Visualização de Informações Fuzzy para auxílio em diagnósticos

UNIVERSIDADE CATÓLICA DE PELOTAS
CENTRO POLITÉCNICO
PROGRAMA DE PÓS-GRADUAÇÃO EM INFORMÁTICA
Visualização de Informações Fuzzy para
auxílio em diagnósticos médicos
por
André Luiz Silva de Moraes
Dissertação apresentada como
requisito parcial para a obtenção do grau de
Mestre em Ciência da Computação
Orientador: Prof. Dr. Marilton Sanchotene de Aguiar
DM-2009/2-001
Pelotas, agosto de 2009
Dedico. . . este trabalho a todas as pessoas que partilharam minhas angústias e que
puderam dar sua contribuição
em cada momento do curso e da produção deste trabalho.
AGRADECIMENTOS
Toda a conquista não pode ser contestada quando muita luta foi necessária para a
sua glória. De forma alguma poderia deixar de agradecer a ajuda dos que sempre torceram
mesmo que sem poder demonstrar a expectativa, em especial:
A Deus, por iluminar o caminho na pior das situações, sempre encontrando um
momento único em nossas vidas para lembrar de coisas que devemos dar valor e mostrar
o melhor caminho para seguir em frente.
A meus pais, por me educarem com responsabilidade e respeito, e me ensinaram a
dar valor as pequenas coisas e a coisas intangíveis como o carinho, a meu pai que sempre
me orientou nos momentos de desorientação e preocupação e a minha mãe por me dar
o amor de quem sempre torce pelas minhas conquistas mostrando que a distância não é
nada comparado ao amor de mãe.
A minha companheira Betina e seus familiares, que me permitiram recuperar forças nos dias em que pensei que iria desistir, sempre me incentivando e acompanhando os
bons e maus momentos desta caminhada.
Aos meus colegas de trabalho, Edécio Iepsen, Cibele Christ, Rafael Rodrigues,
Eduardo Monks, Guiherme Netto, pela compreensão em momentos difíceis de extrema
tensão e ausência incentivando a prosseguir sem desistir apesar das diversidades e por me
mostrarem que o profissionalismo e a reponsabiidade sempre servirá de exemplo no meio
acadêmico, e demais colegas de trabalho, em especial Daniela Campos, minha grande
amiga, que acompanharam esta caminhada e sempre acreditaram na conclusão desta.
Ao meus grandes mestres profissionais Eduardo Cassal, Mariângela Itturiet, Maristela Kellermann por acompanharem cada passo de minha carreira profissional e confiarem em meu trabalho e dedicação.
Ao meu orientador Marilton Sanchotene, por me aceitar em um momento difícil
e de transição ao longo do curso e me incentivar a não desistir do curso, e aos professores que integram ou integraram a PPGINF - Adenauer Yamin, Andre Du Bois, Renata
Raiser Graçaliz Dimuro, Paulo Luzzardi, Antônio Carlos Rocha, Graçaliz Dimuro pelos
conhecimentos adquiridos.
Aos meus colegas e amigos do mestrado Frederico Corrêa da Silva e Rafael Burla-
marqui pelo constante companheirismo e auxílio nos momentos difíceis do curso e pelas
jogatinas nos momentos de relax, mostrando que estudar sob pressão também pode ser
divertido quando temos consciência do objetivo final.
A UCPEL por fornecer os meios para a pesquisa e publicações de trabalhos em
eventos.
Ao SENAC PELOTAS pelo apoio financeiro e profissional.
Por fim, aos meus amigos e demais pessoas não citadas que partilharam deste
momento e colaboraram com pequenos gestos ou palavras confortantes ao longo desta
conquista.
“ Muitos foram os motivos que sugeriram por várias vezes a derrota ou a
desistência, mas agradeço a essas pessoas que sempre recuperaram gotas de
motivação nas mais simples ou complicadas situações do curso, onde pequenas
palavras e gestos amigos se tornaram fortes escoras de pedra. Serei grato hoje e
sempre.” — A́ L S  M
SUMÁRIO
LISTA DE FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8
LISTA DE TABELAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
LISTA DE ABREVIATURAS E SIGLAS . . . . . . . . . . . . . . . . . . . . .
12
RESUMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
1
INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
1.1
Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
1.2
Organização e estrutura do texto . . . . . . . . . . . . . . . . . . . . . .
19
VISUALIZAÇÃO DE INFORMAÇÕES . . . . . . . . . . . . . . . . . . .
20
2.1
Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
2.2
Conceitos básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
2.2.1
Modelos de Referência para Sistemas de Visualização de Informações . .
23
2.2.2
Caracterização das Informações . . . . . . . . . . . . . . . . . . . . . . .
26
2.2.3
Representação Visual . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
2.3
Classificação das Técnicas de Visualização . . . . . . . . . . . . . . . . .
28
2.4
Técnicas de Visualização . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
2.5
Visualizações Efetivas . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
2.6
Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
LÓGICA FUZZY PARA VISUALIZAÇÃO DE INFORMAÇÕES E DE
DADOS IMPRECISOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
Conceitos Básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
3.1.1
Definição de Incerteza . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
3.1.2
Representações de Incertezas . . . . . . . . . . . . . . . . . . . . . . . .
44
2
3
3.1
3.1.3
Lógica Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.4
Sistemas de Controle Fuzzy . . . . . . . . . . . . . . . . . . . . .
3.2
Visualização de Incertezas . . . . . . . . . . . . . . . . . . . . . .
3.3
Requisitos para a Visualização de Incertezas com a Lógica Fuzzy
3.4
Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
44
51
53
55
60
4 AQUISIÇÃO DE IMAGENS E DENSITOMETRIA ÓSSEA
4.1
Introdução . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2
Diagnóstico por Computador . . . . . . . . . . . . . . . .
4.3
Armazenamento . . . . . . . . . . . . . . . . . . . . . . .
4.4
Modalidades de Aquisição . . . . . . . . . . . . . . . . . .
4.4.1
Raio-x . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4.2
Tomografia Computadorizada . . . . . . . . . . . . . . . .
4.4.3
Ultra-Sonografia . . . . . . . . . . . . . . . . . . . . . . .
4.4.4
Densitometria Óssea . . . . . . . . . . . . . . . . . . . .
4.5
Considerações Finais . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
61
61
61
63
64
65
67
69
69
78
5 PROPOSTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1
As Finalidades Propostas do Projeto . . . . . . . . . . . . . . .
5.2
Modelos Propostos para Visualização . . . . . . . . . . . . . .
5.2.1
Modelo Radar Fuzzy . . . . . . . . . . . . . . . . . . . . . . .
5.2.2
Modelo Radial Fuzzy . . . . . . . . . . . . . . . . . . . . . . .
5.3
Estudos de Caso . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.1
Visualização de Fatores de Risco utilizando o Fuzzy View Radar
5.3.2
Visualização de Densitometria Fuzzy . . . . . . . . . . . . . . .
5.3.3
Considerações Finais . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
79
79
80
82
83
86
87
92
96
CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97
6
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
ANEXO A
PROJETO M-IPE . . . . . . . . . . . . . . . .
A.1 Arquitetura Geral . . . . . . . . . . . . . . . . . . . . . . .
A.2 Módulos da Camada Cliente . . . . . . . . . . . . . . . . . .
A.2.1 Funcionalidades de Especialistas da Área das Ciências Exatas
A.2.2 Funcionalidades de Especialistas da Área da Saúde . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
107
108
112
112
113
LISTA DE FIGURAS
Figura 2.1
Processo Geral de Visualização de Informações . . . . . . . . . . . .
22
Figura 2.2
Modelo pipeline proposto por Haber . . . . . . . . . . . . . . . . . .
23
Figura 2.3
Modelo proposto por (CARD; MACKINLAY, 1997; VALIATI, 2008) 24
Figura 2.4
Tipos de Marcas Visuais (NASCIMENTO; FERREIRA, 2005) . . .
