Uma ferramenta de mineração de imagens para suporte ao cálculo de idade gestacional de recém-nascidos

Transcrição

1 Uma ferramenta de mineração de imagens para suporte ao cálculo de idade gestacional de recém-nascidos * Bellon, Olga R. P.; Silva, Luciano; Cat, Mônica; Vieira, Everton V.; Araújo, Anderson V. Departamento de Informática Grupo Imago Universidade Federal do Paraná (UFPR) Caixa Postal: CEP Curitiba PR Brasil {olga,luciano,anderson}@inf.ufpr.br, monica_cat@uol.com.br, evv95@yahoo.com.br Abstract. The correct gestational age determination is one of the most used measures to guide diagnostics of the specialists in neonatology to guarantee the newborn surveillance. In this context, the FootScanAge system presents a new alternative to actual methods, because it is a less invasive method and it is based on features extracted from newborns plantar surface images. This article presents the FootScanAge tool and its functionalities, emphasizing the use of data mining algorithms on a database of image features, and how image mining can help the determination of the final gestational age score. Resumo. A correta determinação da idade gestacional é um dos principais recursos utilizados pelos especialistas de Neonatologia para orientá-los nos diagnósticos e medidas terapêuticas para garantir a sobrevida de recémnascidos. Neste contexto, o sistema FootScanAge se apresenta como uma alternativa aos métodos atuais por ser um método menos invasivo baseado em características extraídas das imagens de superfície plantar de neonatos. Neste trabalho é demonstrado o sistema FootScanAge e suas funcionalidades, enfatizando o uso de algoritmos de mineração de dados, em uma base de características extraídas dessas imagens e as estratégias de apresentação dos resultados para auxiliar no cálculo da idade gestacional. 1. Introdução Os métodos atualmente em uso para determinação da idade gestacional (IG) de recémnascidos ainda são imprecisos, exigem muita manipulação dos neonatos e foram baseados em pesquisas sobre populações que envolviam poucos prematuros [Cat 03]. Baseado em estudos iniciais que demonstraram a importância de dimensões do pé e de suas sub-regiões, bem como, informações sobre cisuras e poros [Bellon et al. 05], foi desenvolvido o método FootScanAge. Este método se propõe a ser menos invasivo e menos subjetivo que os demais ao utilizar como referência as características da superfície plantar de neonatos para sugerir uma idade gestacional. * Agradecimentos ao CNP q e FINEP pelo suporte financeiro ao projeto 33

