imagens de leses de pele e process-las no prprio
dispositivo utilizando tcnicas de viso computacional.
O sistema desenvolvido neste trabalho baseado no uso de um dispositivo mvel
executando sob a plataforma Android, um dermatoscpio acoplado ou pareado ao dispositivo
mvel e um software capaz de analisar as imagens obtidas pelo dispositivo. O software abrange
um conjunto de mtodos e algoritmos que juntos realizam as etapas necessrias para analisar
uma leso de pele.
Para analisar uma leso suspeita, inicialmente o usurio (profissional de sade) deve
adquirir uma imagem da leso. Para isso, o usurio munido de um dispositivo mvel e um
dermatoscpio executa o sistema (Figura 7 (a)) e aproxima o aparelho focando a leso suspeita,
sempre certificando-se que a regio da leso esteja centralizada e totalmente dentro da rea da
imagem. No processo de aquisio, o sistema mostra ao usurio avisos que auxiliam o mesmo
durante esse processo assim como mostra a Figura 7(b). O usurio, ao adquirir a imagem da
43

leso, observa se a mesma est contida dentro do espao da imagem, caso contrrio uma nova
imagem da leso deve ser adquirida (Figura 7(c) e Figura 8(a)).

(a) (b) (c)


Figura 7 Prottipos de telas do sistema: (a) Tela Inicial, (b) Alerta ao usurio e (c) Captura
da leso.
Fonte: Autoria prpria

Aps adquirir a imagem da leso, o usurio submete a mesma como entrada para o
sistema (Figura 8(a)), que ir analisar a leso observando as caractersticas B (irregularidade de
borda) e C (uniformidade nas cores) da regra ABCD. O sistema executa uma sequncia de
passos necessrios para identificar a leso, extrair as caractersticas e classific-las. Ao final do
processamento, o sistema apresenta os valores obtidos na anlise da leso e um pr-diagnstico
que informa se a leso benigna ou um melanoma (Figura 8(b)).
O sistema se restringe a anlise do cncer de pele do tipo melanoma, pelo fato da tcnica
de anlise ser especfica para esse tipo de cncer. Como se trata de um exame de dermatoscopia,
o uso do dermatoscpio obrigatrio, pois o mesmo torna possvel identificar estruturas
presentes nas leses de pele que dificilmente seriam observadas utilizando apenas a cmera do
dispositivo mvel. Outro fator a ser considerado no processo de aquisio da imagem o valor
configurado para o zoom do dermatoscpio, neste caso o dermatoscpio deve ser configurado
com um zoom de 20x. Este valor foi fixado devido o mesmo ter sido utilizado na aquisio das
imagens que foram utilizadas no desenvolvimento e testes desse sistema.
44

(a) (b)
Figura 8 Prottipos de telas: (a) Visualizao da leso e (b) Resultados da Anlise
Fonte: Autoria prpria

O uso do dermatoscpio contribui para que o sistema possa ser empregado em condies
diversificadas de ambiente de modo a torn-lo uma importante ferramenta na prtica clnica do
exame de dermatoscopia, em regies que carecem de profissionais especializados para a prtica
desse exame. Alm disso, espera-se que o sistema no se mostre sensvel s condies de luz
apresentadas nos diferentes ambientes onde o mesmo possa ser aplicado, seja o mais automtico
possvel e, principalmente, que apresente caractersticas de preciso e exatido suficientes para
demonstrar sua aplicao clnica e cientfica.

5.2 ETAPAS DE PROCESSAMENTO

O sistema desenvolvido capaz de emitir um pr-diagnstico de uma leso de pele a


partir de uma imagem da leso adquirida com um disposto mvel e um dermatoscpio. A
imagem adquirida passa por uma srie de operaes computacionais responsveis por processar
a imagem tornando-a apta para o processo de segmentao, segmentar a regio da leso, extrair
informaes de borda e cor, classificar essas informaes e emitir um pr-diagnstico sobre a
leso analisada. A Figura 9 apresenta a estrutura geral do sistema e os mdulos necessrias para
a realizao do pr-diagnstico.
45

Figura 9 Estrutura Geral do Sistema


Fonte: Autoria prpria

O sistema proposto composto dos seguintes mdulos:


Aquisio da Imagem: nesse mdulo as imagens so capturadas no ato da consulta.
O usurio utiliza a cmera do dispositivo mvel pareado com a lente de um
dermatoscpio (Figura 10).

(a) (b)
Figura 10 Em (a) dermatoscpio para smartphone, em (b) adaptador para dermatoscpio.
Fonte: (BLEYMED, 2015).

J possvel encontrar no mercado modelos de dermatoscpios desenvolvidos para


alguns modelos de smartphones, como visto na Figura 10(a), e adaptadores para
smartphones que possibilitam acoplar um dermatoscpio ao mesmo, como mostra a
Figura 10(b). Feito isso, o usurio deve se certificar que a leso fique totalmente
dentro do espao da imagem. As imagens capturadas so salvas automaticamente no
carto de memria do dispositivo.
46

Pr-processamento da Imagem: nesse mdulo so realizadas tcnicas de pr-


processamento para melhorar as condies da imagem e corrigir possveis rudos
adquiridos no processo de aquisio da imagem. A segmentao da imagem
responsvel por identificar a regio da leso de pele. Para isso foi utilizado o mtodo
de limiarizao de (OTSU, 1979), que analisa a imagem no canal na cor azul do
espao de cor RGB. O mtodo resulta em uma imagem onde a regio saudvel
apresentada na cor preta e a regio colorida representa a leso de pele detectada.
Extrao de Caractersticas: esse mdulo responsvel por identificar e extrair as
caractersticas das leses de pele, como borda e cor. Para anlise de borda foi
desenvolvido um mtodo utilizando as funes findContours, convexHull e
convexityDefects, todas pertencentes a biblioteca OpenCv (INTEL, 2014). A
caracterstica de cor foi analisada utilizando o mtodo adaptado de (ROSADO,
2009). As caractersticas extradas so utilizadas para montar um vetor de
caractersticas que utilizado como dado de entrada para o classificador.
Classificao da Leso: esse mdulo responsvel pela classificao das
informaes extradas pelo sistema. O processo de classificao utilizado neste
trabalho realizado por uma rede neural do tipo Multilayer Perceptron (MLP)
(FACELI et al., 2013) treinada com o algoritmo de aprendizado supervisionado
backpropagation (FACELI et al., 2013). O algoritmo classifica as leses em nevo
benigno e melanoma.
Resultado e Preciso do Diagnstico: nessa etapa apresentado o resultado da
classificao e as caractersticas identificadas pele algoritmo.
A Figura 11 apresenta os passos sequenciais utilizados para a realizao do pr-
diagnostico. Os primeiros passos so realizados pelos usurios (profissionais de sade), onde o
mesmo responsvel por posicionar o dispositivo de forma que a imagem capturada da leso
atenda a condio de estar contida totalmente dentro do espao da imagem. Caso a imagem
adquirida no atenda a essa condio, o usurio pode repetir essa operao repetidas vezes, at
que o mesmo obtenha uma imagem aceitvel para a condio imposta pelo sistema. Aps a
aquisio da imagem, o usurio submete a mesma para o processamento do sistema, a partir
desse ponto o sistema se encarrega de efetuar todos os passos necessrios para analisar a leso.
47

Figura 11 Diagrama de Atividades do Sistema


Fonte: Autoria prpria

Para isso o sistema inicia pelo mdulo de pr-processamento, efetuando a aplicao do


filtro bilateral. Esse filtro tem por objetivo suavizar estruturas comuns na pele humana. Em
seguida o sistema utiliza a imagem suavizada no formato RGB e separa o canal B (blue = azul).
Essa escolha justifica-se pelo fato desse canal descriminar melhor a regio da leso, assim como
mostra o trabalho apresentado por Rosado (2009). Um filtro de mdia aplicado imagem na
cor azul para corrigir alguns rudos que persistiram na imagem e assim melhorar as condies
para que a mesma seja submetida ao processo de segmentao. Aps a aplicao dos filtros, a
imagem est apta para o processo de segmentao, para isso foi utilizado o mtodo proposto
por Otsu (1979) na imagem suavizada e no canal de cor azul. A sada apresentada por esse
mtodo uma imagem binria onde a regio da leso apresentada na cor branca e a regio de
pele saudvel apresenta-se na cor preta. Para concluir o processo de segmentao, realizada
uma conjuno da imagem original com o resultado da segmentao. O resultado dessa
operao uma imagem onde a regio da leso apresenta-se no formato RGB e a regio de pele
saudvel na cor preta. Essa conjuno necessria para deixar em evidncia a regio da leso
que ser utilizada nos prximos passos.
Em seguida a imagem segmentada submetida ao mdulo de extrao de caractersticas.
Nesse mdulo so verificadas incialmente as irregularidades de bordas da leso. Para isso o
sistema utiliza as funes do OpenCV (INTEL, 2014) findContourns para identificar a borda
da leso, convexHull para encontrar os pontos convexos da leso e o convexityDefects para
verificar as irregularidades apresentadas na leso. Os pontos irregulares identificados so salvos
48

em um vetor de caractersticas que ser utilizado posteriormente no processo de classificao.