25
Figura 2.5
Propriedades Gráficas das Figuras (NASCIMENTO; FERREIRA,
2005) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
Chernoff Faces - Ilustrando variações dos valores de atributos (LUZZARDI, 2003) . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
O Uso de Glifos para a representação de posições e deslocamentos
(BERNARDES, 2004) . . . . . . . . . . . . . . . . . . . . . . . . .
32
Perspective Wall - Estruturas temporárias interativas (MACKINLAY;
ROBERTSON; CARD, 1991) . . . . . . . . . . . . . . . . . . . . .
33
Técnica TreeMaps com Informações em Excesso (JOHNSON; SHNEIDERMAN, 1991) . . . . . . . . . . . . . . . . . . . . . . . . .
34
Figura 2.10 Técnica Information Slices (ANDREWS; HEIDEGGER, ????) . . .
34
Figura 2.11 À esquerda: Cylindrical Panorama e a visão de tronco e, à direita:
Geometria do algoritmo de warping (visão de topo) . . . . . . . . . .
35
Figura 2.12 Esquerda: Cylindrical Panorama. Exemplo de Philip Morgan, UK.
.
36
. . . . . . . . . . . .
37
Figura 2.14 Coordenadas Paralelas com extrusão (HINNEBURG; KEIM, 1999) .
37
Figura 2.15 Coordenadas Paralelas 3D (HINNEBURG; KEIM, 1999) . . . . . .
38
Figura 2.16 Técnica Table Lens: representação visual de linhas e colunas de dados comprimidas em pixels. (LUZZARDI, 2003) . . . . . . . . . . .
38
Figura 2.17 Técnica Searching with Semantics (JANECEK; PU, 2003) . . . . . .
40
Figura 2.18 Técnica Searching with Semantics - (JANECEK; SCHICKEL; PU,
2005) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
Figura 2.19 Visualizações T-Score na Medicina . . . . . . . . . . . . . . . . . .
41
Figura 3.1
47
Figura 2.6
Figura 2.7
Figura 2.8
Figura 2.9
Figura 2.13 Coordenadas Paralelas (INSELBERG, 1990).
Exemplo de Variável Linguística . . . . . . . . . . . . . . . . . . . .
Figura 3.2
Função de pertinência dos números considerados próximos a 5 . . . .
49
Figura 3.3
Função de Pertinência para pessoas fumantes em cigarros por dia . .
49
Figura 3.4
Função de Pertinência Trapezoidal . . . . . . . . . . . . . . . . . . .
50
Figura 3.5
Função de Pertinência Triangular . . . . . . . . . . . . . . . . . . .
51
Figura 3.6
Função de Pertinência Gaussiana . . . . . . . . . . . . . . . . . . . .
51
Figura 3.7
Funcionamento de um Sistema Fuzzy . . . . . . . . . . . . . . . . .
52
Figura 3.8
Exemplo de Base de Regras . . . . . . . . . . . . . . . . . . . . . .
52
Figura 3.9
Técnica Point Symbols - (a)Saturação (b)crispness nas bordas (c)
transparência no símbolo do centro . . . . . . . . . . . . . . . . . .
54
Figura 3.10 Técnica de Glyphs (PANG, 2001) . . . . . . . . . . . . . . . . . . .
55
Figura 3.11 Técnica Mesh Surfaces . . . . . . . . . . . . . . . . . . . . . . . . .
55
Figura 4.1
Arquitetura do Sistema PACS (PISA, 2003) . . . . . . . . . . . . . .
64
Figura 4.2
Primeiras radiografias da história (SEGRE, 1987) . . . . . . . . . . .
66
Figura 4.3
Densitômetro DPX-IQ Lunar (BRANDãO, 2007) . . . . . . . . . .
71
Figura 4.4
Linha de Ação para tratamento ou Realização de Exames (WA, 2007) 71
Figura 4.5
Pontuação T-Score . . . . . . . . . . . . . . . . . . . . . . . . . . .
73
Figura 4.6
Densitometria Óssea de Quadril . . . . . . . . . . . . . . . . . . . .
74
Figura 4.7
Densitometria Óssea de Coluna . . . . . . . . . . . . . . . . . . . .
75
Figura 4.8
Limiar Farmacológica para Tratamentos . . . . . . . . . . . . . . . .
75
Figura 4.9
Densitometria de Coluna Lombar (BRANDãO, 2007) . . . . . . . .
76
Figura 4.10 Densitometria de Fêmur Proximal (BRANDãO, 2007) . . . . . . . .
77
Figura 5.1
Arquitetura de Interface de Visualizações . . . . . . . . . . . . . . .
81
Figura 5.2
Interfaces de Desenvolvimento . . . . . . . . . . . . . . . . . . . . .
82
Figura 5.3
Fuzzy View Radar - Exemplo com três variáveis modeladas . . . . .
83
Figura 5.4
Fuzzy View Radar - Exemplo com 5 variáveis modeladas . . . . . . .
83
Figura 5.5
Fuzzy View Radar - Exemplo com 7 variáveis modeladas . . . . . . .
84
Figura 5.6
Modelos de gráfico Radar . . . . . . . . . . . . . . . . . . . . . . .
84
Figura 5.7
Visualização Radial Fuzzy . . . . . . . . . . . . . . . . . . . . . . .
85
Figura 5.8
Modelos de representação Esfera Fuzzy . . . . . . . . . . . . . . . .
86
Figura 5.9
Fatores de Risco de Osteoporose e Osteopenia . . . . . . . . . . . .
88
Figura 5.10 Fuzzy View Radar - fatores externos . . . . . . . . . . . . . . . . . .
88
Figura 5.11 Fuzzy View Radar - Visualização do Índice de Tabagismo . . . . . .
90
Figura 5.12 Fuzzy View Radar - Visualização do Índice de Peso . . . . . . . . . .
91
Figura 5.13 Fuzzy View Radar - Visualização do Índice de Sedentarismo . . . . .
91
Figura 5.14 Visualização de Densitometria padrão . . . . . . . . . . . . . . . . .
93
Figura 5.15 Visualização Densitometria Fuzzy . . . . . . . . . . . . . . . . . . .
93
Figura 5.16 Visualização Radial Fuzzy - indícios normais e de osteopenia . . . .
94
Figura 5.17 Visualização Radial Fuzzy - indícios visuais de osteopenia, osteoporose e dados normais . . . . . . . . . . . . . . . . . . . . . . . . . .
Figura 5.18 Visualização Radial Fuzzy - indícios visuais de osteoporose . . . . .
Figura 5.19 Visualização de Densitometria padrão . . . . . . . . . . . . . . . . .
95
95
96
Figura 6.1
99
Visualização MIPE . . . . . . . . . . . . . . . . . . . . . . . . . . .
LISTA DE TABELAS
Tabela 2.1
Tabela 2.2
Classificação de Informações - (FREITAS, 2001) . . . . . . . . . . .
Classes de representações visuais - (FREITAS, 2001) . . . . . . . .
27
29
Tabela 3.1
Origens e causas das informações incertas . . . . . . . . . . . . . . .
56
LISTA DE ABREVIATURAS E SIGLAS
AG
Algoritmo Genético
DMO
Densidade Mineral Óssea
PACS
Picture Archiving and Comunication Systems
HCI
Interaction Human Computer
M-IPE
Medical Information Processing Environment
ACR
American College of Radiology
NEMA National Eletrical Manufactures Association
CAD
Computer Aided Diagnosis
HUSFP Hospital Universitário São Francisco de Paula
TC
Tomografia Computadorizada
PET
Positron-Emission Tomography
DEXA Dual-Energy X-Ray Absorpiometry
PACS
Picture Archiving and Communication System
RIS
Radiology Information System
HIS
Hospital information system
RMN
Ressonância Magnética Nuclear
PET
Positron-Emission Tomography
SPECT Single-Photon Emission Tomography
RESUMO
O crescimento das inovações tecnológicas na ciência da computação e a grande
quantidade de dados gerados no meio digital excedem a capacidade de compreensão humana nos dias atuais e repercute na necessidade do desenvolvimento de aplicações que
possam transformar os dados em informações relevantes. Na medicina o crescente uso de
programas de computador para auxílio ao diagnóstico médico impulsiona o volume de informações produzidas nos hospitais e centros médicos, resultantes do armazenamento de
dados dos pacientes. Estas informações necessitam ser armazenadas e indexadas de forma
inteligente e segura, caracterizando-se como peças fundamentais no diagnóstico clínico.
