Desenvolvimento de um Sistema de Auxílio ao Diagnóstico de Pneumonia na Infância Utilizando Visão Computacional

Transcrição

1 Desenvolvimento de um Sistema de Auxílio ao Diagnóstico de Pneumonia na Infância Utilizando Visão Computacional Sanderson Oliveira de Macedo Instituto de Informática Universidade Federal de Goiás (UFG) Caixa Postal Goiânia GO Brazil Leandro Luís Galdino de Oliveira Instituto de Informática Universidade Federal de Goiás (UFG) Caixa Postal Goiânia GO Brazil Resumo This paper proposes the development of a system to assist the Computer diagnosis of pneumonia, called pneumocad, which aims to identify chest radiographs compatible with the disease. Techniques were used for the recognition computational patterns in textures through the decomposition of the wavelet transforms, decomposition of the extracted features and classifying applied to X-rays which gave an average level of accuracy of %. The software presents itself as an innovative technology health, by providing for administrators and policy makers a tool to control and epidemiological monitoring of pneumonia in real time. 1. Introdução A pneumonia é uma doença epidêmica caracterizada por infecção aguda no sistema respiratório e afeta principalmente os pulmões. Segundo a Organização Mundial da Saúde (OMS) [13], em 2011 a pneumonia foi a maior causa de morte de crianças em todo o mundo chegando a 1,4 milhões a cada ano, representando 18% de todas as mortes de crianças com menos de cinco anos e no Brasil chegando a ocorrerem mais de dois milhões de casos por ano [15]. Atualmente a interpretação da radiografia de tórax é o melhor método disponível para diagnosticar a pneumonia [17]. Entretanto, estudos mostram que variações de diagnóstico e erros são comuns na interpretação de imagens radiológicas [18], contrapondo os avanços técnológicos atuais na interpretação de imagens por máquinas. Estes erros levam ao uso indiscriminado de antibióticos que perturba o equilíbrio das populações microbianas, propiciando ao aumento de organismos resistentes e alterações nos padrões de infecções [12], e ao gasto inapropriado de medicamentos, gerando altuamente o desperdício de 15% dos 100 bilhões de dólares gastos anualmente com medicamentos [16]. A OMS definiu no documento Standardization of interpretation of chest radiographs for the diagnosis of pneumonia in children) [17] que a acurácia do teste diagnóstico tenha um valor de referência denominado padrão-ouro, de forma que em diferentes regiões do mundo adotem o Raio-X com padrão-ouro, e que sua leitura seja realizada de forma padronizada por radiologistas treinados, de acordo com especificações pré-estabelecidas nesse documento. Ainda a OMS juntamente com a UNICEF, lançaram em 2009 o Plano de Ação Global para a Prevenção e Controle da Pneumonia chamado de GAPP (do inglês Global Action Plan for Prevention and Control of Pneumonia) [6], que tem como objetivo direto em reduzir a mortalidade por pneumonia em crianças menores de 5 anos de idade em 65% até 2015 e reduzir a incidência de pneumonia grave em 25% em crianças menores de 5 anos de idade até 2015 em comparação aos níveis de As metas do GAPP são: a cobertura de 90% de vacinação relevante, acesso é gestão adequada de 90% dos casos de pneumonia e a cobertura de 90% de aleitamento materno exclusivo durante os seis primeiros meses de vida. Esse estudo tem como objetivo desenvolver uma aplicação para uso dos profissionais de saúde, criando um comitê local de interpretação, aliando conhecimento humano com

2 o conhecimento de máquina no diagnóstico de pneumonias, por meio de um sistema de reconhecimento de padrões de texturas em imagens radiológias padrão-ouro, e disponibilizando para uso dos gestores de saúde e decisores políticos uma ferramenta para o controle e monitoramento epidemiológico da pneumonia Sistemas CBIR Os sistemas CBIR (Content based image retrieval) são capazes de realizar o reconhecimento do conteúdo em imagens pela comparações de padrões. Estes sistemas baseiam-se em padrões visuais (cor, forma e textura) que representam o conteúdo da imagem, que são extraídos por meio de métodos extratores de características e convertidas em informações indexadas por métricas estatísticas. As informações extraídas são armazenadas em um banco de dados, criando um repositório que permite a busca por similaridades de forma rápida e fácil. Nas radiografias de tórax a pneumonia bacteriana apresenta-se como uma textura bem específica, sendo