2 Para servir de ferramenta ao método foi desenvolvido o sistema FootScanAge, que combina Mineração de Dados e Processamento de Imagens, em uma técnica conhecida como Mineração de Imagens [Zhang et al. 01]. Trata-se de um sistema de suporte à decisão que permite a manipulação de uma base de características extraídas das imagens dos pés de recém-nascidos e a análise desses dados através de algoritmos de mineração de dados. De maneira resumida, o sistema FootScanAge processa as imagens de superfície plantar, faz a extração de suas características, armazena-as em um banco de dados e posteriormente utiliza algoritmos de mineração para identificar a idade gestacional da nova instância sendo processada. O objetivo deste trabalho é descrever a ferramenta de mineração de imagens do FootScanAge, enfatizando o uso de algoritmos de mineração sobre uma base de imagens, bem como, as estratégias de apresentação e avaliação dos resultados para auxiliar no cálculo da idade gestacional. Na segunda seção serão apresentados os conceitos de Mineração de Imagens e que técnicas foram adotadas no projeto FootScanAge. Na seção seguinte, são descritos os passos de mineração e do processamento de imagens dentro do sistema FootScanAge. Em especial, é apresentado como os algoritmos de mineração são combinados e como os resultados da mineração são utilizados para orientar a determinação da idade gestacional. Na quarta seção são discutidos alguns testes preliminares com a ferramenta. O artigo se encerra com os comentários finais de conclusão. 2. Conceitos A essência do método FootScanAge é a obtenção de características relevantes da superfície plantar de recém-nascidos para a construção de um modelo que oriente o especialista para o cálculo de um escore definitivo de idade gestacional. Portanto, existe a necessidade de construir uma base de dados para validação do método. A fim de tornar viável essa validação e garantir a ampliação da base de dados, optou-se pela construção de um sistema que também evoluísse junto com o método. A solução adotada foi incorporação de técnicas de Mineração de Dados, integrando o usuário em um processo que vai desde a aquisição dos dados até a aplicação do modelo de mineração aprendido. Todavia, para obter os dados a serem minerados, é necessário executar atividades de processamento de imagens, gerando um processo híbrido de Mineração de Dados e Processamento de Imagens, conhecido como Mineração de Imagens. A Mineração de Imagens é um processo multidisciplinar que se relaciona com várias outras áreas de conhecimento, tais como: Visão Computacional, Processamento de Imagens, Mineração de Dados, Bancos de Dados, Aprendizado de Máquina e Sistemas de Recuperação de Imagens (SRIC) [Vieira et al. 02]. Embora na Mineração de Dados exista um processo de seleção e obtenção de atributos a partir de várias tabelas ou bases de dados [Fayyad et al. 96] para gerar as instâncias a serem avaliadas, na Mineração de Imagens a obtenção dessas características também utiliza técnicas de Processamento de Imagens [Gonzales & Woods 00]. Assim, de uma maneira mais formal, Mineração de Imagens [Zhang et al. 01] trata da extração de conhecimento implícito, relacionamento entre dados de imagens, ou outros padrões não explicitamente armazenados em banco de dados de imagens. Seu foco é determinar como a representação de baixo nível (pixels) de uma imagem pode ser eficientemente e 34

3 efetivamente processada para identificar objetos e seus relacionamentos. De fato, a Mineração de Imagens está contida em uma disciplina ainda mais abrangente, que seria a Mineração de Dados Multimídia [Zaïane et al. 98]. Uma outra abordagem utilizada pelo sistema FootScanAge é a combinação de classificadores, numa técnica conhecida como ensemble [Dietterich 00]. Nesta técnica, vários algoritmos de classificação são executados sobre uma mesma base de treinamento, partições da mesma base ou até dados gerados dinamicamente. Quando uma nova instância precisa ser classificada, o ensemble utiliza um mecanismo de votação que combina o resultado dos classificadores. No caso específico do FootScanAge, o sistema permite a combinação de algoritmos provenientes de duas estratégias de mineração: classificação e regressão [Witten & Frank 05]. Para a primeira estratégia, as classes correspondem às idades gestacionais discretizadas e o resultado utilizado pelo especialista pode ser tanto a classificação final sugerida pelo sistema quanto à distribuição de probabilidade ou pertinência da imagem a cada classe. Para a regressão, o resultado final é o escore calculado diretamente pelo sistema. 3 Arquitetura 3.1 Módulos Para tornar mais robusta e flexível a sua implementação, o sistema foi dividido em 2 módulos integrados, FootScanAgeWeb e FootScanAgeDesktop, que compartilham uma base de dados comum cuja modelagem é voltada não apenas para cálculo de IG, como também para outras pesquisas na área de Pediatria e Neonatologia. O primeiro módulo, FootAgeScanWeb, é voltado para a manutenção da base de dados maternos, gestacionais e de neonatos incluindo diagnósticos e avaliações das fases pré-natal e pós-parto. Este módulo é disponibilizado como uma aplicação executada em um servidor Web utilizando o servidor de páginas Tomcat 2 e implementada em Java 3 com o auxílio da ferramenta JBanana 4. O segundo módulo, FootScanAgeDesktop, também desenvolvido em Java, é responsável pelo processamento das imagens, mineração dos dados e o cálculo da IG. Para o processamento de imagens foi utilizada a biblioteca JAI 5 (Java Advanced Imaging) e os algoritmos de mineração foram obtidos da biblioteca WEKA [Witten & Frank 05]. 3.2 Implementação Processamento de Imagens As características usadas pela mineração são produtos das etapas de processamento de imagens descritos a seguir, conforme a figura 1: Pré-processamento: elimina ruídos e rotaciona a imagem de entrada Jakarta Apache Tomcat Java 2 Platform, Standard Edition (J2SE) 4 JBanana Framework Java Advanced Imaging API 35