Para extrair as caractersticas de cor, so separados os canais RGB da imagem segmentada.
Esse processo necessrio para que possa ser analisada a presena das seguintes cores: preto,
branco, azul-cinza, vermelho, castanho-claro e castanho-escuro. Neste trabalho a anlise das
cores foi realizada utilizando a tcnica adaptada do trabalho de Rosado (2009). As cores
identificadas so extradas e salvas em um vetor de caractersticas.
Formado o vetor com as informaes de borda e cor, as informaes so utilizadas como
dados de entrada para uma RNA treinada com o algoritmo backpropagation. A rede analisa os
valores contidos no vetor de caractersticas para classificar a leso como nevo benigno ou
melanoma. Ao final o sistema apresenta ao usurio as informaes extradas na anlise da borda
e de cor, e o pr-diagnostico obtido pela rede neural. O usurio pode optar por realizar uma
nova anlise ou sair do sistema. Em seguida os mdulos apresentados nesta sesso so
discutidos em detalhes.

5.2.1 Aquisio de Imagens

Para a etapa de aquisio de imagens, inicialmente foi utilizado um conjunto de imagens


dermatoscpicas da base PH (MENDONA et al., 2013). Essa base foi construda a partir de
uma parceria entre a Universidade do Porto, o Instituto Superior Tcnico de Lisboa e o servio
de Dermatologia do Hospital Pedro Hispano em Matosinho, Portugal. As imagens foram
obtidas sob as mesmas condies utilizando o sistema Tuebinger Mole Analyzer com uma
ampliao de 20 vezes. A base formada por um conjunto de 200 imagens no formado bmp
com dimenso mdia de 768 560 pixels.
As 200 imagens dermatoscpicas que constituem essa base esto divididas em trs
classes, sendo elas: 80 nevos comuns, 80 nevos atpicos e 40 melanomas. Exemplos de cada
um dos tipos de leses so apresentados na Figura 12.
Todas as imagens foram avaliadas por um dermatologista, que avaliou as leses
atendendo aos seguintes critrios:
Segmentao manual da leso de pele;
Diagnstico clnico e histolgico (quando disponvel);
Critrios dermatoscpicos (assimetria, cores, rede de pigmento, pontos/glbulos,
estrias, reas de regresso, vu azul-esbranquiado).
49

Para a segmentao manual, os dermatologistas utilizaram um software de anotao


personalizado para imagens dermatoscpicas chamado DerMat (FERREIRA et al., 2012).

Figura 12 Imagens da base PH. A primeira linha apresenta imagens de nevos comuns, na
segunda linha nevos atpicos e na terceira linha melanoma.
Fonte: (MENDONA et al., 2013).

As imagens da base PH foram utilizadas no desenvolvimento do sistema apresentado


neste trabalho, onde as mesmas foram carregadas no carto de memria do simulador Android,
servindo como entrada para o sistema. Ao iniciar o sistema instalado no simulador Android, o
mesmo utiliza uma imagem previamente carregada no carto de memria ao invs de uma
imagem capturada pela cmera. Este recurso foi adotado apenas durante a fase de
desenvolvimento e testes dos algoritmos desenvolvidos para o sistema, sendo utilizado na
verso final cmera do dispositivo mvel e um dermatoscpio.
Durante a realizao dos testes com as imagens da base PH, percebeu-se que algumas
imagens se apresentaram inaptas a serem utilizadas pelo sistema por no favorecerem ao
processo de segmentao e a anlise de caractersticas, como: a leso no est totalmente dentro
do espao da imagem (Figura 13(a)), excesso de pelos (Figura 13(b)) e baixo nvel de contraste
entre a leso e a pele (Figura 13(c)).
Para os casos onde a leso se apresenta fora dos limites da imagem (Figura 13(a)), as
imagens foram retiradas devido impossibilidade de definir a borda dessas leses, tornando
falho o processo de segmentao e consequentemente a extrao de caractersticas das mesmas.
50

(a) (b) (c)


Figura 13 Modelo de imagens retiradas que no foram utilizadas no sistema de
classificao: (a) leso fora dos limites da imagem, (b) excesso de pelos e (c) baixo nvel de
contraste entre a regio da leso e a cor da pele.
Fonte: Autoria prpria

Para o caso apresentado na Figura 13(b), foi detectado excesso de pelos principalmente
nas leses de nevos comuns e nevos atpicos. As imagens com esse tipo de caracterstica foram
retiradas devido quantidade excessiva de pelos, gerando problemas na segmentao e na
anlise da borda e da cor. As leses que apresentaram baixo nvel de contraste entre a regio da
leso e a cor da pele (Figura 13) tambm foram retiradas devido ao baixo nvel de contraste
prejudicar em alguns casos o processo de segmentao onde o algoritmo no conseguiu
identificar a regio da leso por completo.
Ao retirar as imagens das leses que se apresentaram inviveis para serem utilizadas no
sistema, a base PH foi reduzida de tamanho tendo na sua nova configurao 40 imagens de
nevos benignos (20 nevos comuns e 20 nevos atpicos) e 10 melanomas. Para as leses do tipo
apresentado na Figura 13(a), foram identificadas 30 imagens com leses do tipo melanoma,
sendo assim das 40 imagens desse tipo de nevo apenas 10 se apresentaram aptas para o sistema.
Os demais casos (Figura 13(b) e (c)) foram identificados em leses de nevo comum e nevo
atpico, sendo retiradas da base 35 imagens dessas leses. Alm das 35 imagens inaptas para o
sistema, outras imagens dessas leses foram retiradas no intuito de deixar a base com as mesmas
propores da base original, ou seja, para a base original as leses do tipo melanoma
representam 20% das imagens da base, sendo assim essa mesma proporo foi aplicada para a
base com imagens aptas para esse trabalho. A diminuio tambm se deu devido ao processo
de treinamento do algoritmo de classificao, que caso a base apresente uma diferena muito
grande entre as classes contidas na mesma, pode vir a influenciar o algoritmo a classificar as
informaes para a classe com maior quantidade existente na base. A prxima seo apresenta
os mtodos desenvolvidos, testados e aplicados no mdulo de pr-processamento.
51

5.2.2 Pr-Processamento

A etapa de pr-processamento necessria para melhorar as imagens que sero


utilizadas no sistema. Algumas estruturas presentes nessas imagens, tais como pequenas
manchas existentes na pele, a textura apresentada por algumas leses, pelos ou at mesmo o gel
aplicado sobre a pele para realizar o exame de dermatoscopia, podem prejudicar o desempenho
do sistema. As etapas do pr-processamento podem ser visualizadas na Figura 14.

Figura 14 Etapas do pr-processamento.


Fonte: Autoria prpria

Para melhorar o desempenho do sistema, a imagem redimensionada para 35% do seu


tamanho original, resultando em uma nova imagem com tamanho menor e sem perca de
caractersticas.
Para minimizar os rudos existentes na imagem, inicialmente foi aplicado um filtro de
suavizao chamado filtro Bilateral (TOMASI; MANDUCHI, 1988). Esse filtro capaz de
suavizar tanto imagens em tons de cinza como imagens coloridas, preservando a borda por meio
de uma combinao no linear dos pixels mais prximos de uma imagem.O filtro combina os
nveis de cinza ou as cores de acordo com a proximidade geomtrica e sua semelhana
fotomtrica, sempre escolhendo os valores mais prximos de sua vizinhana. O mtodo
utilizado pelo filtro para suavizar as imagens difere de outras tcnicas pelo fato de no produzir
sombras ao longo das bordas em imagens coloridas, resultando em um melhor aguamento da
52

borda (TOMASI; MANDUCHI, 1988). A Figura 15 apresenta o resultado da aplicao do filtro


Bilateral em uma imagem de cncer de pele do tipo melanoma.

