IWA - Sistema de Comunicação e Armazenamento de Imagem (PACS) Usando a Tecnologia de Grade Computacional: Protótipo Inicial

Transcrição

1 IWA - Sistema de Comunicação e Armazenamento de Imagem (PACS) Usando a Tecnologia de Grade Computacional: Protótipo Inicial Danilo Lauande Franco 1, Lúcio Dias da Silva 2, Aristófanes Corrêa Silva 3, Gilberto Cunha Filho 4 1,2,3,4 Laboratório de Processamento e Análise de Imagens(LABPAI), Departamento de Engenharia Elétrica(DEE) Universidade Federal do Maranhão (UFMA), São Luís, MA, Brasil Resumo - Atualmente, os grandes centros hospitalares procuram associar as informações dos pacientes aos seus exames (incluindo as imagens destes) através de chaves textuais ou numéricas. Os sistemas capazes de promover tal associação são denominados Sistemas de Arquivamento e Comunicação de Imagens (Picture Archive and Communication System). Entretanto, os atuais sistemas PACS possuem uma limitação computacional, visto que eles têm capacidades de armazenamento e processamento limitado ao hardware local. Para contornar tal problema, desenvolvemos um protótipo inicial de um PACS que faz o uso da tecnologia de grades computacionais, estas que têm como objetivo somar recursos computacionais de diversos computadores dispersos geograficamente. Assim, este artigo descreve um PACS que estende as funcionalidades dos sistemas tradicionais ao possibilitar recuperação de imagens baseado em conteúdo (CBIR Content Based Image Retrieval), e mostra como a utilização de uma grade computacional pode tornar a capacidade de processamento e de armazenamento deste tipo de sistema praticamente infinita. Palavras-chave: PACS, Grades Computacionais, CBIR, Imagens Médicas. Abstract - Nowadays, the biggest hospitals centers are integrating the patient s information to their exams (including its images) through textual and numerical keys. The systems that are able to do this association are called Picture Archive and Communication System (PACS). However, current PACS systems have a computational limitation, because their storage and processing capacities are limited to their local hardware. To solve this limitation, we have developed an initial prototype of a PACS that uses a computer grid, which its major goal is to add computer resources from many computers geographically spreads. In this way, this article describes a PACS that extends the functionalities of the traditional systems when it allows the image retrieval based on its content (CBIR Content Based Image Retrieval), and shows how a computer grid can turns the capacity of processing and storage of a system like this almost infinite. Key-words: PACS, Grid Computing, CBIR, Medical Images. 1. Introdução Os Sistemas de Armazenamento e Comunicação de Imagens (Picture Archive and Communication System PACS), como o próprio nome sugere, são sistemas que integram as imagens de um paciente às informações tradicionais [1]. Tais sistemas representam a evolução natural do trabalho com imagens no formato digital (ex.: tomografia computadorizada, ressonância magnética, etc.). Além de fornecer um acesso melhor, mais rápido e mais seguro as imagens armazenadas e minimizar suas perdas [2]. Os PACS possuem recursos de tratamento de imagens, que possibilitam obter informações mais precisas sobre estruturas anatômicas e patologias, ajudando médicos a diagnosticar doenças que até então não poderiam ser detectadas por procedimentos tradicionais [1]. Não auxiliando apenas no diagnóstico, estes sistemas permitem o intercâmbio de informações, tanto entre médicos, quanto entre pacientes e médicos. Através da internet vários médicos podem analisar as mesmas imagens, e debater sobre estas. Ao passo que, após alguns instantes de realizado o exame, o paciente pode acessar de qualquer computador com acesso a internet, dados sobre o seu exame, inclusive o laudo médico. Ao promover uma maior segurança dos dados contra perdas e deterioração, ao armazená-los de forma eletrônica, os PACS não só fornecem um acesso aos dados mais rápido como também reduz custos. Pois a partir do momento em que é implementado, o departamento radiológico passa a ter uma redução nos gastos com filmes que pode