São diversos fatores que podem alterar os resultados de análises clínicas, como por exemplo o estresse gerado pelo volume de análises realizadas diariamente pelos profissionais
da medicina, e é evidente que os diagnósticos podem sofrer riscos de imprecisão por
parte do especialista (MCMANUS IC., 2004). Técnicas que possam auxiliar a diagnosticar doenças de forma preditiva e melhor aproveitar dados armazenados em computadores
podem também reduzir a taxa de possíveis falhas humanas neste processo. A área de Visualização de Informações vai ao encontro destas premissas tendo como finalidade atingir
uma representação visual que permita ao mesmo tempo aproveitar e visualizar a maior
quantidade de informações possível sem exceder visualmente a compreensão humana,
permitindo a maior interação possível do usuário.
Este trabalho faz referência a um projeto maior denominado M-IPE (Medical Information Processing Environment), que propõe o desenvolvimento de um ambiente para
o processamento de informações médicas para inicialmente realizar a análise de imagens
de raio-x e definir através destas a extração das características de doenças como a osteoporose e osteopenia. Neste contexto, a presente dissertação tem como objetivo principal
propor um modelo para a visualização de informações fuzzy de imagens médicas, através
do estudos de caso sobre as técnicas de visualização de informações agregadas às técnicas de visualização de incertezas. O modelo desenvolvido neste trabalho contribui para
a exploração de técnicas eficientes de auxílio ao Diagnóstico Auxiliado por Computador
(CAD) de forma a contribuir com novos modelos para a área da ciência da computação
que atingir novos resultados de diagnóstico para a medicina.
Palavras-chave: Visualização de Informações, Conjuntos Fuzzy, Informática Médica,
Sistemas de Informação, Imagens Médicas.
TITLE: “A PROPOSAL OF A METHOD FOR THE VISUALIZATION OF FUZZY
INFORMATION FROM IMAGE PROCESSING”
ABSTRACT
The growth of technological innovations in computer science and large amount
of data generated in the digital environment exceeds the capacity of human understanding today and echoed the need for development of applications that can transform data
into relevant information. In medicine the increasing use of computer programs to aid
medical diagnosis drives the volume of information generated in hospitals and medical
centers, resulting from the storage of data of patients. This information needs to be stored
and indexed in a smart and safe way, characterizing themselves as key components in
the clinical diagnosis. There are several factors that can alter the results of clinical tests,
such as the stress generated by the volume of tests performed daily by professionals in
medicine, and it is clear that the diagnosis may have risk of inaccuracy by the specialist. Techniques that can help diagnose diseases in predictive and better use data stored in
computers can reduce the rate of possible human error in this process. The area called
visualization of information has the premisse of to achieve a visual representation allowing at the same time enjoy and see the greatest amount of information possible without
exceeding human understanding visually, allowing the greatest possible interaction of the
user.
This work refers to a larger project called M-IPE (Medical Information Processing Environment), which proposes the development of an environment for the processing
of medical information to initially carry out the analysis of x-ray images defined by the
extraction of these features of diseases such as osteoporosis and osteopenia. In this context, this dissertation aims to propose a model for the visualization of fuzzy information
of medical images through the case studies on techniques for display of aggregate information on techniques of visualization of uncertainties. The model developed contributes
to the efficient operation of the Computer Aided Diagnosis (CAD), with new models for
the area of computer science and new tools of diagnosis for medicine.
Keywords: Information Visualization, Fuzzy Sets, Image Processing, Medical Informatics, Information Systems.
16
1
INTRODUÇÃO
Nos dias atuais o computador tem estado presente em praticamente todas as ciências, e é comum a produção e disponibilização exponencial de conteúdo digital nos mais
variados formatos. Repositórios com volumes de dados cada vez maiores foram disponibilizados pelo desenvolvimento tecnológico, criando importantes fontes de informação
em diversas áreas da atividade humana. O excesso de informações é considerado um dos
principais problemas da HCI ( Interaction Human Computer) nos dias atuais. A internet
provê o acesso a milhões de documentos, dados, informações dos mais variados assuntos
em poucos segundos (CARR, 1999). Em (VALIATI, 2008) estima-se que o volume de
informações produzidas nos últimos trinta anos é maior do que o volume inteiro de dados
na história da civilização e um dos problemas que os usuários de computador enfrentam
diariamente é a forma com a qual dispõem tantos dados ao mesmo tempo.
A descoberta de conhecimento a partir de grandes volumes de dados tem sido objeto de estudo em diversas áreas, dentre elas a Visualização de Informação, cujas técnicas
visam contemplar as diversas etapas do processo de representação visual de volumes de
dados. As técnicas de visualização de informação podem ser utilizadas em inúmeras atividades de análise visual e exploração de dados, em diferentes domínios. Combinando
aspectos de computação gráfica e interfaces HC(Human Computer), as técnicas de visualização permitem a apresentação de dados de forma gráfica de modo que o usuário possa
utilizar a sua percepção visual para melhor compreender e analisar as informações. Tais
representações buscam não apenas divulgar ou apresentar dados e resultados, mas prover
mecanismos que possibilitem ao usuário interagir com a informação, explorando-a visualmente. Assim, a partir das relações espaciais exibidas e dos mecanismos de interação
disponibilizados, o usuário poderá interpretar e compreender as informações apresentadas, agregando novas descobertas de conhecimentos antes não perceptíveis (VALIATI,
2008).
Na área médica a tecnologia permite a geração e disponibilização de informações
digitais muito rapidamente. Centros clínicos visam melhorar a qualidade dos serviços
e o atendimento aos pacientes e buscam integrar seus sistemas de informação seguindo
17
padrões adotados mundialmente como os sistemas de informações hospitalares (hospital
information system - HIS), sistemas de informação em radiologia (radiology information
system - RIS) e sistema de comunicação e armazenamento de imagens (picture archiving
and communication system - PACS) (CARITA; MATOS; MARQUES, 2003).
Uma área da medicina que possibilita a aplicação de métodos computacionais envolvendo imagens é a área da radiologia, onde o diagnóstico por imagem e prognóstico
dos estados de saúde e doença são buscados com o uso de tecnologias de produção e análise de imagens e, atualmente, existem inúmeros equipamentos capazes de produzirem
imagens, tais como a Radiografia, a Mamografia, Ultra-Sonografia, Tomografia Computadorizada, Ressonância magnética, Angiografia e a Densitometria Óssea, tornando a
especialidade bastante complexa. Mesmo que estes equipamentos possuam softwares que
analisam os resultados de análises demonstrando aos profissionais informações de detalhes nos exames, muitos destes sistemas carecem de recursos que viabilizem uma melhor
visualização das informações geradas pelo computador para auxiliar em diagnósticos nos
procedimentos médicos (NETTO; OLIVEIRA, 2004). Muitos destes métodos utilizam
parâmetros considerados padrões para a visualização de resultados desconsiderando variantes externas que, quando agregadas aos resultados, podem produzir diagnósticos mais
precisos (CARDOSO, 2006).