(a) (b)
Figura 15 Aplicao do filtro bilateral: (a) Imagem normal; (b) Imagem aps a aplicao do
filtro.
Fonte: Autoria prpria

Para a obteno do resultado apresentado acima foi utilizada a funo bilateralFilter do


pacote OpenCV. A imagem apresentada na Figura 15(a) mostra a presena de pequenos pelos,
estruturas formadas pelo gel aplicado para realizar o exame de dermatoscopia e manchas
naturais da pele. Percebe-se, na Figura 15(b), que a utilizao do filtro eliminou os pelos,
diminuiu e eliminou algumas estruturas formadas pelo gel e melhorou a textura da imagem.
Tambm possvel notar que aplicao do filtro no alterou a estrutura da borda da leso.
Aps a aplicao do filtro Bilateral, so separados os 3 canais de cores da imagem. O
canal azul foi selecionado para as prximas etapas, pois, conforme experimentos realizados no
trabalho apresentado por Rosado (2009), esse canal o que melhor discrimina a leso. A Figura
16(a) apresenta imagem no canal de cor azul.
Separado o canal azul da imagem, a mesma submetida novamente a um filtro de
suavizao, mas dessa vez utilizado um filtro de mdia (medianBlur: funo do OpenCv) com
uma matriz 13x13. Esse processo necessrio para melhorar ainda mais as condies da
imagem, removendo eventuais rudos que venham a persistir na mesma. Na Figura 16(a) pode-
se observar a presena de rudos, nesse caso, o gel que persistiu na imagem mesmo depois da
aplicao do filtro Bilateral. O uso do filtro de mdia foi utilizado para complementar o pr-
processamento da imagem, removendo os ltimos rudos existentes na mesma. O resultado
pode ser observado na Figura 16(b).
53

(a) (b)
Figura 16 Melhora nas condies da imagem para realizar a segmentao. Em (a) seleo
do canal azul e (b) resultado do filtro de mediana.
Fonte: Autoria prpria

5.2.2.1 Segmentao

Antes de iniciar o processo de extrao das caractersticas, necessrio identificar a rea


de interesse, ou seja, a regio onde se encontra a leso. O processo de segmentao consiste em
separar a regio doente da regio saudvel, para que as leses possam ser detectadas. Para este
trabalho o processo de segmentao foi escolhido atravs de testes realizados com os mtodos
de limiarizao de Otsu (1979), limiarizao adaptativa (adaptive threshold) (MENDONA et
al., 2007) e watershed (BEUCHER, 1982). Os resultados obtidos com a utilizao dessas trs
tcnicas foram comparados com a segmentao manual realizada por especialistas e encontram-
se disponveis na base PH. A Figura 17 apresenta a segmentao manual realizados pelos
especialistas e os resultados obtidos pelas trs tcnicas citadas acima.
Na Figura 17(a), temos a imagem segmentada manualmente por um dermatologista,
enquanto que, na Figura 17(b), temos o resultado do mtodo de limiarizao de Otsu, na Figura
17(c), o mtodo de limiarizao adaptativa e, na Figura 17(d), o mtodo watershed.
54

(a) (b) (c) (d)


Figura 17 Resultado dos mtodos de segmentao. Em (a) imagem segmentada
manualmente por um dermatologista, (b) limiarizao de Otsu, (c) limiarizao adaptativa e
(d) watershed.
Fonte: Autoria prpria.

Comparando o resultado da Figura 17(b) com a segmentao realizada pelo


dermatologista (Figura 17(a)), podemos observar que a mesma atingiu um resultado prximo
segmentao manual, sendo que o mtodo utilizado na Figura 17(b) apresenta pequenos recuos
da borda em algumas regies. No caso da Figura 17(c), a mesma apresenta rudos dentro e fora
da regio detectada. O resultado tambm apresenta m formao da leso. O mtodo
apresentado em Figura 17(d) apresentou uma alta quantidade de rudos, formao de regies
disjuntas e m formao da leso. A Figura 18 apresenta outros resultados obtidos com
utilizao das trs tcnicas utilizadas.
De acordo com os resultados obtidos na Figura 18, percebe-se que o mtodo watershed
mostra ser sensvel aos tons de cores das imagens, e isso reflete na quantidade de bacias
formadas nas imagens e, consequentemente, no processo de segmentao das mesmas. Para o
mtodo de limiarizao adaptativo, observada a presena de rudos em todas as imagens.
Tambm possvel observar nas trs ltimas imagens que o mesmo conseguiu detectar as
leses, mas utilizando um espao visivelmente maior que a segmentao manual. Para o mtodo
de Otsu, observa-se em todas as linhas da figura que os resultados apresentados por essa tcnica
so os que mais se assemelham com os das leses segmentadas pelo especialista.
As tcnicas de pr-processamento aplicadas na Seco 5.2.2 influenciam no processo
de segmentao dessas leses. Para os mtodos de limiarizao adaptativa e watershed, o pr-
processamento no se mostrou to eficaz como para o mtodo de Otsu. De acordo com os
resultados obtidos com os testes realizados, o mtodo de Otsu apresentou o melhor desempenho
na segmentao das imagens, sendo assim o mesmo foi escolhido para ser utilizado no processo
de segmentao do sistema apresentado neste trabalho.
55

(a) (b) (c) (d)


Figura 18 Resultados obtidos com utilizao das trs tcnicas. a) Segmentao manual, b)
Limiarizao de Otsu, c) Limiarizao Adaptativa e d) Watershed.
Fonte: Autoria prpria

O mtodo proposto em OTSU (1979) uma tcnica baseada nas caractersticas de


distribuio dos tons das imagens. um mtodo no paramtrico e no supervisionado, que
busca selecionar automaticamente um limiar L timo que possa separar ou segmentar as regies
de interesse em uma imagem, por meio da anlise dos tons de cinza. Essa tcnica busca
encontrar o melhor limiar para a segmentao das classes, atribuindo a L um valor que minimize
2
a varincia intra-classe . Essa varincia pode ser definida como a soma ponderada das
varincias das classes, como pode ser visto na Equao 9.
2
= 2 + 2 (9)
56

onde W a probabilidade de ocorrncia de cada classe delimitada pelo limiar L. Para o clculo
da Equao 9, necessrio o clculo das equaes 10, 11 e 12, onde a varivel corresponde
probabilidade de ocorrncia do pixel com intensidade i e a mdia da intensidade para a
classe correspondente (SIQUEIRA, 2014).
(10)
= ( )
=


= ( )
(11)
=

(12)
2
2
= [ ]

=

Aps a definio das equaes, o mtodo percorre todos os pixels da imagem,


comeando pelo valor inicial 0 para uma determinada classe, e, em seguida, o mesmo percorre
o restante dos valores at o limite, no caso deste trabalho at o valor 255. A Figura 19 apresenta
o resultado da segmentao com o mtodo de Otsu. A imagem utilizada como entrada desse
processo apresentada na Figura 16(b).

Figura 19 Segmentao com o mtodo de Otsu.


Fonte: Autoria prpria

A regio que se apresenta na cor branca a regio da leso encontrada pelo mtodo de
limiarizao de Otsu. Para concluir o processo de segmentao, realizado uma conjuno
entre a regio detectada e a imagem original de entrada. Esse processo realizado para definir
a regio de interesse a ser analisada. O resultado final desse processo apresentado na Figura
20.
57

Figura 20 Resultado da conjuno da regio segmentada e imagem original.


Fonte: Autoria prpria

5.2.3 Extrao de Caractersticas

A extrao de caractersticas a etapa responsvel por identificar e extrair as


informaes contidas nas leses de pele. Neste trabalho, a anlise dessas leses realizada de
acordo com a regra ABCD (NACHBAR et al., 1994). Essa regra descreve as estruturas das
leses observando as caractersticas de assimetria (A), borda (B), cor (C) e estruturas
diferenciais (D). Neste trabalho, as regras A e D no foram totalmente concludas e por isso as
mesmas sero apresentadas apenas como trabalhos futuros. Sendo assim, essa seo descreve o
mtodo desenvolvido para anlise das caractersticas B e C.