chave uma característica para uma confirmação radiológica da doença. A textura é um valor calculado, tendo como base a variação das intensidades luminosas dos pixels de uma região da imagem. A textura, normalmente é invariante ao brilho do objeto da imagem, posição, orientação, forma e tamanho e podem ser analisadas e decompostas por transformadas como as transformadas Wavelet Transformada Wavelet Bidimensional Wavelets são ferramentas bastante úteis para o processamento e análise de sinais e compressão de informações e são capazes, através da sua decomposição, de realizar descrições de funções matemáticas, sendo tais funções, sinais ou imagens (função bidimencional), de forma que podemos extrair diferentes informações dos componentes no domínio da frequência e no domínio do tempo, permitindo que sejam analisadas tanto as informações globais quanto as informações de detalhes [3]. As imagens digitais, objeto desse estudo, são funções bidimensionais e segundo Mallat, temos a seguinte equação (1) da Transformada Wavelet para uma função bidimensional, f(x, y) L 2 (R 2 ) contínua [9, 8]. W f (a, b x, b y ) = f(x, y)ψ a,bx,b y (x, y)dxdy (1) e a wavelet mãe bidimensional (2) [1]. ψ (a,bx,b y)(x, y) = 1 a ψ(x b x, y b y ) (2) a a Figura 1. filtros passa-baixa e passa-alta. A análise de um sinal 2D (como por exemplo uma imagem digital) através da Transformada wavelet em tempo discreto, corresponde a sucessivas passagens de filtros passa-banda (passas-baixas e passas-altas), decompondo os sinais a cada passo em detalhes e aproximação de acordo com a equação 3 [9]. f(m, n) h(n) = L f(m, n k)h(k) (3) k=1 Em uma imagem de entrada, filtros sucessivos são passados nas linhas e nas colunas, fazendo com que novas escalas sejam geradas, por meio da utilização das equações de translação e de dilatação da wavelet. Esse procedimento é ilutrado na Figura 1. Nos trabalhos de Mallat, as funções de detalhe estão decompostas em três funções para a aplicação dos filtros. A aplicação dos filtros de passa-baixa nas colunas e passa-alta nas linhas resultam nos detalhes na vertical, a aplicação dos filtros de passa-alta nas colunas e passa-baixa nas linhas resultam nos detalhes na horizontal e a aplicação dos filtros passa-alta nas linhas e nas colunas resultam nos detalhes na diagonal. A aplicação da decomposição wavelet de uma imagem em vários níveis de detalhes, facilita a extração de características das texturas para o reconhecimento de padrões Características de texturas Texturas podem ser avaliadas através de métricas estatísticas. Haralick em seu trabalho clássico Textural Features for Image Classification [7] definiu algumas métricas caracterizadoras de texturas que servem para representar

3 numericamente objetos ou regiões de interesse de uma imagem. Após aplicada a transformada wavelet em uma imagem, através da decomposição em níveis, executam-se equações matemáticas que produzem informações estatísticas para cada em cada sub-imagem dos coeficientes gerados pela wavelet. Um único valor que representa toda a sub-imagem é calculado e armazenado em um vetor de característica definida. Cada imagem original pode ter vários vetores de característica representado as suas texturas. Tais vetores de características são considerados como assinaturas da imagem, ou que descrevem com propriedade uma imagem, sendo assim chamados de descritores. Algumas medidas estatísticas chamadas de características para representação de texturas são: coeficiente de variação, contraste, correlação, desvio médio, desvio padrão, diferença da variância, diferença da entropia, energia, energia média, entropia, momentos de diferenças inversas, residuo médio, soma média, somatório da entropia, somatório da variância, suavidade e, variância. Essas características aqui listadas serão avaliadas nesse estudo. [7, 10, 11] Método de classificação KNN O método de classificação do vizinho mais próximo (k- Nearest Neighbor) KNN é um método para reconhecimento de padrões [4], que se baseia em pontos no espaço Euclidiano n-dimencional de características. Cada objeto é representado por um ponto no espaço Euclidiano e a relação entre eles é dada pela distância Euclidiana. Um objeto é classificado pelo voto da maioria de seus vizinhos, com o objetivo de atribuir ao novo objeto inserido no espaço Euclidiano à classe mais comum entre os seus k vizinhos mais próximos (k é um positivo inteiro, geralmente pequeno). A relação entre dois pontos no espaço Euclidiano n-dimencional é dada pela equação da distância euclidiana (4) entre eles: d = (y 1 x 1 ) 2 + (y 2 x 2 ) 2...