4 Binarização: converte a imagem para o formato preto-e-branco. O usuário poderá informar o valor do limiar ou escolher um algoritmo pré-definido. Rotulação: a imagem binária passa por um algoritmo de detecção de regiões conexas, com o objetivo de identificar e auxiliar a retirada dos dedos. Retirada dos dedos: nesta fase aplica-se um algoritmo de corte que usa uma parábola para eliminar os dedos da imagem. Detecção das Regiões: já com a imagem do pé sem os dedos, nesta fase o sistema determina 3 regiões dentro da imagem para auxiliar a extração de características. Extração de características: cálculo de medidas e propriedades da imagem completa e para cada sub-região. A intervenção do usuário é feita apenas quando necessário - devido a imagens de baixa qualidade ou com excesso de ruídos através da modificação dos parâmetros de cada fase do processamento ou através da validação do processamento feita antes da conclusão. Como observado durante a validação do sistema, em apenas 10% das imagens foi necessária alguma mudança dos parâmetros. Figura 1. Etapas do processamento de imagens e geração de características Ao final do processamento, as características são apresentadas ao especialista que confirma os dados e os salva em banco. Inicialmente o sistema trabalha com características como dimensões, áreas e percentuais de ocupação. Entretanto, a variedade de características tende a aumentar com a evolução da ferramenta e do método Cálculo da Idade Gestacional A interface entre as características extraídas pelo processamento e o cálculo da idade é o modelo de mineração, uma estrutura de dados que identifica os algoritmos de mineração, bem como o conjunto de características e a consulta a ser executada no banco para gerar as instâncias a serem mineradas. Um modelo, para ser usado, deve passar por três etapas: geração; seleção, e; aplicação. Na primeira fase, o usuário pode gerar vários modelos de classificação ou regressão (ensemble) com diferentes combinações de atributos, instâncias e algoritmos. 36

5 Na segunda etapa, o modelo (de classificação e/ou regressão) gerado na fase anterior, ou um outro modelo já existente, é selecionado pelo usuário. O modelo é então aplicado, na terceira etapa, sobre os dados da nova imagem, gerando dois tipos de saída: no caso do modelo de classificação, a distribuição de probabilidade por idade/classe; no modelo de regressão, o valor sugerido é a idade gestacional propriamente dita. Figura 2. Combinação de abordagens para cálculo da Idade Gestacional O uso combinado de estratégias de mineração tem o intuito de modelar a incerteza inerente ao processo de cálculo da IG, como também dar ao especialista a flexibilidade de ponderar os valores calculados pelo sistema. É um processo análogo ao de dispor da opinião de vários especialistas para gerar algum tipo de diagnóstico. Com base na análise desses resultados, bem como da consulta de outros dados do recémnascido, o especialista indicará qual a idade gestacional para o neonato, conforme a figura 2. Uma vez confirmada a avaliação, o escore é salvo em banco e o sistema poderá usar essa nova imagem como base para geração de um novo modelo. 4. Análise O aprendizado dos algoritmos de mineração depende de um atributo-alvo, que neste caso é a própria idade gestacional. Entretanto, a IG ideal não é necessariamente a indicada pelo especialista e sim o que é conhecido como idade gestacional padrão-ouro, obtida a partir de gestações que tenham tido um acompanhamento pré-natal consistente. Para realizar os testes preliminares, foi construída uma base de dados a partir de 259 imagens de recém-nascidos obtidas ao longo dos estudos iniciais do projeto, sendo o atributo-alvo derivado a partir de idades calculadas por outros métodos. Nesta seção são apresentados dois tipos de resultados: um comparativo de algoritmos e um exemplo de resultado apresentado pela ferramenta. 4.1 Comparativo de algoritmos A base de dados de referência foi exportada em 3 arquivos para ser analisada por meio da ferramenta WEKA: um arquivo completo, para testes de validação cruzada (crossvalidation) [Schaffer 93]; um de treino, com 171 instâncias (66% do total) para o aprendizado dos algoritmos, e; outro de testes, com as instâncias restantes. A tabela 1 mostra os resultados para os algoritmos de regressão M5P [Quinlan 92] e o LinearRegression (Regressão Linear) [Witten & Frank 05]. Para utilizar os algoritmos de classificação foi necessário discretizar o atributoalvo em 3 classes, que representam o espaço de possibilidades das instâncias existentes na base de dados: até 32 semanas, entre 32 e 37 semanas e maiores que 37 semanas. Na 37