5.2.3.1 Anlise da Borda

A anlise das bordas de uma leso feita observando a presena de irregularidades,


caracterizadas por reas de transio abruptas nas margens da leso. Essas reas representam
um indcio de que a leso pode ser maligna. Segundo regra ABCD (DERMOSCOPY, 2015),
para realizar a anlise da borda, a imagem deve ser dividida em 8 segmentos, onde para cada
corte abrupto que for identificado dentro do segmento deve ser adicionado um ponto ao clculo
58

da pontuao, que pode variar de 0 (mnimo) at 8 (mximo). A quantidade de pontos


identificados na imagem da leso que vai determinar o tipo de borda, onde, segundo a regra
ABCD, caso a leso obtenha uma pontuao entre 0 e 2, a mesma classificada como regular,
obtendo valores acima de 3 pontos, a mesma classificada como irregular.
O passo inicial para analisar a borda da leso identificar o contorno da mesma, para
isso, foi utilizado a funo findContours do OpenCv. Essa funo recupera os contornos de uma
imagem binria utilizando o algoritmo proposto em (SUZUKI et al., 1985). A Figura 21(a)
apresenta o resultado da funo aplicada a imagem da Figura 19.
Aps identificar a borda da leso, faz-se necessrio utilizar a funo convexHull do
OpenCv. Essa funo utiliza o algoritmo proposto por Graham e Frances (1983), que encontra
os pontos convexos da regio da leso. O resultado apresentado pela aplicao dessa funo
apresentado pela linha azul da Figura 21(b), onde o traado resultante em forma de polgono
representa a forma ideal para que a borda da leso fosse classificada como regular.

(a) (b)
Figura 21 Identificao da leso: (a) Borda identificada pelo mtodo de Suzuki et al. (1985)
e (b) Leso identificada pelo mtodo de Graham e Frances (1983).
Fonte: Autoria prpria

A aplicao da funo convexHull torna possvel identificar os cortes abruptos na borda


da leso. Aps identificar a borda e as irregularidades, necessrio localizar todos os defeitos
de convexidade existentes no contorno da leso. Para isso foi utilizado o mtodo
convexityDefects do OpenCv. As irregularidades so identificadas semelhante ao que prope a
regra ABCD, onde o mtodo analisa a existncia de defeitos de convexidade em uma regio
que vai de A H. Os pontos em vermelho apresentados na Figura 22 representam o resultado
da busca por irregularidades na borda da leso.
59

Para a que o sistema possa identificar quais irregularidades podem caracterizar a regio
como irregular, vrios testes foram realizados com o objetivo de identificar um limiar adequado
para os mais diferentes tamanhos de irregularidade. Como Como no foi possvel contar com
ajuda de um especialista para validar a tcnica, o limiar foi definido somente atravs dos testes8.
A Figura 23 apresenta alguns resultados obtidos nos testes.
Na Figura 23(a) so apresentados os pontos candidatos a representar uma irregularidade.
Nessa imagem possvel observar diferentes irregularidades com diferentes profundidades,
onde os pontos marcados como B e E so os mais suaves, A e D so um pouco maiores
que os pontos apresentados anteriormente e C e F so os mais profundos. O clculo do
limiar foi realizado de acordo com a quantidade de pontos existentes entre o ponto convexo
apresentado na cor verde na Figura 23(b), (c) e (d) e a extremidade da irregularidade
apresentado pela cor vermelha.

Figura 22 Aplicao do mtodo convexityDefects.


Fonte: Autoria prpria

A relao entre o limiar e o tamanho da irregularidade inversamente proporcional, ou


seja, quanto maior o valor do limiar menor ser a quantidade de irregularidades encontradas
(Figura 23(b)), e quanto menor o valor do limiar, maior ser a quantidade de regies
identificadas (Figura 23(c)). O limiar utilizado na Figura 23(c) mostrou ser muito sensvel na
realizao dos testes. Analisando as irregularidades representadas nos pontos B e E da

8
A falta de disponibilidade e de tempo para acompanhar o desenvolvimento do sistema, foi o principal fator que
inviabilizou a participao de um dermatologista neste trabalho.
60

Figura 23(a), percebe-se que esses pontos aparecem visivelmente prximos regio desejada
(contorno representado nas imagens pela linha azul). Assim como na Figura 23(c), outras
imagens tambm se mostraram sensveis a esse limiar.
Quanto aos pontos A e D (Figura 23(a)), possvel observar que ambos so mais
profundos que os pontos B e E, e os pontos C e F so visivelmente os mais irregulares.
O resultado de melhor limiar encontrado observado na Figura 23(d). A presena de rudos em
algumas imagens dificultou a anlise das irregularidades de algumas leses, mas mesmo assim
o mtodo conseguiu identificar irregularidades em 88,5% das imagens.

(a) (b)

(c) (d)
Figura 23 - Resultado dos testes para obteno do limiar. Em (a) resultado da deteco da
leso e das irregularidades da leso, (b), (c) e (d) apresentam as irregularidades com diferentes
valores para o limiar.
Fonte: Autoria prpria
61

5.2.3.2 Anlise de Cor

A anlise da cor para os dermatologistas uma das principais formas de identificar se


uma leso maligna ou benigna. Isso por que a varincia de cores um forte indcio de que a
leso pode ser maligna, pois as leses benignas geralmente apresentam somente uma tonalidade
e as malignas podem apresentar uma variao de at seis tonalidades diferentes. A variao de
cores entre uma leso benigna e uma leso maligna apresentado na Figura 24.
Segundo a regra ABCD (DERMOSCOPY, 2015), deve-se analisar nas leses a presena
de seis cores, so elas: preto, branco, azul-cinza, vermelho, castanho-claro e castanho-escuro.
A imagem a ser processada utilizada no formato RGB, onde o R, o G e o B representam a
intensidade do canal vermelho, verde e azul, respectivamente, que juntos formam a intensidade
da cor naquele pixel. Neste trabalho, para realizar a anlise das cores da leso, a imagem foi
processada utilizando a tcnica adaptada do trabalho de Rosado (2009).
Para esse processo, os pixels contidos na imagem so analisados procurando identificar
as cores estabelecidas pela regra ABCD. Neste caso, preciso definir as cores que sero
analisadas e os seus respectivos valores. A Figura 24 apresenta os valores que queremos
encontrar, com exceo do valor (0,0,0), que no foi utilizado na cor preta devido o mesmo
representar o fundo da imagem da leso, e estar presente em todas as imagens.

Figura 24 Cores a serem analisadas e seus respectivos valores.


Fonte: (ROSADO, 2009)
62

A Figura 20 utilizada nessa etapa, onde a mesma apresenta a regio de interesse que
se deseja analisar. A verificao das cores realizada atravs de uma iterao que analisa a cor
de cada um dos pixels. As cores identificadas so armazenadas no final do processo em um
vetor de caractersticas. O uso da cor preta com o valor (0,0,0) foi utilizado para substituir a
regio da pele que no faz parte da leso. Sendo assim, os pixels que possuem essa cor no so
contabilizados no processo de deteco das cores.
Para verificar os resultados obtidos na anlise de cor, foram observados os resultados
obtidos pela tcnica utilizada nesse trabalho comparando com os valores atribudos pelos
especialistas s imagens dermatoscpicas da base PH.

(a) (b)

(c) (d)
Figura 25 Leses de pele.
Fonte: Autoria prpria

Observando os resultados do mtodo desenvolvido com os valores apresentados na base,


temos: para a Figura 25(a), o mtodo desenvolvido identificou na leso a mesma quantidade de
cores descritas pela base, sendo elas marrom-claro, marrom-escuro e preto; na Figura 25(b), o
mtodo obteve um resultado semelhante ao apresentado na Figura 25(a), sendo identificada
para esse caso a cor marrom-claro; na Figura 25(c), a base identifica a presena de quatro cores
63

para essa leso, o azul-cinza, o branco, o marrom-escuro e o preto, enquanto que o mtodo
desenvolvido identificou apenas as trs ltimas; na Figura 25(d), tanto a base como o mtodo
desenvolvido identificaram a mesma quantidade de cores mas com tonalidades diferentes, onde
o mtodo desenvolvido identificou o marrom-claro e marrom-escuro e a base utiliza as cores
vermelho e marrom-escuro para descrever as cores da leso.
No geral, o algoritmo conseguiu identificar na maioria dos casos a mesma quantidade
de cores que o descrito na base, mas em alguns casos as cores detectadas pelo mtodo no so
as mesmas que se apresentam descritas na base.

5.2.4 Classificao

Nessa etapa, as caractersticas das leses que foram identificadas e extradas das
imagens so utilizadas como entrada para um classificador inteligente com um algoritmo de
aprendizagem de mquina. O classificador utilizado nesse trabalho uma RNA do tipo MLP
treinada com o algoritmo backpropagation, apresentado no Captulo 4. Antes de apresentar o
classificador desenvolvido nesse trabalho preciso apresentar os testes realizados que
justificam a escolha do mesmo. Na Subseo 5.2.4.1 apresentada a comparao de trabalhos
e na Subseo 5.2.4.2 apresentada a rede neural desenvolvida e os resultados obtidos.