2 chegar ate 25% [1], o que é conhecido como radiologia film-less. Os PACS tradicionais baseiam-se na recuperação de imagens usando somente atributos textuais previamente associados às mesmas, tais como nome do paciente, tipo de patologia e etc. Porém, um sistema de busca baseado no conteúdo pictórico das imagens (Content Based Image Retrival - CBIR) potencializa o diagnóstico e ajuda no tratamento de uma possível doença. Tradicionalmente, os PACS são implementados utilizando-se uma arquitetura clienteservidor. As imagens ficam localizadas em um banco de dados no servidor e este as distribui para máquinas clientes. Com o desenvolvimento de tecnologias de rede e de sistemas de comunicação e transferência eficiente de informações, tornou-se possível projetar um banco de arquivamento distribuído, onde as imagens e os dados podem ser armazenados em diferentes lugares de uma rede e ainda ser acessível em qualquer parte desta rede[1]. Entretanto, este tipo de implementação, e até mesmo a arquitetura de bancos de dados distribuídos possuem limitações computacionais. As capacidades de armazenamento e de processamento estão limitadas ao hardware local. E isto não é um problema trivial, visto que imagens de exames médicos precisam ter alta resolução, e geralmente são em grande número, logo necessitam de muito espaço de armazenamento. Para contornar este problema, podemos fazer o uso da tecnologia de grades computacionais para aumentar o poder de processamento e armazenamento dos PACS, estas que possuem como principal característica a capacidade de somar recursos computacionais de diversos computadores dispersos geograficamente. Neste trabalho nós estamos propondo um protótipo inicial de um PACS, denominado IWA, que além de fornecer as características de PACS atuais no que tange o armazenamento, tratamento e recuperação de imagens, ele permitirá a recuperação de imagens através de seu conteúdo e fará o uso de uma grade computacional. Este artigo está organizado da seguinte forma: ainda nesta Seção apresentaremos as grades computacionais, descrevendo a sua arquitetura básica e o seu funcionamento, faremos uma breve introdução ao middleware de grade MAG (Mobile Agents Technology for Grid Computing Environments) que está sendo desenvolvido na Universidade Federal do Maranhão. Finalizaremos a seção mostrando a motivação para a integração do PACS e as grades computacionais. Na Seção de metodologia será apresentado o IWA e suas ferramentas para o tratamento de imagens, os meios de publicação e busca de dados na grade. Por fim, serão apresentados os resultados, as conclusões finais e os trabalhos futuros. 1.1 Grades Computacionais As grades computacionais surgiram em meados da década de 90, tendo como idéia principal somar recursos computacionais de máquinas independentes, e dispostas em diversos locais, fornecendo ao seu usuário a integração de recursos computacionais de forma transparente e eficiente. As principais diferenças das grades computacionais para os outros modelos de computação distribuída são: a heterogeneidade e a escalabilidade [4]. Nos sistemas distribuídos atuais, devemos ter aplicações rodando sobre os mesmos sistemas, e, além disso, por maior que seja o número de nós do cluster, sempre haverá uma limitação física. Tais problemas não ocorrem na grade, visto que, ele foi desenvolvido para rodar simultaneamente em diferentes arquiteturas de software/hardware, e ele não sofre de limitações físicas, pois ele é um serviço que se utiliza da internet, ou seja, não são necessários cabos interligando os computadores. Com isso torna-se fácil expandi-la. Na busca por uma definição para o que é uma grade computacional, Foster e Kesselman, definiram que, grade computacional é uma arquitetura de hardware e software, que promove acesso seguro, consistente, pervasivo e barato a recursos computacionais [5]. Mais tarde a IBM deu uma definição comercial, onde grade computacional é uma arquitetura padronizada de recursos e aplicações, que torna possível a sistemas e aplicações heterogêneas, compartilhar, processar e armazenar recursos de forma transparente Arquitetura Básica A grade tem como cérebro o middleware, pois é ele quem gerencia todos os recursos e componentes dela, agenda a execução de tarefas, promove a escalabilidade e heterogeneidade da grade, é o responsável pela tolerância à falhas e pela segurança na grade [4]. Além disto, é ele quem faz a comunicação entre a aplicação do usuário e a grade [6]. Em geral as grades computacionais são complexas, sendo assim, nos focaremos nos seus componentes que são de nosso interesse, que são estes: o serviço de dados, que manipula os dados, o catálogo de metadados, que é quem localiza os dados na grade e a interface do usuário Funcionamento