(y N x N ) 2 (4) 2. O sistema Pneumocad O Pneumocad é um sistema especialista de apoio à decisão médica com a finalidade de prover diagnóstico auxiliado por computador (CAD do inglês Computer-Aided Diagnostic) utilizando técnicas de processamento de imagens radiológicas de pneumonia, tendo como escopo e objetivo: auxiliar o diagnóstico em pneumonias, treinar e aperfeiçoar radiologistas, detectar as variações na endemicidade (sazonais ou não) das pneumonias, monitorar os surgimentos abruptos de novos padrões radiológicos, controlar a qualidade do serviço prestado a população e prover aos administradores de saúde e aos decisores políticos, uma ferramenta de prevenção e controle da pneumonia, facilitando ações administrativas Requisitos funcionais O sistema deve ser acessado por login e senha e diferenciar administradores e usuários. O sistema deve permitir o upload de uma radiografia, possibilitar a visualização em miniatura e ampliada e com base no upload realizado e deve recuperar as radiografias mais similares da base de imagens. O sistema deve permitir ao usuário definir o nível de similaridade das imagens e auxiliar deve auxiliar no diagnóstico de pneumonia inferindo uma porcentagem de similaridade da radiografia enviada em relação as imagens na base de dados. O sistema deve permitir o cadastro do paciente vinculado a radiografia e mediante ao cadastro do paciente, o sistema deve realizar um geo-referenciamento do paciente utilizando a API de mapas do google (google-maps), provendo visualização de um mapa epidemiológico, onde os administradores possam filtrar os dados epidemiológicos por cidade e período Requisitos não-funcionais do Pneumocad O sistema deve ser desenvolvido para plataforma web e permitir que a interação entre o usuário e o sistema deve ser a menos morosa possível. O sistema deve ser desenvolvido em linguagem independente de sistema operacional e utilizar um sistema gerenciador de banco de dados para armazenar as informações. O sistema deve prover o fácil acoplamento (plugins) de novas técnicas de processamento de imagens A arquitetura do Pneumocad Pneumocad tem uma arquitetura em 3 (três) camadas principais: camada de apresentação, camada de negócios e a camada de persistência, resultando em uma redução do acoplamento entre os principais componentes do sistema como mostra a Figura Framewoks utilizados Os frameworks são conjuntos de conceitos usado para resolver um problema de um domínio específico, ou seja, simplifica o desenvolvimento de uma aplicação. Utilizamos os seguintes frameworks: ImageJ para manipulação de imagens em java; ExtJS para desenvolvimento de interfaces utilizando javascript, Spring para gerenciamento da camada de negócios, Hibernate para auxiliar na persistência dos dados e Junit para testes de unidade.

4 de decomposição wavelet D1, D2 e D3 geram o total de 9 subespaços de coeficientes wavelets Construção dos vetores de característica De forma iterativa, os módulos de extração de características utilizam os coeficientes wavelets de cada subespaço. Cada subespaço é representada por um único valor que é armazenado em um vetor de característica de 18 (dezoito) posições, sendo as primeiras 9 (nove) posições do vetor os valores das características das subespaços do pulmão direito e as últimas 9 (nove) posições os valores das características das subespaços do pulmão esquerdo. Será criado para cada radiografia 17 vetores de características com 18 posições. Os vetores de características das imagens serão os insumos, ou seja, as entradas das metodologias I e II Metodologia I Figura 2. Arquitetura do Pneumocad em 3 camadas. 3. Metodologia As radiografias selecionadas para esse estudo foram obtidas a partir da pesquisa realizada por Andrade [2], que disponibilizou aproximadamente 500 imagens utilizadas para validar os critérios estabelecidos para o padrão-ouro. Considerando a qualidade da resolução dessas imagens, na presente pesquisa, selecionou-se 166 radiografias para determinar a acurácia do sistema Pneumocad. Aplicamos a transformada wavelet de Haar em todas as imagens de radiografia do nosso banco em padrão-ouro. Foi levado em consideração o fato que estudos mostram que o pulmão direito é mais acometido por pneumonia que o pulmão esquerdo [14], devido a anatomia entre a traquéia e os brônquios O brônquio direito tem um ângulo mais agudo com a traquéia