5.2.4.1 Comparao de Trabalhos

possvel encontrar diversos trabalhos relacionados com o desenvolvimento de


sistemas para auxiliar o diagnstico do cncer de pele, e principalmente para o cncer de pele
do tipo melanoma. No decorrer da pesquisa realizada neste trabalho foi encontrado o projeto
Automatic computer-based Diagnosis system for Dermoscopy Images (ADDI Project) (ADDI
Project, 2015).
O projeto ADDI um projeto multidisciplinar realizado em parceria com a junta mdica
do Hospital Pedro Hispano (HPH) e pesquisadores de diferentes reas da engenharia e
matemtica da Universidade do Porto, Universidade de Aveiro e o Instituto Superior Tcnico.
O projeto vem realizando pesquisas a vrios anos na rea da dermatoscopia, tele-dermatoscopia
64

e telemedicina no Servio de Dermatologia do HPH, e em sistemas para anlise automtica de


imagens dermatoscpicas.
No intuito de escolher um classificador para ser utilizado neste trabalho, foi realizado
um teste utilizando as informaes da base PH, descrita anteriormente da Subseo 5.2.1, com
os seguintes algoritmos de aprendizagem de mquina: K Nearest Neighbour (KNN), o
Support Vector Machine (SVM), rvore de Deciso (AD) e a Rede Multilayer Perceptron
(MLP) (FACELI et al., 2011). Os resultados obtidos pela classificao das informaes da base
foram comparados com os resultados apresentados em um dos trabalhos publicados pelo projeto
ADDI, onde o trabalho utilizado para a comparao apresentado por Barata et al (2013). O
autor utiliza dois mtodos distintos para classificar imagens dermatoscpicas. O primeiro utiliza
mtodos globais de classificao e os classificadores KNN, SVM e AdaBooster. O segundo
utiliza mtodos locais para classificao, utilizando o classificador Bag of Features (BoF).
Ambos classificam as imagens analisando as caractersticas de cor e textura.
A escolha do trabalho utilizado para a comparao, justifica-se pelo fato das imagens
utilizadas para os dois casos serem da mesma fonte, tendo em vista que a base PH, que tambm
pertence ao projeto ADDI, formada por imagens adquiridas no HPH, que por sua vez so
utilizadas no trabalho de Barata et al (2013). Os resultados dos testes realizados com os
algoritmos de aprendizagem de mquina foram comparados com os resultados obtidos pelo
mtodo global de classificao apresentado em Barata et al (2013).
Os dados quantitativos da base PH foram classificados utilizando a ferramenta WEKA
(WEKA, 2015; HALL, 2009), um software desenvolvido pela Universidade de Waikato (Nova
Zelndia) que possui uma coleo de algoritmos de aprendizagem de mquina configurados
para realizar tarefas de minerao de dados. A base de dados foi convertida para o formato
padro do WEKA (.arff), onde 70% dos dados foram utilizados para o treinamento dos
algoritmos e os 30% restantes foram utilizados para os testes. Para cada classificador foram
utilizadas diferentes configuraes de parmetros, ou seja, para o KNN variou-se o nmero de
vizinhos e a distncia usada pelo algoritmo, para o SVM variou-se o tipo de kernel e a semente
de aleatoriedade seed, para a AD variou-se o tipo de poda e o clculo do erro de poda, e para a
rede MLP variou-se a quantidade de neurnios e a taxa de aprendizado. No geral, considerando
todas as combinaes, foram testadas cerca de 100 configuraes diferentes (ALENCAR;
LOPES, 2014). A Tabela 2 apresenta os resultados da classificao obtidos pelo algoritmo
KNN.
65

Tabela 2 Resultados da classificao obtidos pelo algoritmo KNN


Valores de k 1 3 5 7 10 13 15
C/Distance Weight 86,66% 86,66% 86,66% 86,66% 83,33% 80% 80%
S/Distance Weight 86,66% 80% 83,33% 83,33% 83,33% 80% 80%

Para o algoritmo KNN foram testadas vrias configuraes diferentes. O valor de k


variou em um intervalo de k{1,3,5,,31}, utilizando ou no o parmetro de ponderao de
distncia. Durante o teste, pde-se observar que o algoritmo se manteve estvel quanto ao uso
ou no do parmetro de ponderao de distncia, e para o valor de k maior que 13, poucas
variaes de resultados foram identificadas aps esse valor. O algoritmo KNN obteve um bom
desempenho no processo de classificao, obtendo como melhor resultado 86,66% de acerto na
classificao.
Outro algoritmo testado foi a AD utilizando o algoritmo C4.59. O desempenho desse
algoritmo foi analisado observando seu comportamento variando os parmetros de uso ou no
do processo de poda e do clculo do erro de poda. Os resultados da classificao utilizando a
AD so apresentados na Tabela 3.
Tabela 3 Resultados da classificao obtidos pelo algoritmo AD
Seed 1 3 5 8 10 13 15
S/Poda 83,33% 83,33% 83,33% 83,33% 83,33% 83,33% 83,33%
C/Poda 83,33% 83,33% 83,33% 83,33% 83,33% 83,33% 83,33%
Erro de poda 90% 90% 90% 90% 90% 90% 90%

Esse algoritmo foi o que menos mostrou sensibilidade quanto variao de seus
parmetros. Como pode-se notar, o uso ou no do processo de poda no melhorou o
desempenho do mesmo em nenhum momento. Porm o clculo de erro de poda melhorou
consideravelmente os resultados, onde a utilizao do mesmo diminui a quantidade de ns que
apresentavam regras de diviso que pouco contribuam para a classificao. Isso porque ns
mais profundos refletem mais o conjunto de treinamento e aumentam o erro devido varincia
do classificador. Utilizando o clculo de erro de poda, o algoritmo melhorou em 6% o
desempenho da AD, obtendo 90% de acerto para o melhor resultado.
Outro algoritmo utilizado para a classificao dos dados foi o SVM. A Tabela 4
apresenta os melhores resultados obtidos pelo classificador. Para esse algoritmo foi utilizada

9
O C4.5 um algoritmo utilizado para gerar uma AD. Proposto por Quilan (1993), esse algoritmo constri uma
AD a partir de um conjunto de dados de treinamento utilizando os conceitos de entropia e ganho de informao.
Para cada n da rvore o algoritmo escolhe o atributo que divide de forma mais eficaz o conjunto de dados. O
atributo com o ganho de informao mais alto escolhido para tomar a deciso (QUILAN, 1993).
66

uma grande variedade de parmetros, dentre eles destaca-se o uso dos seguintes ncleos: linear,
polinomial, sigmoidal e a funo de base radial (RBF). Os melhores resultados foram
apresentados utilizando a funo linear, variando a semente de aleatoriedade seed em 1, 3 e 7.
O algoritmo apresentou um bom desempenho no processo de classificao, atingindo o ndice
de 93,33% de asserto como melhor resultado.

Tabela 4 Resultados da classificao obtidos pelo algoritmo SVM.


Kernel Seed Custo Acerto
Linear 1 1 93,33%
Polinomial 1 1 80%
RBF 1 5 83,33%
Sigmoidal 1 1 83,33%
Linear 1 3 90%
Polinomial 1 5 86,66%
RBF 7 1 86,66%
Sigmoidal 7 5 80%

O ltimo algoritmo utilizado foi a rede MLP treinada com o algoritmo backpropagation.
Para esse foram realizadas n variaes quanto quantidade de neurnios, taxa de aprendizado,
quantidade de ciclos de treinamento, dentre outros parmetros. A Tabela 5 apresenta os
melhores resultados apresentados pela rede MLP.
Tabela 5 Resultados obtidos pela Rede MLP.
Quantidade Taxa de
Iterao de Neurnios Aprendizado Acerto
100 3 0.1 90%
100 7 0.2 86,6%
100 10 0.3 86,6%
1000 7 0.1 86,6%
1000 10 0.3 86,6%
1000 3 0.1 90%
10000 7 0.1 93,3%
10000 7 0.2 93,3%
10000 10 0.1 86,7%

Assim como o SVM, a rede MLP obteve um bom desempenho no processo de


classificao, onde as configuraes apresentaram os melhores resultados utilizando sete
neurnios na camada oculta, uma taxa de aprendizado com valores iguais a 0.1 e 0.2,
executando a 10.000 ciclos de treinamento. O algoritmo conseguiu obter um ndice de 93,33%
de acerto no processo de classificao.
67