3 O middleware de grade permite que a aplicação do usuário da grade realize três tarefas básicas: submeter tarefas, publicar dados e buscar dados Submissão de Tarefas Para submeter uma tarefa à grade, o usuário deve utilizar a interface fornecida por esta para enviar o código da aplicação que ele pretende executar na grade. Depois disso, o middleware da grade localiza os melhores lugares para executar tal aplicação e a distribui. Ao final da computação a saída gerada é retornada ao usuário Publicação e Busca de Dados A publicação e a busca de dados na grade utilizam-se do serviço de metadados. Já o acesso a esses dados é realizado através do serviço de dados. O serviço de metadados funciona como as páginas amarelas do serviço de dados, pois é ele quem diz a aplicação quais dados estão disponíveis. E o serviço de dados por sua vez retorna os dados solicitados pela aplicação cliente. A Figura 1 mostra o relacionamento entre os serviços de metadados e de dados da grade. A aplicação faz uma solicitação ao serviço de metadados (1), apenas descrevendo os dados de interesse, este, por sua vez, atende a essa solicitação e retorna a localização do dado na grade (2), assim essa localização é passada ao serviço de dados para que ele acesse o dado (3). de forma transparente. Muito semelhante ao que ocorre no P2P (peer-to-peer). Da mesma forma que se publica os dados, para consultá-los, mais uma vez utilizamos a linguagem própria do serviço de dados, realizando um query. Para o usuário ele estará sempre trabalhando com dados locais, pois a grade torna esse armazenamento transparente para ele, e a interface com o serviço de metadados é realizada pela aplicação cliente. 1.2 MAG Mobile Agents for Grid Computing Environments O MAG é uma infra-estrutura de software baseada na tecnologia de agentes móveis. Permite o desenvolvimento e a execução de tarefas computacionalmente intensivas em uma grade de computadores[4], e está sendo desenvolvido no Laboratório de Sistemas Distribuídos da Universidade Federal do Maranhão UFMA. A execução de aplicações no MAG é feita através da transferência dinâmica do código da aplicação para um agente móvel, sendo que este agente pode ser realocado dinamicamente em qualquer nó da grade através de um mecanismo de migração transparente, fornecendo assim suporte a nós com máquinas não dedicadas[4]. Através dele podem ser submetidas à grade aplicações Java regulares e paramétricas (Bag-Of-Tasks) Parte do ciclo de execução do middleware foi aproveitado do InteGrade [4], desenvolvido no Instituto de Matemática e Estatística da Universidade Federal de São Paulo, com isso o MAG também permite a execução de aplicações regulares e paramétricas com código nativo. Faremos o uso deste middleware de grade para armazenar dados e realizar as tarefas computacionalmente intensivas do nosso sistema. 1.3 PACS e Grades Computacionais Figura 1 Serviço de dados e metadados Para publicar dados na grade deve-se utilizar a linguagem definida pelo middleware da grade. Salienta-se que isto é transparente para o usuário, pois quem faz a interface com o middleware é a aplicação do usuário. A grade, além de disponibilizar para outros usuários a base de dados local de quem a utiliza, ela também permite estender esta base de dados, pois permite a integração de várias bases de dados Como as imagens geradas por sistemas radiológicos devem possuir resolução muito alta para serem clinicamente aceitáveis [1], o seu tamanho acaba se tornando muito grande. E em tais sistemas, são geradas centenas de imagens diariamente, e isto se transforma em um grande problema, pois se torna economicamente inviável armazenar todas as imagens em discos magnéticos. A outra limitação dos atuais PACS, diz respeito à capacidade de processamento, pois os sistemas que implementam buscas baseadas no conteúdo pictórico da imagem (Content Based Image Retrival - CBIR) necessitam de muito poder