O presente trabalho é fruto de uma demanda do Hospital São Francisco de Paula
(HU), onde são realizados exames para o tratamento e prevenção da doença de Osteoporose em diferentes faixas etárias de pacientes. Para análises deste tipo, grandes centros
de tratamento utilizam um equipamento denominado densitômetro que mede a densidade
óssea com precisão revelando fatores que implicam em diagnósticos de osteopenia e posteriormente osteoporose. Partindo do fato que o HUSFP não possui o densitômetro ósseo,
e que esse tipo de equipamento é importantíssimo para o diagnóstico da Osteopenia, estágio inicial da osteoporose, surgiu a proposta do desenvolvimento de uma ferramenta
computacional alternativa a este equipamento utilizando imagens adquiridas a partir de
raio-X convencional viabilizando o diagnóstico e a administração de terapia com custo
operacional reduzido e, ao mesmo tempo, uma ferramenta que pudesse visualizar os resultados obtidos no processamento das imagens levando em consideração fatores clínicos,
que hoje ainda não são considerados em equipamentos tradicionais, a exemplo a avaliação
da precisão das análises.
Buscou-se a participação do Hospital Universitário São Francisco de Paula
(HUSFP) como laboratório para os experimentos destas idéias e encontrou-se junto à
Direção Técnica do HUSFP, especialmente no Dr. Ernesto Nunes, a disponibilização e a
colaboração para a proposta e o desenvolvimento deste Projeto.
Mais especificamente, o projeto foi dividido em duas partes:
• Implementação do Algoritmo Evolutivo para as análises das imagens:onde se
18
realiza a análise das imagens produzindo resultados de acordo com a calibração
feita inicialmente pelos profissionais. São empregados algoritmos genéticos para
as análises, ou seja, métodos baseados na teoria da evolução nos quais as variáveis
são representadas como genes de um cromossomo, buscando resolver problemas de
otimização onde o espaço de busca é muito grande e os métodos convencionais não
se demonstram eficientes. Estes métodos se mostram bastante eficazes para a busca
de parâmetros em imagens digitais de raio-x, que possuem características visuais,
como cores em tons de cinza, que permitem realizar a busca de tons em pixels de
acordo com as imagens em questão
• Visualização das Informações e o Tratamento das Incertezas:Constitui o escopo
deste trabalho, as técnicas de visualização usam atributos visuais que possibilitam
o aproveitamento da informação armazenada, provendo aos profissionais recursos
visuais como por exemplo a visualização das regiões críticas que demonstrem indícios de osteoporose, comparativos com imagens onde o nível de cálcio é alto, histórico de análises anteriores, comparativos de exames periódicos para um dado paciente, recursos que os auxiliem na elaboração de diagnósticos mais precisos. Para
isso, foram pesquisadas técnicas de visualização de informação que visam tratar
informações incertas e imprecisas com o uso de técnicas da lógica fuzzy. Existem
diversos métodos em desenvolvimento que adotam a visualização de informações
como coordenadas paralelas (BERTHOLD; HALL, 2003), visualização de clusters fuzzy,interpolação de dados de entrada (KYRYAKIDIS, 2006) entre outros,
que utilizam principalmente as técnicas fuzzy abordadas neste trabalho.
Neste âmbito, a contribuição esperada deste trabalho visa a popularização deste
tipo de análise, possibilitando ao HUSFP e outras unidades básicas de saúde a terem
acesso a esta tecnologia, uma vez que equipamentos de raio-X estão bastante difundidos
na Rede de Saúde. A participação do HUSFP no desenvolvimento deste trabalho, foi de
suma importância para agregação de conhecimento relativo ao uso e disponibilização de
imagens do setor de Radiologia. A partir deste trabalho, pode-se obter um conjunto de
imagens para a parametrização dos modelos e para o estabelecimento das classes e dos
graus de radiação emitidas pelos equipamentos de raio-x. Além disso uma ferramenta
computacional desempenharia tarefas de armazenamento e diagnóstico clínicos equiparados aos métodos tradicionais, servindo como alternativa ao densitômetro e contribuindo
para a otimização de atendimentos em pequenos centros clínicos.
19
1.1
Objetivos
Este trabalho tem como objetivo o estudo das técnicas de visualização de informações e o desenvolvimento de um método para a visualização de informações utilizando
técnicas de visualização fuzzy para o tratamento de incertezas e atributos visuais para
representar componentes de diagnósticos comportamentais tais como estilo de vida dos
pacientes que serão levados em consideração para a definição do tratamento clínico.
Mais especificamente, pretende-se obter:
• Uma análise das técnicas de visualização presentes na literatura apropriadas no âmbito deste trabalho;
• Uma proposta de uma técnica de visualização de informações fuzzy;
• Uma arquitetura integrada ao projeto M-IPE que atenda as necessidades do projeto.
• Uma interface protótipo para testes e validação dos modelos propostos.
1.2
Organização e estrutura do texto
Esta dissertação está organizada em 6 capítulos: no capítulo 2 são demonstrados
conceitos sobre a visualização de informações e algumas técnicas existentes de visualização. No capítulo 3 são apresentados conceitos sobre a visualização de informações para
dados imprecisos com o uso de lógica fuzzy, incluindo conceitos sobre sistemas fuzzy. No
capítulo 4 são demonstradas operações realizadas com imagens na medicina com um enfoque no método de densitometria óssea e demais métodos de aquisição de imagens. No
capítulo 5 é apresentada a proposta juntamente com os estudos de caso propostos. E, por
fim, são apresentadas as conclusões e as referências bibliográficas pesquisadas durante a
realização deste trabalho.
20
2
VISUALIZAÇÃO DE INFORMAÇÕES
Este capítulo apresenta um estudo sobre a área de visualização de informações,
abordando conceitos e modelos de referência de pesquisadores importantes da área, e
uma descrição sobre métodos de visualização existentes atualmente que servirão de base
para uma melhor compreensão deste trabalho.
2.1
Introdução
O avanço das tecnologias de informação, dos equipamentos de imagens em geral
e dos computadores, possibilita a construção de sistemas cada vez mais complexos, que
podem oferecer informações mais precisas e ricas em relação a sua qualidade de apresentação, ao utilizarem recursos gráficos semelhantes aos do mundo real. Usuários acessam,
todos os dias, grandes volumes de informação, dentre elas, muitas se tornam irrelevantes
e desnecessárias ao seu contexto de interesse. Dessa forma, a sobrecarga de informações é uma das principais preocupações na representação dos resultados obtidos por meio
de mecanismos de busca e recuperação de informações. Há necessidade não só de uma
análise seletiva anterior, em relação às informações necessárias a serem obtidas, como,
também, da qualidade dos dados a serem trabalhados para a representação em estruturas
de Visualização da Informação.
A visualização de Informações é uma área da Computação Gráfica que procura representar informações graficamente, permitindo uma melhor compreensão de um grande
volume de informações, geralmente obtidas a partir da mineração de dados em enormes
bancos de dados, textos, hiperdocumentos, etc. (IEPSEN, 2008). Permite também identificar padrões ou ainda detectar novas informações até então desapercebidas devido sua
forma de apresentação. A visualização gerada deve permitir a interação do usuário –
sendo ele o sujeito da operação. Também, de acordo com (CARR, 1999) a Visualização
da Informação é a apresentação de dados abstratos em uma forma vívida, de modo que o
usuário possa utilizar a sua percepção visual para avaliar e analisar os dados. A principal finalidade destes sistemas é tornar mais fácil aos usuários compreender, interpretar e
21
manipular grandes quantidades de dados (LUZZARDI, 2003).
2.2
Conceitos básicos
A Visualização de Informações é definida por (LUZZARDI, 2003) como um conjunto de uma ou mais técnicas de visualização que geram representações ou metáforas
visuais para exibir um conjunto de informações associado a um conjunto de mecanismos
de interação, os quais permitem operar sobre estas representações visuais numa interface
gráfica.
Paralelamente a área de Visualização de Informações frequentemente é utilizado o
termo Visualização Científica onde, particularmente, os modelos gráficos são construídos
a partir de dados mensurados ou simulados representando objetos físicos ou fenômenos
associados a posições em um domínio espacial (VALIATI, 2008). Neste contexto, os
dados científicos podem constituir valores numéricos, não possuindo uma forma de representação padrão. Uma vez que não exista uma geometria definida para a representação
de grandezas físicas (CARMO, 2002).