Quanto ao desempenho, os chamados mtodos de otimizao, ou seja, a rede MLP e o


algoritmo SVM, conseguiram os melhores ndices de classificao, coincidindo com o mesmo
ndice de acerto. Quanto aos algoritmos KNN e AD, o fato dos nevos atpicos possurem
caractersticas semelhantes ao melanoma pode ter influenciado no processo de classificao
desses algoritmos. Para o KNN, a semelhana dos dados pode ter afetado o clculo das
distncias dos seus vizinhos e, para a AD, a semelhana entre esses dados pode ocasionar
instabilidade na rvore, ou seja, pequenas variaes no conjunto de treinamento podem causar
grandes variaes na rvore final e, consequentemente, alterar a classificao. Supe-se que a
mudana na quantidade de classes da base, ou seja, classificar os dados apenas como nevo
comum e melanoma, e a utilizao de mais exemplos para treinamento e validao possam vir
a melhorar os resultados obtidos pelos algoritmos.
Para analisar e comparar os resultados obtidos recorreu-se ao clculo do nvel de SE e
SP dos algoritmos aqui testados. Os respectivos nveis so apresentados na Tabela 6.
Tabela 6 Nveis de Sensibilidade e Especificidade.
Algoritmos Sensibilidade Especificidade
KNN 60% 100%
Algoritmos testados AD 70% 100%
neste trabalho SVM 80% 100%
MLP 80% 100%
Algoritmos do AdaBoost 96% 80%
trabalho de Barata SVM 92% 72%
et al (2013) KNN 96% 79%

Observando os resultados apresentados na Tabela 6, percebe-se que a anlise das leses


de pele utilizando caractersticas de cor e textura, apresentada no trabalho de Barata et al (2013),
apresenta os melhores resultados quanto ao nvel de SE. Para o nvel de SP, as caractersticas
da regra ABCD disponveis na base PH apresentaram para esse caso os melhores resultados
quanto ao nvel de SP.
Outro fator a ser observado que os tipos de caractersticas utilizadas para anlise das
leses de pele pode influenciar no processo de classificao, pois algumas caractersticas
descrevem melhor determinados tipos de leses. Esse caso pode ser visto nos resultados obtidos
pelos classificadores KNN e SVM, pois ambos foram utilizados nos dois testes e apresentam
resultados distintos, justificando a afirmao feita anteriormente.
68

Contudo a classificao utilizando caractersticas da regra ABCD apresentadas pela


base PH e as caractersticas de cor e textura, ambas as tcnicas se apresentam como boas
opes para a classificao de imagens dermatoscpicas. Os testes realizados os algoritmos
SVM e a Rede MLP conseguiram classificar melhor as caractersticas da regra ABCD quando
comparado ao KNN e AD, obtendo um resultado de 93,3% de acerto na classificao.
Pode-se afirmar que tanto o SVM quando a Rede MLP so bons candidatos para o
processo de classificao de dados dermatoscpicos. Sendo assim, a Rede MLP foi escolhida
para desempenhar o processo de classificao utilizado neste trabalho. A prxima subseo
apresenta a rede MLP desenvolvida e os resultados obtidos pela mesma.

5.2.4.2 Classificador

O processo de classificao a penltima etapa do sistema proposto. Nessa etapa, as


caractersticas das leses que foram identificadas e extradas das imagens so utilizadas como
entrada para um classificador inteligente com um algoritmo de aprendizagem de mquina. O
classificador utilizado nesse trabalho uma RNA do tipo MLP treinada com o algoritmo
backpropagation.
A escolha desse algoritmo foi realizada a partir dos testes realizados na Subseo
5.2.4.1. Os testes realizados tambm serviram para definir a configurao da rede a ser utilizada
para a classificao dos dados. A rede foi implementada na linguagem Java, sendo a mesma
composta por sete neurnios na camada oculta e dois na camada de sada, utilizando a funo
de ativao do tipo sigmoide. Para o treinamento a rede utiliza o algoritmo backpropagation
executando a 10.000 ciclos de treinamento e com a taxa de aprendizado de 0,3. O resultado da
classificao obtido atravs da combinao dos resultados dos neurnios da camada de sada,
ou seja, o valor de sada 0 e 1 classifica o nevo como melanoma e o valor 1 e 0 classifica o nevo
como benigno.
Inicialmente o algoritmo implementado foi utilizado em um dispositivo mvel para
treinar e classificar os dados da base PH, como visto em (ALENCAR; LOPES, 2014). O
processo de treinamento foi realizado utilizando a metodologia Holdout (FACELI et al., 2011).
Esse mtodo consiste em separar os dados em dois conjuntos, 70% dos dados para realizar o
treinamento e 30% para validao, onde os dados de treinamento contm as informaes das
leses e a classe qual ela pertence. Os dados foram distribudos no conjunto de forma aleatria.
69

O conjunto de validao, por sua vez, no possui as informaes sobre a classe e aplicado
logo aps a fase de treinamento. A rede MLP classificou os dados como nevo benigno, nevo
atpico e melanoma.
Os dados da base PH foram inseridos em dois arquivos do tipo .txt (um para
treinamento e outro para validao) e carregados para a memria do dispositivo Android. Em
seguida, o primeiro arquivo a ser carregado pela rede MLP o que contm os dados para o
treinamento. Aps a realizao do treinamento, o arquivo contendo os dados de validao
carregado e aplicado a rede j treinada.
Para os nevos comuns, o algoritmo classificou de forma correta 100% dos casos
apresentados. Para os nevos atpicos, o algoritmo obteve um ndice de acerto de 90%, e para o
melanoma, o mesmo obteve um ndice de acerto de 70%. No geral, o algoritmo conseguiu obter
86,66% de acerto na classificao de leses em uma faixa de tempo entre 2 e 5 segundos.
Aps validar o uso da rede em um dispositivo mvel, a mesma foi reconfigurada para
classificar as informaes extradas pelo sistema apresentado neste trabalho, ou seja, a rede foi
configurada para analisar as caractersticas de borda e cor extradas das imagens
dermatoscpicas (subsees 5.2.3.1 e 5.2.3.2) e classific-las como nevo comum e melanoma.
Para isso, foram utilizadas as 50 imagens selecionadas na Subseo 5.2.1. As caractersticas de
borda e cor das 50 imagens selecionadas foram extradas e utilizadas para montar dois arquivos,
um para o treinamento e outro para a validao da rede, assim como foi anteriormente.
Utilizando as caractersticas de borda e cor extradas pelo sistema aqui apresentado, a rede
conseguiu classificar de forma correta 86,66% dos casos.
Contudo, o sistema conseguiu atingir um resultado satisfatrio quanto anlise das
leses dermatoscpicas, a diminuio da quantidade de casos apresentados para o treinamento
e validao no afetou o desempenho do classificador fazendo com que o mesmo atingisse um
bom resultado. Na prxima subseo descrito o mdulo de apresentao dos resultados.

5.2.5 Apresentao dos Resultados

A apresentao dos resultados a ltima etapa do sistema proposto. Nessa etapa o


sistema apresenta ao usurio um pr-diagnstico da leso analisada e as informaes das
caractersticas de borda e cor analisadas pelo sistema. Por fim, o usurio pode sair do sistema
ou fazer uma nova anlise.
70

6 CONCLUSO E TRABALHOS FUTUROS

Neste trabalho foi apresentado o desenvolvimento de um sistema de classificao de


imagens dermatoscpicas para dispositivos mveis, utilizando redes neurais do tipo MLP. O
objetivo desse sistema fornecer uma ferramenta que possa auxiliar mdicos e profissionais de
sade na anlise do cncer de pele do tipo melanoma atravs de um dispositivo mvel. O uso
do sistema deve possibilitar e facilitar o acesso ao exame de dermatoscopia nas regies mais
interioranas, na zona rural e nas regies onde no existe a presena de especialistas. Uma outra
aplicao para esse sistema facilitar o processo de triagem de pacientes, alm de possibilitar
a formao de uma base de imagens que pode ser utilizada para o acompanhamento do paciente,
para possveis estudos sobre dermatoscopia e para testes com outras tcnicas para anlise de
leses de pele.
Como trabalhos futuros, essencial o uso de um conjunto com uma maior quantidade
de imagens dermatoscpicas, pois um conjunto de dados maior pode vir a melhorar o
desempenho do classificador implementado. Como o sistema apresentado no faz uso de todas
as caractersticas da regra ABCD, sugere-se a implementao das caractersticas de assimetria
e estruturas diferenciais da regra ABCD.
Para as imagens que apresentam excesso de pelos e pouco contraste entre a cor da pele
e a leso, pretende-se pesquisar ou desenvolver mtodos que tratem a existncia desses fatores
nas imagens dermatoscpicas. Para a anlise das caractersticas de borda e cor, faz-se necessrio
aplicar outras tcnicas de anlise para essas caractersticas, no intuito de buscar resultados mais
refinados.
Seria tambm interessante expandir o sistema quanto gerencia dos dados adquiridos,
onde o usurio possa organizar e melhorar o acesso aos dados referentes a cada paciente,
utilizando um servio web ou na nuvem, assim como desenvolver aplicaes que executem em
outras plataformas como iOS e Windows Phone. Outro fator a ser considerado a busca de
parcerias com especialistas e/ou hospitais com o objetivo de adquirir imagens e validar as
funes do sistema.
71

REFERNCIAS

ADDI Project. ADDI Project: Automatic computer-based Diagnosis system for Dermoscopy
Images. Disponvel em: <http://www.fc.up.pt/addi/project.html>. Acesso em: 4 Janeiro 2015.