4 computacional para poder realizar tal busca em um intervalo de tempo aceitável. A solução proposta neste trabalho é fazer o uso da tecnologia de grades computacionais para aumentar o poder de processamento e armazenamento dos PACS. Lembrando que uma característica das grades computacionais é a escalabilidade, assim, o poder computacional do sistema em geral pode ser aumentado de forma rápida e econômica, bastando para isso, adicionar novos computadores a grade. Ao delegar o armazenamento das imagens para a grade, não utilizamos apenas o hardware local para guardá-las, além dele utilizamos os demais nós da grade. Assim, promovemos uma integração de dados entre as diferentes instituições que fazem parte da grade, e aumentamos a capacidade total de armazenamento do sistema. Apesar das bases de dados estarem dispostas em locais diferentes, o usuário do PACS as vê como uma só base de dados localizada em sua máquina local. Quanto ao processamento, a grade diminui de forma significativa o tempo necessário para extrair índices sobre as características das imagens, uma vez que toda esta computação é dividida entre os nós disponíveis na grade. 2 Metodologia 2.1 IWA Nesta seção iremos apresentar as características e os recursos disponíveis no nosso protótipo de PACS, denominado IWA. O IWA possui dois modos de execução, ele pode funcionar como uma aplicação stand-alone, onde não há nenhuma ligação com a grade, nesse modo ele armazena, processa e recupera imagens no hardware local. O outro modo é onde ele utiliza a grade para o armazenamento, processamento e busca de imagens Recursos O IWA ainda está em fase desenvolvimento, desta forma apenas alguns recursos estão atualmente disponíveis. Além disso, hoje em dia nós estamos usando apenas imagens de tomografia computadorizada do tórax, onde temos cerca de 1 GB de imagens para testes. Os recursos do IWA são: integração das imagens com os registros do paciente (nome, idade, sexo, filiação, médico e etc); interface gráfica simples e de fácil utilização; armazenamento e recuperação de imagens e metadados no padrão DICOM; gerenciamento de pacientes, médicos, exames e etc; tratamento de imagem (zoom, controle de brilho e contraste, LUT, janelamento e etc.); busca de pacientes através de dados textuais; busca de imagens baseado no conteúdo pictórico; publicação, recuperação e processamento de dados na grade. O IWA está sendo desenvolvido utilizando o paradigma de orientação a objetos com a linguagem Java, o que promoverá portabilidade entre diversas plataformas, utilizamos um banco de dados SQL para armazenar as imagens localmente e, além disso, fazemos o uso da tecnologia de grades computacionais através do middleware de grade MAG [4], que também está sendo desenvolvido neste projeto Armazenando e Recuperando Informações O IWA permite que sejam feitos dois tipos de buscas por imagens: busca através de chaves textuais e através do conteúdo pictórico. Em ambos os casos são permitidos escolher onde será feita a busca: na grade ou no hardware local. Antes de realizar uma busca por imagens precisamos armazená-las, seja no hardware local ou na grade Armazenando Informações no IWA Para armazenar as imagens no banco de dados local, apenas salvamos o caminho onde a imagem está armazenada dentro da nossa estrutura de diretórios. Entretanto, as imagens são armazenadas de uma forma diferente na grade. Ao armazená-las precisamos guardar junto com elas informações que serão úteis para realizar a pesquisa por conteúdo textual e pictórico. A busca baseada em conteúdo no IWA compara as medidas contidas no vetor de características da imagem, que é uma descrição pictórica da imagem, este vetor é preenchido com medidas que foram extraídas da imagem através de diferentes métodos, o Método da Dependência Espacial do Nível de Cinza (SGLDM) [7], o Método da Diferença dos Níveis de Cinza (GLDM) [7] e o Método de Comprimento de Primitivas dos Níveis de Cinza (GLRLM) [7]. A comparação entre a imagem a ser consultada e as imagens armazenadas são feitas utilizando a distância euclidiana dessas medidas. Portanto, ao publicar as imagens na grade, devemos antes realizar o cálculo dessas medidas. Como esse cálculo é computacionalmente custoso, devido à própria natureza do algoritmo e também a quantidade de imagens, esta tarefa é delegada a grade. Para isso, o IWA faz o uso da interface fornecida pela MAG para passar à coleção