que o brônquio esquerdo, essa conexão facilita a migração de bactérias e vírus ao pulmão direito, resultando em maior incidência da doença. Por isso optomos analisar cada pulmão separadamente. Para aplicar a decomposição wavelet em uma nova imagem de radiografia, o algorimo de decomposição reconhece a radiografia e separa os pulmões em duas áreas quadráticas iguais. A cada imagem isolada do pulmão foi aplicada a transformada wavelet resultando nos coeficientes wavelets do pulmão direito (WD) e nos coeficientes wavelets do pulmão esquerdo (WE). Cada nível Verifcamos na metodologia I a relação entre a quantidade de imagens radiológicas na base de imagens e a possibilidade de uma nova radiografia ser bem classificada entre as duas classes de imagens desse estudo (Pneumonia presente PP ou Pneumonia ausente PA), com uma maior disponibilidade de comparações. Utilizou-se como imagens de treino, pacotes crescentes de imagens em padrão-ouro, verificando a acurácia do sistema quando a base de dados cresce em número de imagens. Agrupamos as imagens em pacotes da seguinte forma: 1 o pacote: 40 novas imagens em padrão-ouro (20 com PP e 20 PA); 2 o pacote: todas as imagens do 1 o pacote acrecido 40 novas imagens em padrão-ouro (20 com PP e 20 PA), totalizando 80 imagens; 3 o pacote: todas as imagens do 2 o pacote acrecido 40 novas imagens em padrão-ouro (20 com PP e 20 PA), totalizando 120 imagens; 4 o pacote: todas as imagens do 3 o pacote acrecido 26 novas imagens em padrãoouro (13 com PP e 13 PA), totalizando 146 imagens. Para avaliar a performance do Pneumocad, selecionamos 20 novas imagens de radiografia, 10 com pneumonia PP e 10 normais (sem pneumonia) PA, que foram as imagens de teste. Nessa metodologia as imagens de teste não estão contidas nos pacotes de treinamento e serviram de referência para avaliarmos a acurácia do sistema. Cada imagem de teste foi comparada com as imagens de treino através do método de classificação K-NN. Após a execução do método de classificação as imagens teste passaram para um método avaliador de acurácia, que definiu os níveis de diagnóticos corretos que essa metodologia produziu. Foram geradas classificações para todas as imagens de teste em relação a cada pacote de treino.

5 3.3. Metodologia II A metodologia II teve como objetivo verificar a performance do método de classificação em produzir classificações com qualidade aceitável através da quantidade de imagens de treino numericamente diferentes em relação as classes (PP ou PA). Nessa metodologia inicialmente agrupamos 120 imagens de radiografias de tórax; 60 imagens PP e 60 imagens PA. Em seguida criamos 3 repositórios que receberam 40 imagens cada. Desenvolvemos um algoritmo em java que aleatoriamente distribuiu as 120 imagens nesses 3 pacotes criados. Após a divisão das 120 imagens em 3 pacotes com 40 imagens cada, executamos as classificações em um revezamento de pacotes. Um, dentre os três pacotes foi escolhido como recipiente das imagens de teste de onde serão selecionadas 15 amostras para o teste. A junção dos outros dois pacotes foram as imagens de treino, de tal forma que podemos observar o comportamento das classificações de novas radiografias quando a quantidade de imagens de PP e PA são diferentes na base de dados Método de classificação Métodos de classificação são algoritmos que separam os objetos em grupos ou classes (no nosso caso imagens de radiografia com pneumonia e sem pneumonia), identificandoos de acordo com os padrões de textura que estão sendo pesquisados. O sucesso da classificação de uma radiografia depende de fatores como a quantidade de imagens no banco de treinamento, bem como da capacidade que o método de classificação tem em destinguir as imagens através de suas características extraídas (assinaturas). Nesse estudo utilizamos o método K-NN para a classificação das imagens de radiografia baseados nos vetores de características extraídas de uma decomposição wavelet K-NN e a definição do K Para cada característica, o algoritmo K-NN determina a distância Euclidiana entre as imagens de teste e as imagens de treino utilizando os vetores dessa característica específica. Feito isso o algoritmo ordena as imagens de treino pela menor distância calculada e soma quantas imagens da classe PP e da classe PA estão dentro de uma gama de K vizinhos mais próximos, realizando uma votação. A classe com mais votos será a classe vencedora e a imagem de teste recebe o vínculo a essa classe. A informação resultando