ALENCAR, F.E.S.; LOPES, D.C. Sistema para classificao de imagens dermatoscpicas para
dispositivos mveis. XIV - Congresso Brasileiro de Informtica em Sade. Santos SP, 2014.

ALENCAR, F.E.S.; LOPES, D.C. Anlise de Algoritmos para a classificao de dados


dermatoscpicos utilizando o WEKA. Escola Potiguar de Computao e suas Aplicaes
(EPOCA). Santa Cruz RN. 2014.

ALMEIDA, V.P.; ENDLER, M.; HAEUSLER, E.H. Patient-Buddy-Build: Acompanhamento


remoto mvel customizvel de pacientes com doenas crnicas. XIII Congresso Brasileiro de
Informtica em Sade, 2012.

ARGENZIANO, G. et al. Epiluminescence microscopy for the diagnosis of doubtful


melanocytic skin lesions: comparison of the ABCD rule of dermatoscopy and a new 7-point
checklist based on pattern analysis. Archives of Dermatology, v. 134, n. 12, p. 1563-1570, 1998.

AZEVEDO, E.; CONCI, A. Computao grfica: teoria e prtica. [S.l.]: Elsevier, 2003. 405 p.

BARATA, C. et al. Two Systems for the Detection of Melanomas in Dermoscopy Images using
Texture and Color Features. 965 - 979, 2013.

BARCELOS, C. A. Z.; BOAVENTURA, M.; SILVA, E. C. Jr. A well-balanced flow equation


for noise removal and edge detection. IEEE Transactions on Image Processing, v. 12, n. 7, p.
751-763, 2003.

BLEYMED. Bleymed. Disponvel em: <http://www.bleymed.com.br>. Acesso em: 24 Janeiro


2015.

BRADSKI, G.; KAEHLER, A. Learning OpenCV: Computer vision with the OpenCV library.
" O'Reilly Media, Inc.", 2008.

BURGES, C. J. C. A tutorial on support vector machines for pattern recognition. Data mining
and knowledge discovery, v. 2, n. 2, p. 121-167, 1998.

CANDES, E. J. et al. Curvelets: A surprisingly effective nonadaptive representation for objects


with edges. Department of Statistics, Stanford University, 1999.

CANDES, E. J.; DONOHO, D. L. New tight frames of curvelets and optimal representations
of objects with piecewise C2 singularities. Communications on pure and applied mathematics,
v. 57, n. 2, p. 219-266, 2004.

CAVALCANTE, I. Tcnicas de Processamento Digital de Imagens com Java. Disponvel em:


<http://www.ppgia.pucpr.br/~facon/ComputerVisionBooks/2009ProcessamentoImagensComJ
ava.pdf >. Acesso em: 19 Dezembro 2014.
72

CERQUEIRA, P. H. R. Um estudo sobre reconhecimento de padres: um aprendizado


supervisionado com classificador baysiano. 2010. 81 f. Dissertao (Mestrado em
Cincias). Universidade de So Paulo. Piracicaba. 2010.

CHANG, T.; KUO, C. C. J. Texture analysis and classification with tree-structured wavelet
transform. Image Processing, IEEE Transactions on, v. 2, n. 4, p. 429-441, 1993.

CHOMUTARE, T. et al. Features of mobile diabetes applications: review of the literature and
analysis of current applications compared against evidence-based guidelines. Journal of
Medical Internet Research, v. 13, n. 3, 2011.

CONSULTING, V. W. mHealth for development: the opportunity of mobile technology for


healthcare in the developing world. Washington Dc and Berkshire, UK, 2009.

CORDEIRO, F. Reconhecimento e Classificao de Padres de Imagens de Ncleos de


Linfcitos do Sangue Perifrico Humano com a Utilizao de Redes Neurais Artificiais. 2002.
68 f. Dissertao (Mestrado em Cincias da Computao). Universidade Federal de Santa
Catarina. Florianpolis. 2002.

CORREIA, R.D. et al. Nutrimobile: Um Sistema de Avaliao do Estado Nutricional de


Pacientes Hospitalizados Para Dispositivos Mveis. XIII Congresso Brasileiro de Informtica
em Sade, 2012.

COSTA, A.C. Um Modelo para Notificaes em mHealth. 2013. 99 f. Dissertao (Mestrado


em Cincias da Computao) - Pontifcia Universidade Catlica do Rio Grande do Sul. Porto
Alegre, 2013.

DERMOSCOPY. Dermoscopy Tutorial. Disponvel em: <http://www.dermoscopy.org/>.


Acesso em 5 Janeiro 2015.

FACELI, K. et al. Inteligncia Artificial: uma abordagem de aprendizagem de mquina. Editora


LTC, 2011. 375p.

FERREIRA, P. M. et al. An annotation tool for dermoscopic image segmentation. in


Proceedings of the 1st International Workshop on Visual Interfaces for Ground Truth
Collection in Computer Vision Applications. ACM, 2012, pp. 5:15:6.

FRANGE, V. M. N.; ARRUDA, L. H. F.; DALDON, P. E. C. Dermatoscopia: importncia para


a prtica clnica. Revista de Cincias Mdicas. 2012. 18(4).

FREUND, Y.; SCHAPIRE, R. E. A decision-theoretic generalization of on-line learning and


an application to boosting. Journal of computer and system sciences, v. 55, n. 1, p. 119-139,
1997.

GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. 2 Edio. 2002. USA: Editora
Pretence Hall. 779p.

GRAHAM, R. L.; FRANCES Y., F. Finding the convex hull of a simple polygon. Journal of
Algorithms, v. 4, n. 4, p. 324-331, 1983.
73

HALL, M. et al. The WEKA data mining software: an update. ACM SIGKDD explorations
newsletter, v. 11, n. 1, p. 10-18, 2009.

HAYKIN, S. Redes Neurais: Princpios e Prticas. 2 Edio. Bookman 2001. 893p.

HUANG, G-B; ZHU, Q-Yu; SIEW, C-K. Extreme learning machine: a new learning scheme
of feedforward neural networks. In: Neural Networks, 2004. Proceedings. 2004 IEEE
International Joint Conference on. IEEE, 2004. p. 985-990.

INCA. Instituto Nacional de Cncer Jos Alencar Gomes da Silva. Disponvel em: <
http://www2.inca.gov.br/wps/wcm/connect/inca/portal/home>. Acesso em: 13 Janeiro 2015.

INTEL. OpenCV: Open source Computer Vision Library, 2007.


<http://www.intel.com/technology/computing/opencv/index.htm>. Acesso em: 19 Dezembro
2014.

ITU. International Telecommunication Union. Disponvel em: <http://www.itu.int>. Acesso


em: 20 Dezembro 2014.

JAIN, A. K.; DUIN, R. P. W.; MAO, J. Statistical pattern recognition: A review. Pattern
Analysis and Machine Intelligence, IEEE Transactions on, v. 22, n. 1, p. 4-37, 2000.

JAIN, A. K.; RICHARD, C. D. Algorithms for clustering data. Vol. 6. Englewood Cliffs:
Prentice hall, 1988.

KARRAKCHOU, M.; KUNT, M. From continuous wavelet transform to wavelet packets:


application to the estimation of pulmonary micro vascular pressure. Time Frequency and
wavelets in biomedical signal processing//IEEE Press,. New York, p. 367-387, 1998.

KAY, M. mHealth: New horizons for health through mobile technologies. World Health
Organization, 2011.

MAHMOUD, M. K. A.; AL-JUMAILY, A.; TAKRURI, M. The automatic identification of


melanoma by wavelet and curvelet analysis: study based on neural network classification. In:
Hybrid Intelligent Systems (HIS), 2011 11th International Conference on. IEEE, 2011. p. 680-
685.

MASSONE, C. et al. Mobile Teledermoscopy - Melanoma Diagnosis by One Click?. In:


Seminars in Cutaneous Medicine and Surgery. Elsevier. 2009. p. 203-205.

MENDONA, T. et al. PH - A dermoscopic image database for research and benchmarking.