Ambos os tipos de visualização estão voltados para o processo de descoberta, de
percepção e de tomada de decisão, mais do que para uma simples observação de figuras. Seus objetivos são ampliar as atividades cognitivas, melhorando o entendimento e
aproveitamento do que é exposto e levando à aquisição e solidificação do conhecimento.
Apesar da similaridade, na Visualização de Científica os dados a serem apresentados geralmente correspondem a medidas de objetos físicos, fenômenos da natureza ou posições em um domínio espacial, possuindo, assim, uma representação geométrica. Como
exemplo de visualizações nessa linha, pode-se citar a visualização de orgãos do corpo humano, de fluidos em movimento e, até mesmo, de funções matemáticas (NASCIMENTO;
FERREIRA, 2005). Já na Visualização de Informações, os dados são abstratos, não havendo necessariamente uma representação geométrica inerente aos mesmos. Neste caso,
uma imagem deve ser gerada com base nos relacionamentos ou informações que podem
ser inferidas acerca dos dados. Alguns autores indicam a necessidade de se utilizar um
limiar entre as duas classes de aplicações (LUZZARDI, 2003).
O processo de visualização de informações pode ser generalizado em um processo
automatizado, onde uma imagem é produzida através da coleta de dados abstratos; um
processamento por meio de uma ferramenta computacional de visualização de informações; e, a geração da representação visual a ser apresentada pelo usuário. Este processo é
apresentado na Figura 2.1.
A ferramenta de visualização possui um importante papel no processo de interpretação das informações por parte do usuário, pois deverá utilizar metáforas visuais que melhoram a representação da informação. Estas metáforas deverão representar exatamente
22
Figura 2.1: Processo Geral de Visualização de Informações
qual a visão de interpretação que se deseja atingir e permitir ao máximo a interação do
usuário para uma melhor análise dos resultados.
Pode-se classificar os dados abstratos a serem visualizados nas seguintes categorias (NASCIMENTO; FERREIRA, 2005):
• Nominal - conjunto de elementos distintos, sem uma relação de ordem entre eles.
• Ordinal - conjunto de elementos distintos, mas com uma relação de ordem entre os
mesmos.
• Quantitativo - faixa de valores numéricos. Podendo ser dividida em Intervalos
(com Valores Discretos) e Razão (representando uma faixa contínua de valores).
Segundo (VALIATI, 2008; LUZZARDI, 2003), algumas técnicas de visualização
de informações podem apresentar diversos problemas de usabilidade inerentes aos sistemas interativos, muitos deles decorrentes de aspectos da representação visual (como a
oclusão de objetos, desorientação espacial, sobrecarga visual, etc). Estes problemas podem prejudicar a interpretação das informações por parte dos usuários. Para conter estes e
outros problemas, existe a constante preocupação em aplicar e, eventualmente definir, métodos de avaliação que permitam melhor analisar as principais características fornecidas
pelas técnicas de visualização de informações.
Projetar um software capaz de retornar informações relevantes em sua totalidade
pode tornar-se um desafio quando levado em conta aspectos como a usabilidade. O projeto
de sistemas de visualização de informações é uma atividade complexa, pois envolve pelo
menos dois aspectos fundamentais. No primeiro aspecto tem-se os ítens: a) identificar
a melhor forma de mapear as informações para uma representação visual que facilite a
compreensão e a interpretação dos dados por parte dos usuários e b) fornecer mecanismos
de interação aos usuários, para que esses tenham condições de manipular de forma fácil
e eficiente a representação visual. O segundo aspecto está ligado diretamente às questões
de projeto de interfaces e de avaliação da usabilidade de sistemas (VALIATI, 2008).
Diversos autores utilizam taxonomias para classificarem os diferentes sistemas de
visualização de informações. A seguir serão descritos modelos de referência que foram
23
desenvolvidos para definir meios ou critérios de se referir as informações e realizar a
visualização de forma a aproveitar a maior quantidades de dados possível.
2.2.1
Modelos de Referência para Sistemas de Visualização de Informações
A criação de visualizações tem sido feita sem a utilização de quaisquer métodos
formais de projeto, engenharia ou avaliação (VALIATI, 2008), embora algumas tentativas
de formalizar este processo tenham sido propostas por diversos autores como (CARD;
M.; SHNEIDERMAN, 1999). O emprego de modelos pode oferecer referências importantes de como criar visualizações a partir de dados brutos, identificando-se componentes
essenciais a serem considerados na utilização de uma determinada técnica ou no desenvolvimento de uma nova, como também, pode prover uma base objetiva para a comparação
de efetividade de diferentes visualizações no cumprimento de certas tarefas.
Em (HABER; MCNABB, 1990) é demonstrado um modelo de visualização que
permite a identificação dos componentes essenciais a serem considerados na utilização de
uma determinada técnica, e demonstra um Pipeline simples de acordo com a Figura 2.2.
Figura 2.2: Modelo pipeline proposto por Haber
Os dados sofrem uma filtragem, para redução do conjunto de dados a ser exibido,
e mapeamento para alguma representação geométrica, a qual, finalmente, passa por um
processo de geração de imagem (rendering).
Em (CARD; MACKINLAY, 1997; VALIATI, 2008), é sugerido um modelo de
estrutura para o processo de visualização, descrevendo-o como um mapeamento dos dados brutos para uma representação visual, controlado por meio de interações do usuário
nas diferentes etapas do processo. O processo é demonstrado de forma sucinta na Figura
2.3.
24
Figura 2.3: Modelo proposto por (CARD; MACKINLAY, 1997; VALIATI, 2008)
Como demonstrado na Figura 2.3, a concepção de estruturas de Visualização da
Informação é iniciada pela Organização dos dados brutos em uma tabela de dados, chamada de entidade, a partir da qual se constrói uma estrutura visual a fim de representar as
informações presentes na entidade, como: gráficos de barra, setores, diagramas, esquemas e mapas. Esta organização pode envolver a eliminação de dados redundantes, errados
ou incompletos, bem como a filtragem e o agrupamento de dados relevantes. Além disso,
pode ser feita a inclusão de novas informações, como por exemplo, de resultados de análises estatísticas (média, soma total, desvio padrão, etc) realizadas sobre os dados brutos.
Uma forma comum de organizar os dados em tabelas é alocar uma linha para cada dado e
uma coluna para cada atributo diferente dos dados. Dessa forma, a quantidade de linhas
informa o número total de dados a serem visualizados, e o total de colunas representa a
dimensão dos dados.
A segunda etapa, denominada de Mapeamento Visual, possui a tarefa de construir
uma estrutura visual que represente visualmente os dados da tabela. Toda a estrutura
visual pode ser decomposta em três partes:
• Substrato Espacial: caracteriza o espaço para a visualização, normalmente representado por eixos, tais como os eixos X e Y do plano cartesiano. E é composto por
4 tipos elementares de eixos:
– U: eixo não estruturado (ou sem eixo),
– N: eixo nominal (região dividida em subregiões),
– O: eixo ordenado (região dividida em subregiões, onde a ordem das mesmas
tem importância)
25
– Q: eixo quantitativo (a região tem uma métrica).
• Marcas Visuais: consistem em símbolos gráficos utilizados para representar os
itens de dados, como pontos (figuras geométricas simples), linhas, áreas, volumes e
figuras complexas (também chamadas de ícones e glyphs), demonstradas na Figura
2.4.
Figura 2.4: Tipos de Marcas Visuais (NASCIMENTO; FERREIRA, 2005)
• Propriedades Gráficas das Marcas: são atributos visuais que caracterizam as
marcas. Consiste em associar ítens de dados a marcas visuais em um substrato
visual. Alguns exemplos de propriedades gráficas das marcas são demonstrados na
Figura 2.5.