6 tabela 2 estão os resultados dos algoritmos de classificação REPTree [Quinlan 93], J4.8 [Quinlan 93] e LMT [Landwehr et al. 03] e sua respectiva porcentagem de acerto. Tabela 1. Resultados obtidos pelos algoritmos de regressão. Algoritmo Base de Teste Validação cruzada (10 conjuntos) M5P 1,5406 1,4385 LinearRegression 1,8656 1,6743 Os resultados se mostram promissores se comparados com outros métodos de descoberta de idade gestacional. No caso da regressão, chegou-se a um valor próximo de 1,5 semanas. Os desempenhos dos algoritmos de classificação são aparentemente piores, mas isso se deve ao tipo de discretização. Com uma discretização mais granular (vide próxima seção), observa-se que a distância entre a classe encontrada e a classe correta é semelhante ao valor de erro da regressão. Tabela 2. Resultados obtidos pelos algoritmos de classificação. Algoritmo Base de Teste Validação cruzada (10 conjuntos) REPTree 69,31% 74,51% J4.8 63,63% 74,13% LMT 73,86% 72,97% Contudo, ainda existe uma gama de desafios e dificuldades a serem enfrentados para tornar o método mais robusto e preciso: a necessidade uma coleta sistemática de imagens de recém-nascidos, principalmente prematuros, para ampliar a base a ser analisada; melhoria do processo de obtenção de impressões digitais dos neonatos, (embora tenha havido uma grande evolução da qualidade dos métodos graças aos estudos iniciais do projeto FootScanAge); necessidade de descoberta de novos atributos que ampliem a precisão do método ou que ainda torne o método adaptável a diferentes populações de recém-nascidos, e ; dificuldade de obtenção do padrão-ouro. 4.2 Visualização de resultados Atuando como um sistema de suporte à decisão, a ferramenta FootScanAge tem como objetivo gerar subsídios ao especialista para efetuar um cálculo de escore mais preciso. O usuário final pode tomar a sua decisão com base na distribuição das probabilidades dos algoritmos de classificação ou a partir do valor calculado pelos algoritmos de regressão. Na primeira abordagem, um ou mais algoritmos de classificação são aplicados sobre as características do recém-nascido sendo avaliado e o sistema exibe para cada classe de idade gestacional o percentual de probabilidade ou pertinência para cada classe de IG. O sistema também sugere uma IG ponderando as classes retornadas por cada algoritmo, somando-se a probabilidade calculada para cada classe e normalizandose os valores finais: a classe com maior valor é a idade sugerida. No caso da regressão, um ou mais algoritmos podem ser executados e o escore sugerido final é a média dos valores retornados. 38