do processamento do método K- NN é uma lista de classificação de cada imagem de teste, em relação a cada característica avaliada. Assim verificamos qual característica obteve melhor performance. Na definição de quantos vizinhos mais próximos deveríamos utilizar, inicialmente pensamos em testar arbitráriamente com o valor k=10, ou seja, o algoritmo levaria em consideração somente as 10 imagens de treino com menor distância Euclidiana, entretanto verificamos que como 10 é um número par poderia ocorrer uma indecisão do algoritmo não definindo uma classe para a imagem de teste se a classe PP obtivesse 5 votos e a classe PA igualmente. Assim sendo preferimos testar o algoritmo K-NN sempre com números ímpares. Fizemos uma outra iteração acima da iteração das distâncias Euclidianas com base nas características. Executamos o K-NN variando o K em 19 possibilidades diferentes, começando com K = 1 e até K = 39, assim possível verificar qual o melhor K se aplicaria especificamente ao problema Método avaliador de acurácia Esse método verificou qual classificação foi inferida a uma imagem de teste e comparou com a classe, que de fato a imagem de teste pertencia, para verificar a corretude da classificação feita pelo classificador. Temos uma medida de acurácia expressa na equação (5) AC = QCA QT 100 (5) Onde AC é a porcentagem de acurácia obtida pela divisão da quantidade de imagens de teste classificadas com acerto (QCA) pela quantidade total das imagens de teste (QT). 4. Resultados e avaliação Na Tabela 1 podemos perceber que à medida que a quantidade de imagens foi incrementada na metodologia I, a acurácia cresceu proporcionalmente, partindo do valor de 85% na execução da classificação com o 1 o pacote de imagens (40 imagens) e chegando a 100% na classificação com o 4 o pacote de imagens de treino (146 imagens), com uma taxa média de acurácia de 93,75%. A variação entre a menor (85%) e a maior (100%) taxa de acurácia obtidos execução da classificação na metodologia I foi de 15%. Pacote quantidade de imagens Taxa de acurácia 1 o Pacote 40 85% 2 o Pacote 80 95% 3 o Pacote % 4 o Pacote % Média 93,75% Tabela 1. Valores percentuais de acurácia máximos e sua média, obtidos na metodologia I.

6 Na metodologia II as classifições utilizando as 120 imagens divididas em 3 pacotes de imagens selecionadas aleatoriamente, obteve uma taxa de acurácia média de 89,1% como mostra a Tabela 2. Ocorreu uma redução de 4,65% em relação a metodologia I (93,75%), entretando, a variação entre a menor (87%) e a maior (93,3%) taxa de acurácia obtidos execução da classificação na metodologia II foi de 6,3%, um valor menor do que foi obtido na metodologia I. Pacote Taxa de acurácia 1 o Pacote 87% 2 o Pacote 87% 3 o Pacote 93,3% Média 89,1% Tabela 2. Valores percentuais de acurácia máximos obtidos em cada metodologia e suas médias. A Tabela 3 mostra a quantidade de vezes em o método K-NN na execução da classificação obteve as melhores taxas percentuais de acurácia em determinada característica. Ao longo das duas metodologias a característica diferença de variância obteve 7 (sete) melhores classificações seguidas do contraste 3 (três), desvio médio e desvio padrão 2 (duas) e coeficiente de variação, diferença da entropia, soma média, somatório da entropia, somatório da variância e suavidade todas obtiveram somente 1 (uma) classificação máxima. Característica Metod. I Metod. II Total Diferença da variância Contraste Desvio médio Desvio Padrão Coeficiente de variação Diferença da entropia Soma média Somatório da entropia Somatório da variância Suavidade Tabela 3. Quantidade melhores taxas de acurácia obtidas pelas características em cada metodologia. A diferença de variância tem a característica de analisar as informações de textura criando um vetor chamado vetor de diferença p(k), por meio da regra de formação Figura 3. Análise de texturas pela diferença de variância k = i j, onde k é o indice do vetor p(k), e i as linhas j a colunas da matriz dos coeficentes wavelet. Essa característica realiza o somatório dos coeficientes de diagonais duas a duas dentro da matriz, partindo da diagonal principal. Os somatórios são armazenados no vetor e aplicado a sua variância. A Figura 3 mostra a regra de formação do vetor p(k) onde as informações que contém as mesmas cores nos tons de cinza são somadas no vetor. O que podemos perceber pelos resultados obtidos por esse estudo, é que a análise da textura da radiografia de tórax (Figura 4) utilizando