A última etapa consiste nas Transformações Visuais, onde é possível modificar e
estender as estruturas visuais interativamente através de operações básicas como:
• Testes de localização, que possibilitam obter informações adicionais sobre um item
da tabela de dados;
• Controles de ponto de vista, os quais permitem ampliar, reduzir e deslocar a imagem
com o objetivo de oferecer visões diferentes;
• Distorções da imagem, visando criar ampliações de uma região específica em detrimento de outra.
26
Figura 2.5: Propriedades Gráficas das Figuras (NASCIMENTO; FERREIRA, 2005)
Os mecanismos de interação implementados nesta etapa permitem ao usuário explorar diferentes cenários para um melhor entendimento dos dados visualizados. Além
disso, o esforço de exploração dos dados é repassado em parte para o computador, uma
vez que os cálculos e o redesenho de imagens são realizados pela máquina, deixando para
o usuário a tarefa de observar o que acontece quando a visualização se modifica. Em
tese, após todo o processo de geração de uma visualização pode-se afirmar que o sistema
de visualização deverá conseguir gerar uma imagem, que acione o sistema perceptivo do
usuário. Este pode manipular a estrutura visual de várias maneiras (transformações de visões), ou seja, criam-se as visões que permitem ao usuário observar as estruturas visuais
sob algum enfoque específico e tomar alguma decisão ou realizar alguma ação (Tarefa).
Alguns autores como (SHNEIDERMAN, 2006) e (VALIATI, 2008) exploram
estudos que visam abordar métodos de visualização de informações multidimensionais.
Para o projeto em questão, são utilizadas técnicas de visualização de informações com o
uso de Lógica Difusa (Lógica Fuzzy), detalhadas mais adiante neste trabalho. A seguir,
serão demonstradas algumas das técnicas de visualização de informações existentes para
uma melhor compreensão do projeto em questão.
2.2.2
Caracterização das Informações
Informações descrevem fenômenos (ou processos) ou entidades que são objeto de
estudo ou análise. Desta forma, informações correspondem a atributos que podem ser
27
caracterizados de acordo com diferentes critérios. A identificação destas características é
a consideração inicial a ser feita na escolha de uma técnica de visualização para um dado
domínio de aplicação.
Ao considerar uma entidade ou elemento de um domínio de aplicação como caracterizado por um conjunto de dados(ou informações), estes correspondem a atributos
que podem ser classificados de acordo com os seguintes critérios: classe de informação,
tipo de valores, natureza e dimensão do domínio. Estas propriedades estão dispostas
de acordo com a Tabela 2.1 e serão detalhadas a seguir.
Tabela 2.1: Classificação de Informações - (FREITAS, 2001)
Critério
Classe
Exemplo
Classe de Informação
Característica
Escalar
Vetor
Tensor
Relacionamento
Alfanumérico
Numérico
Símbolo
Discreto
Contínuo
Contínuo-Discretizado
1D
2D
3D
n-D
Gênero
Temperatura
Grandeza física associada a um fluido
Grandeza física associada a um fluido
Link em um hiperdocumento
Gênero
Temperatura
Link em um hiperdocumento
Marcas de automóvel
Superfície de um terreno
Anos (tempo discretizado)
Medida de uma grandeza de tempo
Superfície de um terreno
Volume de dados médicos
Dados de uma população
Tipos dos valores
Natureza do domínio
No critério Classe de informação, pode-se perceber na Tabela 2.1 que existem
atributos representando: Uma característica, simbolizando valores de um grupo restrito de
elementos, podendo ou não apresentar uma ordem natural entre os seus elementos; uma
propriedade com valores escalares, vetoriais ou tensoriais, que assumem valores inteiros
ou reais, dentro de um certo intervalo; ou a existência de relacionamentos (hierarquia ou
ligação) entre as entidades.
No critério Tipos de valores, atributos assumem valores alfanuméricos ou numéricos, em quantidade finita ou infinita. Ou podem ser compostos de valores simbólicos,
representando a identificação de uma entidade ou fenômeno relacionado.
Em Natureza do domínio, os dados podem estar em um domínio discreto, restrito
a um conjunto finito ou infinito de elementos ou em um domínio contínuo, onde existem
valores definidos para todos os elementos continuamente, ou ainda contínuo discretizado,
onde constitui-se uma amostragem de domínio contínuo com determinação temporal de-
28
finida.
Ainda, os dados podem ser também categorizados seguindo o critério Dimensão, refletindo o número de dimensões do espaço-domínio onde determinado objeto está
definido. O espaço pode ainda ser unidimensional (1D), bidimensional (2D) ou tridimensional (3D). Quando as dimensões variam ou constituem mais de 3, são referidos como
n-dimensional, multidimensional ou multivariável conforme (CARD; M.; SHNEIDERMAN, 1999).
2.2.3
Representação Visual
No desenvolvimento de sistemas de visualização de informações, o grande desafio é criar metáforas visuais que efetivamente representem claramente as informações,
pois representações visuais correspondem a modelos gráficos, figuras ou imagens utilizadas para mapear graficamente conjuntos de dados a serem explorados e/ou analisados,
e podem variar desde gráficos tradicionais a complexos diagramas fazendo referência a
relacionamentos e conceitos abstratos (VALIATI, 2008).
Uma representação visual é uma figura ou imagem que representa graficamente
um conjunto de dados e que, portanto, auxilia o usuário a perceber visualmente características desses dados. São objetos visuais necessários nas tarefas de exploração e análise da
informações. Uma representação visual deve ser adequada ao tipo de informação que será
exibida. De acordo com (GERSHON; EICK, 1995), as representações visuais podem ser
classificadas nas categorias: gráficos, glifos e objetos geométricos, mapas e diagramas,
conforme Tabela 2.2.
2.3
Classificação das Técnicas de Visualização
Diversos autores apresentam diferentes classificações para as técnicas de visualização como: as taxonomias apresentadas por (NORTH, 1998) e (OLIVEIRA; LEVKOWITZ, 2003) , as classificações empregadas em (CARD; M.; SHNEIDERMAN,
1999) e (OLIVEIRA; LEVKOWITZ, 2003) e as categorizações sugeridas por (KEIM;
BERGEROM R. D., 1994) para técnicas de visualização de dados multidimensionais e
por (WONG; BERGERON, 1997) específicas para técnicas de visualização científica.
No contexto do desenvolvimento da ferramenta deste trabalho a abordagem proposta por (CARD; M.; SHNEIDERMAN, 1999) agrupa as aplicações em quatro níveis.
No primeiro nível estão ferramentas que proveem aos usuários o acesso visual a coleções
de informações externas ao seu meio imediato, como dados da internet ou de base de
dados on-line em um servidor. No segundo nível estão as ferramentas que visam apoiar
os usuários na execução de tarefas, criando representações visuais altamente interativas.
O terceiro nível é composto de ferramentas visuais de extração do conhecimento, que
29
Tabela 2.2: Classes de representações visuais - (FREITAS, 2001)
Classe
Tipo
Utilização
Gráficos 2D, 3D
de pontos
circulares
de linhas
Representação da distribuição
dos elementos no espaço domínio
ou representação da
dependência-correlação
Ícones
de barras
de superfícies (para 3D)
Elementos geométricos
2D
Representação de entidades num contexto ou representação de grupos de
atributos de diversos tipos
ou 3D diversos
Glifos
Objetos Geométricos
Mapas
Diagramas
de pseudo-cores
de linhas
de superfícies
de ícones, símbolos diversos
Nodos e Arestas
Marcas de automóvel
Superfície de um terreno
Anos (tempo discretizado
Representação de grupos de atributos
(categorias, escalares, vetoriais, tensoriais
Representação de relacionamentos diversos:
É-um, É-parte-de, Comunicação,
Sequência, Referência, etc.
30
descrevem representações, de forma que os usuários possam determinar e extrair relacionamentos dos dados. No quarto nível, enquadram-se aplicações que mostram objetos
visualmente realçados, cujo foco é revelar mais informações sobre um objeto usando uma
forma visual intrínseca (VALIATI, 2008).