5 de imagens que será publicada ao ASCT (1), que é a ferramenta de submissão do MAG. Agora a grade deve calcular as distâncias euclidianas utilizando os vários métodos de extração de características da imagem. Para isso, a grade divide esta tarefa entre vários nós, onde cada nó recebe uma parte da coleção de imagens e calcula as distâncias em paralelo. Ao fim da execução em cada nó da grade, as imagens são armazenadas junto com o seu vetor de características no DataManager (2), que é o serviço de dados do MAG, e publicadas no magcat (3), que é o serviço de metadados. Com isso temos as imagens (juntamente com seu vetor de características) publicadas na grade, e podemos acessá-las através do magcat (4). A Figura 2 mostra o processo descrito anteriormente. Depois de obtido o vetor de característica da imagem, este é anexado à imagem também no banco de dados local, a fim de permitir a busca por conteúdo no modo stand-alone. Figura 2 Esquema de busca de dados na grade Recuperação de Dados através de chaves textuais Com a busca por chaves textuais podemos recuperar imagens com base no nome do paciente, no diagnóstico, na enfermidade, na região de interesse do corpo e etc. O processo de busca no IWA através de chaves textuais no hardware local é realizado fazendo consultas simples no banco de dados. A busca através de chaves textuais utilizando a grade é semelhante à busca no modo stand-alone, apenas realizamos consultas básicas, a diferença é que na grade utilizamos à linguagem própria do middleware, e é claro, acionamos os componentes da grade. A busca começa quando o IWA gera uma consulta através da interface fornecida pelo MAG(1), e entrega essa consulta ao magcat(4), o magcat realiza a consulta baseado nas chaves textuais dadas como entrada e retorna como resultado para o IWA os metadados da imagem e a localização física dela(4), que é passada ao DataManager(5) para que este acesse a imagem e a entregue ao IWA. A Figura 2 mostra este processo Recuperação de Imagens através do conteúdo pictórico Na recuperação baseada em conteúdo pictórico (CBIR) utilizamos o vetor de características associado às imagens e que foi armazenado/publicado junto com elas. Assim, a busca é realizada através de características intrínsecas à imagem. A busca utilizando o CBIR no modo standalone recebe uma imagem como entrada, que é a imagem que queremos tomar como base para buscar imagens semelhantes. Primeiro é realizada uma filtragem baseada na região da imagem (atualmente tórax), ou seja, através de uma consulta textual são selecionadas somente as imagens da mesma região da imagem base. Depois disso, utilizamos os diversos métodos de extração de características da imagem, para obter o vetor de características da imagem base, o próximo passo é comparar os valores desse vetor com os valores dos vetores das imagens resultantes da primeira filtragem, assim é criado um ranking de imagens. Por fim, as imagens são entregues ao usuário, ordenadas da mais semelhante a menos semelhante. Vale lembrar que o número de imagens retornadas (tanto no modo stand-alone, quanto utilizando a grade) é definido pelo usuário, uma vez que é permitido fazer consultas do tipo: retorne as 15 imagens mais parecidas com esta imagem base. A consulta baseada no conteúdo pictórico na grade é um pouco diferente do que a do modo stand-alone. Primeiro o IWA através da interface da grade(1), passa para o ASCT(1), uma imagem de entrada, que é tomada como base para a busca por imagens semelhantes. Assim, da mesma forma que ocorre no modo stand-alone, é feita uma primeira filtragem, e o resultado dessa filtragem é retornada ao IWA, que agora deve comparar as diversas medidas entre as imagens retornadas pelo magcat(4) e a imagem tomada como base. Assim, mais uma vez, o IWA solicita ao MAG que faça essas comparações, que são feitas de forma semelhante ao cálculo das medidas. Este processo também é descrito na Figura 2. No final desse processo, o IWA recupera do DataManager(5) em uma escala de maior semelhança para menor semelhança, as imagens com conteúdo pictórico parecidos ao da imagem tomada como base e repassa ao usuário. 3 Resultados O gráfico da Figura 3 nos mostra que o tempo gasto com a geração do vetor de características de diversas coleções de imagens diminui consideravelmente utilizando a grade. Vemos que