os coeficientes wavelets diagonais da imagem, fez com que a diferença da variância obtivesse uma acurácia maior na comparação de imagens da mesma classe, em relação a análise dos coeficientes wavelets pelas linhas ou pelas colunas da matriz, como executou o contraste e o desvio médio. A quantidade de vezes em o método K-NN, na execução da classificação, obteve as melhores taxas percentuais de acurácia em determinado K vizinho mais próximo. Ao longo das duas metodologias os K9 vizinhos mais próximos obteve 6 (sete) melhores classificações seguido de k5 e k7 com 4 (quatro); k3, k11, k19, k21 e k27 com 2 (duas); k1, k15, k23, k25, k29 e k31 com 1 (uma) melhor classificação. 5. Conclusão e trabalhos futuros Nas duas metodologias foram avaliadas 17 características extraídas da aplicação da decomposição wavelet de Haar. A diferença de variância destacou-se na execução das metodologias, pois obteve 7 (sete) classificações com taxa de acurácia máxima, sendo a única característica que figurou em todas as classificações com taxa de acurácia máxima. Optamos pela aplicação da diferença de variância na extração de característica para o armazenamento dos descritores que representam uma imagem de radiografia dentro da base de dados de imagens do Pneu-

7 Figura 4. Textura de radiografia de tórax mocad. Nesse estudo, verificamos que das 7 (sete) classificações de taxa de acurácia máxima das duas metodologias, e 6 (seis) foram obtidas quando o método K-NN utilizou o valor de k=9 vizinhos mais próximos. Com base nessa avaliação as classificações do Pneumocad através do método K-NN utilizará esse valor encontrado. Para avaliar comparativamente o nível médio de acurácia obtido pelo Pneumocad encontrado na execução das duas metodologias, levamos em consideração informações de estudos desenvolvidos na área de pneumologia, que mostram que em média os resultados falso-positivos no município de Goiânia giram em torno de 30% [5], significando dizer que em 100 casos possíveis de pneumonia, 30 são falsopositivos. Os diagnósticos falso-positivos contribui para o fortalecimento e a proliferação de microorganismos causadores da pneumonia, haja vista que o uso indiscriminado de antibióticos levam ao aumento de organismos resistentes a aplicação de vacinas combatentes da doença. Além disso, tais diagnósticos elevam os custos da saúde pública pela aplicação de recursos de medicamentos e de internações desnecessariamente. A metodologia I obteve taxa média de acurácia máxima 6,3% em relação a metodologia II, demonstrando que houve uma queda na capacidade do método K-NN na classificação das radiografias, entretanto, em comparação aos estudos de diagnósticos falsopositivos (30%), consideramos essa redução aceitável. Através dos resultados das metodologias I e II com a obtenção de uma mesma característica, a saber, diferença de variância, verificamos que a acurácia do sistema Pneumocad foi em média de 91,71%, portanto aproximadamente 8% das radiografias não foram diagnosticadas corretamente. Entretanto, obtivemos nesse estudo uma queda significativa em comparação com os resultados falso-positivos da média do município de Goiânia. Com base nesses valores percebemos que as metodologias I e II mostraram-se exequíveis ao sistema Pneumocad. O desenvolvimento do Pneumocad através da utilização das técnicas de processamento de imagens digitais, pode ser uma ferramenta importante ao auxílio ao diagnóstico de casos de pneumonia, aliando conhecimento homemmáquina, criando e um comitê de especialistas utilizando a capacidade dos profissionais de saúde e do Pneumocad e no diagnóstico de radiografias, formando um padrãoouro alocados nas unidades de saúde, fortalecendo a unidade de saúde local e como consequência, o global, no combate a pneumonia. O Pneumocad também pode ser utilizado em triagens em unidades de saúde, sendo ele manipulado por um profissional clínico geral, que decidirá para quais especialistas os pacientes devem ser encaminhados. E finalmente, utilizando gerenciamento e vinculação dos dados do paciente com as radiografias diagnosticadas, principalmente os dados de residência, o Pneumocad disponibilizaria mecanismos de vigilância e controle para os gestores de saúde e de decisores políticos, possibilitando uma ferramenta para a análise de pontos de sugimento abrupto de epidemias de pneumonia nos municípios brasileiros, por meio do acompanhamento do mapa-epidemiológico atualizado em tempo real pelo sistema na web a medida que