Para ilustrar o terceiro nível são detalhadas as ferramentas que referem-se à dimensionalidade das representações de dados utilizada, que segundo (VALIATI, 2008)
são:
• Físicas (ou naturais): referentes à representação de dados típicos da Visualização
Científica, que possuem uma correspondência direta com objetos, fenômenos ou
posições do mundo real. Desta categoria fazem parte todas as técnicas destinadas
à construção e visualização de representações 3D de objetos do mundo físico, tais
como: visualização de moléculas e proteínas, imagens do corpo humano, mapas
topográficos, etc.
• 1D, 2D, 3D: relativas a representações visuais, que codificam informações através
do posicionamento de símbolos ou marcas em espaços uni, bi ou tridimensionais.
Estruturas 1D podem ser observadas na representação de dados temporais como,
por exemplo, em linhas do tempo. Estruturas visuais 2D e 3D são, usualmente, encontradas em gráficos tradicionais (de barras, pontos, linhas e círculos) e utilizadas
para representar dados físicos, como também, informações abstratas.
• Árvores e Redes: correspondem às técnicas que estabelecem uma hierarquia para a
exibição dos dados, independente destes apresentarem ou não uma estrutura hierárquica inerente. Constituem, geralmente, de nodos representando dados e ligações
indicando o relacionamento nodos. Tais estruturas são empregadas para representar, por exemplo, taxonomias, organizações, gerenciamento de tráfego espaço em
disco ou estruturas de informações na web.
• Multidimensionais: caracterizadas por ambientes de visualização que manipulam
dados geralmente abstratos contendo vários atributos a serem mapeados em estruturas visuais 1D, 2D ou 3D. Nesta categoria enquadram-se técnicas de projeção
geométrica, iconográficas e orientadas a pixel.
2.4
Técnicas de Visualização
A seguir serão apresentadas diversas técnicas de visualização que se encaixam no
contexto deste trabalho e demais técnicas que demonstram o avanço da área de visualização de informações, fundamentando os princípios demonstrados até o momento. Para
tanto, foram pesquisadas técnicas que reúnem características de visualização direcionadas
31
para a área de Visualização de Informações, e também técnicas que possam ser utilizadas
na área médica e dentro do propósito deste trabalho.
Visualização de Características e Valores Diversos: Segundo (LUZZARDI, 2003) em
geral, características e valores diversos são exibidos em gráficos ou mapas dos mais
variados tipos, desde os tradicionais gráficos de pontos ou linhas e mapas utilizando
cores, conjunto de ícones, ou glifos, dispostos de acordo com o espaço-domínio.
Glifo constitui um objeto geométrico que, representando uma entidade ou elemento
de amostragem, tem a forma e outros atributos visuais determinados pelos valores
dos atributos da entidade.
O conjunto de Faces de Chernoff (Chernoff Faces) (CHERNOFF, 1973) é um
exemplo de métodos de visualização de Glifos demonstrado na Figura 2.6.
Figura 2.6: Chernoff Faces - Ilustrando variações dos valores de atributos (LUZZARDI,
2003)
A Figura 2.7 ilustra o uso de técnicas de glifos animados para representar as posições e deslocamentos de vórtices discretos formando uma esteira. Glifos podem
ainda ser utilizados para representar valores associados a fenômenos da natureza
como vento, água, etc., desde que estes possam ser discretizados.
Cada ícone corresponde às linhas irregulares dispostas de forma circular que são, na
realidade, gráficos de linha mostrando a variação de determinados valores ao longo
do tempo (indicado pelas setas). Exemplos de tais valores são número de linhasfonte adicionadas ao código do sistema, número de linhas removidas, número de
erros detectados, etc. Assim, sistemas estáveis têm as linhas mais horizontais do
32
Figura 2.7: O Uso de Glifos para a representação de posições e deslocamentos (BERNARDES, 2004)
que sistemas que sofrem contínuas alterações, o que pode ser facilmente observado
pelo usuário.
Perspective Wall: Desenvolvido por (MACKINLAY; ROBERTSON; CARD, 1991) utiliza diferentes formas de visualização em 2D e 3D, integrando uma região para visualização de detalhes com regiões em perspectiva para visualização de contexto.
Demonstrado em (LUZZARDI, 2003), este método foi proposto para visualizar vários tipos de estruturas temporárias de informações, incluindo sistemas de arquivos
e documentos. A técnica suporta animações interativas 3D e efeitos visuais como
brilho (highlighting) e sombreamento (shading) que auxiliam a percepção visual
3D e a localização do usuário na estrutura linear. Tem como vantagem manter sempre o contexto, fazendo com que o usuário não perca a localização das informações.
O método é demonstrado na Figura 2.8.
TreeMaps: A técnica TreeMaps, desenvolvida por Ben Shneiderman e Johnson em meados de 1990 (JOHNSON; SHNEIDERMAN, 1991; SHNEIDERMAN, 1992), veio
com a finalidade de produzir uma visualização de estruturas de árvores de diretórios
compactas. Demonstrada em (LUZZARDI, 2003) é utilizado o espaço da tela para
representar elementos de informação ao invés da utilização de objetos geométricos.
33
Figura 2.8: Perspective Wall - Estruturas temporárias interativas (MACKINLAY; ROBERTSON; CARD, 1991)
É bastante interessante para a representação de estruturas hierárquicas, como a árvore de diretórios de um sistema operacional. Os diretórios são representados pela
divisão sucessiva dos espaço de tela. Cada sub-espaço representa um diretório e é
sub-dividido em função dos sub-diretórios e arquivos que o compõem, a técnica é
ilustrada na Figura 2.9.
A técnica é conhecida também como Preenchimento de Espaços (Space-Filling) e
vale-se de parâmetros de mapeamento como posição espacial, área, cor e texturas.
É uma técnica eficiente para a amostragem de dados hierárquicos porém quando os
dados são demonstrados em excesso sua visualização torna-se confusa, dificultando
a visualização da topologia das informações e também a visualização de detalhes
sob demanda. Uma vez que a medida que os dados aumentam a possibilidade de
selecionar um único elemento aumenta.
Information Slices: Ilustrada em (ANDREWS; HEIDEGGER, ????) é uma técnica de
visualização para dados hierárquicos em duas dimensões. A técnica utiliza um
ou mais discos semicirculares para visualizar compactamente hierarquias com vários níveis em duas dimensões. Cada disco representa uma hierarquia de múltiplos
34
Figura 2.9: Técnica TreeMaps com Informações em Excesso (JOHNSON; SHNEIDERMAN, 1991)
níveis normalmente com 5 a 10 níveis sendo visualizados em cada disco (Figura
2.10).
Figura 2.10: Técnica Information Slices (ANDREWS; HEIDEGGER, ????)
35
Em cada nível da hierarquia, os filhos são dispostos no espaço de acordo com o
tamanho de cada filho. Grandes hierarquias são representadas usando uma série de
discos em cascata. Uma fatia do disco semicircular é expandida para uma área à
direita da primeira, também como semicírculo. Esta visualização permite obter um
panorama da dimensão relativa de partes de uma árvore.
Panoramas Cilíndricos: Panoramas Cilíndricos ou Cylindrical Panoramas (OLIVEIRA, 2002) são utilizados para fornecer orientação horizontal independente
quando se explorar um ambiente a partir de um único ponto. Possui a característica
de fácil implementação devido a simplicidade de se obter as imagens e também
por um mapa cilíndrico possuir curvas apenas para uma única direção, simplificando grandemente a tarefa de curvar imagens para se obter novos pontos de vista.
Panoramas cilíndricos podem ser criados utilizando câmeras panorâmicas especializadas, fotografias adquiridas em conjunto com uma câmera regular ou utilizando
extrações via computador. Esta técnica foi a precursora na utilização desta tecnologia de renderização de imagens. O Quicktime VR, desenvolvido pela Apple, foi
um dos primeiros produtos comerciais a utilizar esta tecnologia. O recurso é muito
utilizado para a construção de cenários para jogos e também serve como alternativa
a ferramentas de construção de ambientes em 3D, que consomem muitos recursos
computacionais para seu processamento.