7 Figura 3. Apresentação de resultados: exibição tabular das distribuições de probabilidade e gráfico com resultados de regressão/classificação Os resultados são apresentados em um formato tabular e gráfico, combinando as duas abordagens. Embora o sistema calcule uma IG (uma para classificação e outra para regressão), o sistema permite ao usuário avaliar conflitos e incertezas. Algumas imagens, por exemplo, podem possuir características comuns a mais de uma idade gestacional e essa similaridade é evidenciada pelos gráficos e tabelas apresentadas. Na figura 3, é possível observar que cada algoritmo gera uma distribuição de probabilidade diferente, mas a tendência é um idade gestacional em torno de semanas. 5. Conclusão O método FootScanAge é uma inovação em relação aos métodos tradicionais de determinação de idade gestacional pois se trata de um método menos invasivo com regras obtidas diretamente a partir de uma base de dados adaptada a realidade dos hospitais. Para viabilizar a implantação do método, foi desenvolvido um sistema que auxiliasse a execução de todas as etapas do processo e permitisse a manutenção e evolução das regras que auxiliam o especialista no cálculo da idade gestacional. De fato, um dos diferenciais do sistema é o uso da Mineração de Imagens por meio da aplicação de algoritmos tradicionais de aprendizado de máquina a uma base de dados multi-modal, utilizando técnicas de processamento de imagens para obtenção dos atributos de mineração. É importante observar que essas características são derivadas a partir dos dados de baixo nível da imagem (pixels) sem que o usuário complemente ou altere os dados. Outra contribuição da solução adotada é a liberdade de escolha de diferentes algoritmos de mineração (tanto de classificação quanto regressão) e a combinação desses resultados (ensemble). A apresentação combinada dos resultados da mineração, de forma tabular e gráfica, também facilita a tomada de decisão do especialista. A exibição da distribuição das probabilidades dos algoritmos de classificação para cada classe de idade gestacional em conjunto com o valor determinado pelos algoritmos de 39

8 regressão servem de insumo para o especialista determinar o escore da idade gestacional. Desta maneira, o projeto FootScanAge fez um uso promissor e efetivo de técnicas de Mineração de Imagens e, com uma evolução cuidadosa dos modelos de mineração e a adoção do método em diferentes regiões ou países, o sistema tende a aprender modelos cada vez mais robustos e precisos. Além disso, existe a possibilidade de utilizar tanto as características das imagens como também diagnósticos e escores de outros métodos para a geração dos modelos de mineração, permitindo um uso mais amplo da ferramenta. Referências Bellon, O. R. P. Cat, M., Silva, L., Boyer, K. L. (2005) Using computer vision to help the determination of the gestational age of newborns, Academic Radiology, v. 12, n. 5, p Cat, M. (2003) Método FootScanAge para Determinação da Idade Gestacional, Tese de Doutorado em Medicina (Pediatria). Universidade Federal do Paraná, UFPR, Brasil. Orientador: Olga Regina Pereira Bellon Dietterich, T. G. (2000) Ensemble Methods in Machine Learning, Lecture Notes in Computer Science, v.1857, p Fayyad, U. M., Piatestsky-Shapiro, G., Smyth, P. (1996) From Data Mining to Knowledge Discovery: An Overview, In: Advances in Knowledge Discovery and Data Mining, p Gonzales, R. C, Woods, R. E. (2000) Processamento de imagens digitais, Edgard Blücher Landwehr, N., Hall M., Frank, E. (2003) Logistic Model Trees, In: 14th European Conference on Machine Learning, p Quinlan, R. (1992) Learning with continuous classes, In: Proceedings in AI'92, Adams & Sterlings, World Scientific, Singapore, p Quinlan, R. (1993) C4.5: Programs for Machine Learning, Morgan Kaufmann Publishers, San Mateo, CA Schaffer, C. (1993) Selecting a Classification Method by Cross-Validation, Machine Learning, v. 13, p Vieira, E.V.; Bellon, O. R. P., Silva, L. (2002) Mineração de imagens, Revista de Informatica Teórica e Aplicada, Porto Alegre - RS, v. 9, n. 2, p Witten, I. H., Frank, E. (2005) Data Mining: Practical machine learning tools and techniques, 2nd Edition, Morgan Kaufmann, San Francisco Zaïane, O.R., Han, J, Li, Z. (1998) Multimedia-miner: a system prototype for multimedia data mining, In: ACM SIGMOD Conference on Management Data, v. 27, n. 2, p Zhang, J., Hsu, W., Lee, M. L. (2001) Image mining: issues, frameworks and techniques, In: Proceedings of the 2nd International Workshop on Multimedia Data Mining, p