In: Engineering in Medicine and Biology Society (EMBC), 2013 35th Annual International
Conference of the IEEE. IEEE, 2013. p. 5437-5440.

MICHALSKI, R. S. ATTRIBUTIONAL CALCULUS: A Logic and Representation Language


for Natural Induction, Reports of the Machine Learning and Inference Laboratory, MLI 04-
2, George Mason University, Fairfax, VA, 2004.
74

MHASKE, H. R.; PHALKE, D. A. Melanoma skin cancer detection and classification based
on supervised and unsupervised learning. In: Circuits, Controls and Communications
(CCUBE), 2013 International conference on. IEEE, 2013. p. 1-5.

NACHBAR, F. et al. The ABCD rule of dermatoscopy: high prospective value in the diagnosis
of doubtful melanocytic skin lesions. Journal of the American Academy of Dermatology, v. 30,
n. 4, p. 551-559, 1994.

NAVARRO, B.R. et al. ADAFARMA: Aplicativo para Auxlio na Fase de Aderncia ao


Tratamento. XIII Congresso Brasileiro de Informtica em Sade, 2012.

NIXON, M.; AGUADO, A. Feature Extration & Image Processing. Oxford: Academic Press
is an imprint of Elsevier. 2008. 399p.

NUNES D.F.S. et al. ACUMAAF: Ambiente de Computao Ubqua para o Monitoramento e


Avaliao de Atividade Fsica. Disponvel em: <
http://www.lbd.dcc.ufmg.br/colecoes/wim/2012/002.pdf >. Acesso em: 26 Agosto 2012]

NVIDIA. WHAT IS CUDA?. Disponvel em:


<http://www.nvidia.com/object/cuda_home_new.html> Acesso em: 19 Dezembro 2014.

OLIVEIRA, A.R. Redes Neurais Artificiais Aplicadas na Deteco, Classificao e


Localizao de Defeitos em Linhas de Transmisso. 2005. 120 f. Dissertao (Mestrado em
Engenharia Eltrica). Universidade Federal de Juiz de Fora, Juiz de Fora. 2005.

OLIVEIRA, R.B. Mtodo de deteco e classificao de leses de pele em imagens digitais a


partir do modelo de Chan-Vese e mquina de vetor de suporte. 113 f. Dissertao(Mestrado em
Cincias da Computao). Universidade Estadual Paulista. So Jos do Rio Preto, 2012.

OLIVEIRA, T.R.; COSTA, F.M.R. Desenvolvimento de aplicativo mvel de referncia sobre


vacinao no Brasil. Journal of Health Informatics, v. 4, n. 1, 2012.

OPENCV ANDRIOD, OpenCv para a plataforma Android. 2014. Disponvel em: <
http://opencv.org/platforms/android.html > Acesso em: 19 Dezembro 2014.

OTSU, N. A threshold selection method from gray-level histograms. IEEE Transactions on


Systems, vol. 9, pp. 62-66, 1979.

PAZ, L.F. et al. Acesso Mvel s Informaes de Sade do Paciente Utilizando Computao
Ubqua. XIII Congresso Brasileiro de Informtica em Sade, 2012.

PRADI, T. Software para Deteco de Melanoma Para iOS. 2012. 63 f. Monografia (Graduao
em Cincias da Computao) - Universidade Regional de Blumenau. Blumenau, 2012.

PRADO, R. N. A. Implementao de uma Arquitetura Fuzzy Neural com Treinamento Online


em Hardware Field Programable Gate Array FPGA. 2014. 63 f. Tese (Doutorado em
Engenharia Eltrica). Universidade Federal do Rio Grande do Norte. Natal. 2014.

PSATY, E. L.; HALPERN, A. C. Current and emerging technologies in melanoma diagnosis:


the state of the art. Clinics in dermatology, v. 27, n. 1, p. 35-45, 2009.
75

QUINLAN, J. R. C4.5: Programs for Machine Learning. 1. ed. [S.l.]: Morgan Kaufmann, 1993.

RAMLAKHAN, K.; SHANG, Y. (2011, November). A mobile automated skin lesion


classification system. In Tools with Artificial Intelligence (ICTAI), 2011 23rd IEEE
International Conference on (pp. 138-141).

RIBEIRO, J. H. B. Desenvolvimento de uma Tcnica de Reconhecimento de Padres Baseada


em Distncia. 2003. 87 f. Dissertao (Mestrado em Engenharia Eltrica). Universidade Federal
de Santa Catarina. Florianpolis. 2003.

ROLIM, A. L. Um sistema de Identificao Automtica De Faces Para Ambientes Vistuais De


Aprendizagem. Dissertao (Mestrado em Informtica). Universidade Federal da Paraba,
2009.

ROSADO, L. F. C. M. G. Sistema automtico para diagnstico de leses cutneas baseado em


imagens dermoscpicas. 2009. 72 f. Dissertao (Mestrado em Engenharia Biomdica)
Instituto Superior Tcnico, Universidade Tcnica de Lisboa, Lisboa.

RUIZ, D. et al. A decision support system for the diagnosis of melanoma: A comparative
approach. Expert Systems with Applications, v. 38, n. 12, p. 15217-15223, 2011.

RUIZ, D. et al. A cooperative approach for the diagnosis of the melanoma. In: Engineering in
Medicine and Biology Society, 2008. EMBS 2008. 30th Annual International Conference of the
IEEE. IEEE, 2008. p. 5144-5147.

SARRAFZADE, O.; BAYGI, M. H. M.; GHASSEMI, P. Skin lesion detection in dermoscopy


images using wavelet transform and morphology operations. In: Biomedical Engineering
(ICBME), 2010 17th Iranian Conference of. IEEE, 2010. p. 1-4.

SBD. Portal da Sociedade Brasiliera de Dermatologia. Disponvel em:


<http://www.sbd.org.br/>. Acesso em: 13 Janeiro 2015.

SIKORSKI, J. Identification of malignant melanoma by wavelet analysis. Proceedings of


Student/Faculty Research Day, CSIS, Pace University., 2004.

SIQUEIRA, H.C. SCD: uma ferramenta para extrao de informao de sinais na pele para
identificao de melanoma. 49 f. Monografia (Bacharelado em Engenharia de Computao) -
Escola Politcnica de Pernambuco, Universidade de Pernambuco, Recife. 2014.

SITU, N. et al. Malignant melanoma detection by bag-of-features classification. In:


Engineering in Medicine and Biology Society, 2008. EMBS 2008. 30th Annual International
Conference of the IEEE. IEEE, 2008. p. 3110-3113.

SMITH, J. C.; SCHATZ, B. R. Feasibility of mobile phone-based management of chronic


illness. In: AMIA Annual Symposium Proceedings. American Medical Informatics Association,
2010. p. 757.
76

SOARES, H. B. Anlise e classificao de imagens de leses da pele por atributos de cor, forma
e textura utilizando mquina de vetor de suporte. 154 f. Tese (Doutorado em Engenharia
Eltrica). Universidade Federal do Rio Grande do Norte. Natal. 2008.

SUROWKA, G.; GRZESIAK-KOPEC, K. Different learning paradigms for the classification


of melanoid skin lesions using wavelets. In: Engineering in Medicine and Biology Society, 2007.

EMBS 2007. 29th Annual International Conference of the IEEE. IEEE, 2007. p. 3136-3139.

SUZUKI, S. et al. Topological structural analysis of digitized binary images by border


following. Computer Vision, Graphics, and Image Processing, v. 30, n. 1, p. 32-46, 1985.

TOMASI, C. MANDUCHI, R. Bilateral filtering for gray and color images. In: Computer
Vision, 1998. Sixth International Conference on. IEEE, 1998. p. 839-846.

VAPNIK, V. The Nature of Statistical Learning Theory. New York: Editora Springer. 1995.

VENNILA, G. S.; SURESH, L. P.; SHUNMUGANATHAN, K. L. Dermoscopic image


segmentation and classification using machine learning algorithms. In: Computing, Electronics
and Electrical Technologies (ICCEET), 2012 International Conference on. IEEE, 2012. p.
1122-1127.

VIANA, P. Uma Arquitetura para Aplicaes em Processamento de Imagens: um Estudo em


Hardware/Software. 2002. 105 f. Dissertao (Mestrado em Cincias da Computao). Centro
de Informtica, Universidade Federal do Pernambuco, Recife. 2002.

WEISER, M. Some computer science issues in ubiquitous computing. Communications of the


ACM, v. 36, n. 7, p. 75-84, 1993.

WEKA. WEKA 3: Data Mining Software in Java. Disponvel em:


<http://www.cs.waikato.ac.nz/ml/weka/>. Acesso em: 5 Janeiro 2015.