6 para qualquer número de imagens o tempo levado pela grade utilizando somente um computador é muito próximo ao de um computador executando o algoritmo sozinho, o que mostra que a utilização da grade, mesmo que com apenas um computador, não provoca redução de desempenho. Ao adicionarmos mais um computador a grade, o tempo de execução se reduz em 35%, e ao rodamos o algoritmo com três computadores na grade o tempo de execução se reduz em 53%. O que nós mostra que o uso da grade realmente contribui em um aumento de desempenho, e a medida que são adicionados novos nós este desempenho cresce ainda mais. Quanto ao armazenamento, o sistema atual está em fase de testes e ainda não foram feitos testes de performance. Tempo de Execução (ms) , , , , , , , ,0 0,0 Avaliação de Desempenho (Aplicação PACS) Número de Imagens Figura 3 Teste de desempenho 4 Discussão e Conclusões Normal As grades computacionais surgem hoje como uma das grandes promessas tecnológicas do século 21, por isso o seu estudo é de grande interesse no meio cientifico e empresarial. Sendo assim, a já consolidada tecnologia dos PACS pode fazer o uso desse crescente investimento que vem sendo feito em cima das grades computacionais para corrigir problemas encontrados em implementações atuais. Nesse trabalho mostramos um protótipo de PACS, que batizamos de IWA, que faz o uso de uma grade computacional para melhorar o seu desempenho. Diante do exposto vemos que integrar o PACS à grade traz diversas vantagens, como: integração entre diferentes bases de dados de diferentes instituições; aumento na capacidade de armazenamento do sistema e uma diminuição no tempo de comparação entre imagens, esta que é uma tarefa de grande importância devido o mecanismo de recuperação de imagens por conteúdo. Outro fator de grande importância é a escalabilidade das grades computacionais, elas foram projetadas para permitir que sejam agregados novos computadores de forma rápida e facilitada, assim pode-se aumentar a capacidade do sistema com a mesma facilidade e rapidez. 5 Agradecimentos Gostaríamos de agradecer a CNPq (Conselho Nacional de Desenvolvimento Científico e Tecnológico) por financiar esta pesquisa (processo número /2004-2). 6 Referências [1] Josiane, M.B, (2001),Suporte a Recuperação de Imagens Médicas Baseada em Conteúdo através de Histogramas Médicos, Tese de Doutorado, Instituto de Ciências Matemáticas e Computação, USP São Carlos, São Paulo, 148p. [2] Osteaux M, Van B, Verhelle F, Mey J. (1996), Picture archiving and communication system (PACS): a progressive approach with small systems. European Journal of Radiology 1996 Feb 18; p [3] Jianguo Z, Johannes N, Huang H, Xiaoqiang Z, Lou SL, Koun S (2005). Real Time Teleconsultation with High-Resolution and Large-Volume Medical Images for Collaborative Healthcare. [4] Rafael, F.L., Francisco, J.S.S, Bysmarck B. S. (2005), MAG: A Mobile Agent based Computational Grid Platform, Proceedings of the 4th International Conference on Grid and Cooperative Computing (GCC 2005).Lecture Notes in Computer Science, Springer-Verlag. Beijing. [5] Ian F., Carl K, (1998), The Grid: Blueprint for a New Computing Infrastructure, 1st edition, San Francisco: Morgan Kaufmann Publishers. [6] Maozhen L., Mark B. (2005), The Grid, Core Technologies, Australia: John Wiley and Sons, Ltd. [7] Ross FW (2005), Adaptive Multi-Scale Texture Analysis with application to automated cytology, Department of Electrical & Computing Engineering, The University of Queensland, Australia. 7 Contato Danilo Lauande Franco, danilolf@gmail.com, Universidade Federal do Maranhão, Depto de Engenharia Elétrica. Av. dos Portugueses,s/n, Campus do Bacanga, São Luís, MA Brasil. Telefone: (98)