cada atendimento for acontecendo nas unidades de saúde que utilizam o Pneumocad para auxílio ao diagnóstico em pneumonia. Estas ferramentas visam atingir as metas de prevenção e controle da doença propostos pela Organização Mundial da Saúde no documento do GAPP até 2015 [6] Trabalhos futuros No decorrer do planejamento e execução desse trabalho identificamos melhorias futuras para esse estudo: A execução das metodologias II e III utilizando um novo método classificador chamado SVM (do inglês Support Vector Machine). O SVM é um conceito em estatística e ciência da computação para aprendizado supervisionado e não-supervisionado. São métodos que analisam dados e reconhece padrões de classes através da construção de hiperplanos em um espaço infinito-dimensional, que pode ser usado para classificação das radiografias de tórax, e por fim gerar uma comparação com o método K-NN proposto nesse estudo. Estudo preliminares mostram o SVM bastante promissor. O desenvolvimento de um algoritmo de seleção automática do pulmão dentro da imagem de radiografia, na tentativa da diminuição de ruídos de texturas

8 na imagem que não refletem a doença, melhorando a acurácia do sistema Pneumocad. Acreditamos que a realização desses novos estudos, da qual a viabilidade já estão sob análise, tornará o sistema mais robusto e permitirá melhores resultados. Referências [1] I. Daubechies. Ten lectures on wavelets. Society for industrial and applied mathematics, [2] A. de Andrade, J. de Andrade, C. Martelli, R. de Oliveira, M. Costa, C. Laval, L. Ribeiro, J. Fabio, et al. Effectiveness of haemophilus influenzae b conjugate vaccine on childhood pneumonia: a case-control study in brazil. International journal of epidemiology, 33(1):173, [3] H. de Oliveira. Análise de sinais para engenheiros: Uma abordagem via wavelets. Rio de Janeiro: Brasport, [4] K. Feng, J. Gao, K. Feng, L. Liu, and Y. Li. Active and passive nearest neighbor algorithm: A newly-developed supervised classifier. Advanced Intelligent Computing Theories and Applications. With Aspects of Artificial Intelligence, pages , [5] C. M. Franco. Vigilância de pneumonias adquiridas na comunidade e admitidas em hospitais pediátricos de Goiânia- Go. Dissertação de mestrado, Instituto de Patologia Tropical e Saúde Pública - Universidade Federal de Goiás, Goiânia, [6] B. Greenwood. A global action plan for the prevention and control of pneumonia. Bulletin of the World Health Organization, 86(5): A, [7] R. Haralick, K. Shanmugam, and I. Dinstein. Textural features for image classification. Systems, Man and Cybernetics, IEEE Transactions on, 3(6): , [8] H. Li, M. Takei, M. Ochi, Y. Saito, and K. Horii. Application of two-dimensional orthogonal wavelets to multiresolution image analysis of a turbulent jet. Japan Society for Aeronautical and Space Sciences, Transactions, 42(137): , [9] S. Mallat. A theory for multiresolution signal decomposition: The wavelet representation. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 11(7): , [10] K. Muneeswaran, L. Ganesan, S. Arumugam, and K. Soundar. Texture classification with combined rotation and scale invariant wavelet features. Pattern Recognition, 38(10): , [11] T. Ojala, M. Pietikäinen, and T. Mäenpää. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on pattern analysis and machine intelligence, pages , [12] W. H. Organization. antimicrobial discovery and development, [13] W. H. Organization. pneumonia is the leading cause of death in children, [14] L. Ribeiro. Análise do padrão radiográfico da pneumonia bacteriana: correlação clínica e concordância entre o pediatra eo radiologista em um contexto de vigilância epidemiológica; Analysis of radiological pattern in bacterial pneumonia, clinical correlation and agreement between pediatrician and radiologist in an epidemiological surveillance context. PhD thesis, Universidade Federal de São Paulo. Escola Paulista de Medicina. Curso de Radiologia e Ciências Radiológicas, [15] SUS. DATASUS - Base de dados do Sistema Único de Saúde, [16] L. Wannmacher. Uso indiscriminado de antibióticos e resistência microbiana: uma guerra perdida. Uso racional de medicamentos, 1(4):1 6, [17] World Health Organization. Standardization of interpretation of chest radiographs for the diagnosis of pneumonia in children, [18] M. Young and T. Marrie. Interobserver variability in the interpretation of chest roentgenograms of patients with possible pneumonia. Archives of internal medicine, 154(23):2729, 1994.