A Figura 2.11 ilustra uma representação do panorama cilíndrico com a exibição
associada ao tronco e ilustra a base geométrica do algoritmo de torção da imagem.
O Panning (torção) na direção vertical é limitado pelo campo vertical de visão do
panorama cilíndrico (normalmente 50 graus). Durante o Panning, a porção visível
do panorama é torcida para produzir uma correta perspectiva plana da imagem.
Figura 2.11: À esquerda: Cylindrical Panorama e a visão de tronco e, à direita: Geometria
do algoritmo de warping (visão de topo)
A torção da figura pode ser implementada utilizando uma formulação inversa similar as utilizadas para o mapeamento de texturas. Assim, dadas as coordenadas (x,y)
de um ponto plano da imagem, a partir de um deles pode-se obter diretamente os
36
parâmetros correspondentes a (u,v) no ambiente do mapa cilíndrico, de acordo com
a Figura 2.11 - direita. Isto garante a reamostragem adequada a todos os pixels dos
novos pontos de vista de acordo com a Figura 2.12.
Figura 2.12: Esquerda: Cylindrical Panorama. Exemplo de Philip Morgan, UK.
A principal limitação dos sistemas baseados em ambiente de mapas (cilíndricos,
esféricos ou cúbicos) é a restrição ao telespectador a um único local de visão (o
ponto de vista de onde as imagens foram adquiridas). Embora o espectador tenha
liberdade para girar em torno de pontos específicos, não é permitido a movimentação entre as áreas. O que não torna a técnica adequada para tutoriais em ambientes
virtuais (OLIVEIRA, 2002).
Coordenadas Paralelas: A técnica de coordenadas paralelas desenvolvida por (INSELBERG, 1990), representa dados multivariados em uma visualização 2D e permite
relacionar informações entre si a partir de linhas que percorrem as coordenadas da
representação visual (IEPSEN, 2008), (CARVALHO, 2008). Os dados são tratados
como um conjunto de pontos de um espaço n-dimensional em que cada componente
está associada a um eixo. Um ponto é representado por uma linha poligonal que
liga as posições determinadas em cada eixo pelo valor da respectiva componente,
conforme Figura 2.13.
Um grande número de variáveis pode ser representado com esta técnica, bem como,
períodos de tempo. Cada coordenada ilustra uma destas variáveis e as linhas que
as percorrem representam um dos ítens em análise. Algumas técnicas ampliaram o
processo de visualização da informação por coordenadas paralelas, tornando-as em
formatos 3D (Figura 2.14) e com extrusão (Figura 2.15).
De forma geral, os métodos focam-se mais na apresentação estatística da quantidade e não fornecem nenhum suporte à topologia que o fluxo apresenta. Alguns
métodos tem sido desenvolvidos (principalmente com base nas técnicas de projeção
geométrica), com o objetivo de contornar esta deficiência (coordenadas paralelas
por extrusão Figura 2.14) (CARVALHO, 2008).
Table Lens: A técnica utiliza o mecanismo foco+contexto para a visualização e manipulação de grandes tabelas, o que permite a visualização e interação da estrutura
37
Figura 2.13: Coordenadas Paralelas (INSELBERG, 1990).
Figura 2.14: Coordenadas Paralelas com extrusão (HINNEBURG; KEIM, 1999)
completa das informações e de ítens específicos, de acordo com o nível de interesse do usuário, através da distorção da visão (LUZZARDI, 2003). A técnica é
38
Figura 2.15: Coordenadas Paralelas 3D (HINNEBURG; KEIM, 1999)
demonstrada na Figura 2.16.
Figura 2.16: Técnica Table Lens: representação visual de linhas e colunas de dados comprimidas em pixels. (LUZZARDI, 2003)
Esta técnica disponibiliza as opções de zoom, permitindo alterar o tamanho da área
de foco sem mudar o número de células contidas nesta área; adjust, permitindo
a mudança do conteúdo visualizado sem alterar o tamanho da área focal; slide,
mudando a posição da área focal dentro do contexto e adjust+zoom, que reúne as
39
operações para permitir o usuário aumentar o número de células na área de foco
sem alterar o tamanho original das células.
Searching with Semantics: Esta ferramenta utiliza também técnicas de foco+contexto
para a visualização e manipulação de grandes quantidades de informações em buscas de páginas na internet, agregados a técnicas de busca semântica para o apoio
a pesquisas oportunistas. Na abordagem em (JANECEK; PU, 2003), são discutidas formas de integrar a informação semântica como, por exemplo ontologias, na
interface que lhes permitam explorar a busca de informação em um nível semântico.
Na Figura 2.17 a técnica é demonstrada em um protótipo para uma busca de sites.
E um dos principais critérios do funcionamento da aplicação é a de que uma única
consulta via web não é possível encontrar toda a informação necessária, e para
tanto, a ferramenta executa uma busca paralela a requisitada utilizando princípios
de “buscas oportunistas”. No artigo, estas buscas oportunistas são baseadas nos
seguintes estudos de técnicas:
• Foco+Contexto: o equilíbrio entre o local de detalhe ao redor do foco dos
usuários e seu contexto na estrutura global deve permitir que o usuário perceba informações pertinentes ao redor da informação principal para futuras
pesquisas. O foco deve ser uma grande variedade de objetos na interface: uma
consulta, um conjunto de resultados, um objeto ou um de seus atributos, ou
talvez uma coleção de objetos. O contexto é a relação entre o foco e o resto
das informações na coleção.
• Seleção Dinâmica de Foco+Contexto: o usuário deve ser capaz de alternar
facilmente tanto para o foco quanto para o contexto da informação, para explorar diferentes estratégias de pesquisa (por exemplo, em diferentes domínios,
os níveis de granularidade, ou coleções).
• Múltiplos Focos e Contextos: A pesquisa oportunista é multi-direcional. O
usuário deve ser capaz de comparar os resultados de diferentes focos e contextos para detectar padrões.
• Modelagem Flexível de Semântica: como o usuário explora uma coleção
de informações, ele irá reunir as informações mais pertinentes com as indefinidas ou semânticas incompletas. O usuário deve ser capaz de externar a
sua compreensão durante o processo de busca em um caminho light-weight
(JANECEK; PU, 2003).
40
Figura 2.17: Técnica Searching with Semantics (JANECEK; PU, 2003)
Figura 2.18: Técnica Searching with Semantics - (JANECEK; SCHICKEL; PU, 2005)
2.5
Visualizações Efetivas
Todo o sistema que possui a tarefa de visualizar informações corre o risco de
não suprir as necessidades dos usuários na íntegra, ou de representar informações demais
dentro do mesmo contexto. Em (NASCIMENTO; FERREIRA, 2005) é demonstrado que
existem dois atributos capazes de determinar a sua provável utilidade desenvolvidos por
(MACKINLAY, 1986), que são a expressividade e efetividade.
A visualização pode ser considerada expressiva quando demonstrar todos os dados
41
de interesse do usuário e nada mais. A efetividade está ligada a facilidade de compreender
os dados apresentados. Isto implica em representar os elementos de forma que sua percepção seja rápida e induzir a menor quantidade possível de erros de interpretação quando
comparada a outras formas de visualização.
A efetividade e a expressividade são aspectos importantes, visto que sem os mesmos uma visualização não pode ser capaz de enfatizar padrões relevantes nos dados, não
trazendo assim, quaisquer informações que agreguem valor aos dados já trivialmente conhecidos. Além desta característica, pode-se também desenvolver um sistema de visualização onde os dados são de difícil interpretação e acabam levando o usuário a interpretações errôneas ou mais demoradas do que o normal.
Figura 2.19: Visualizações T-Score na Medicina
Na Figura 2.19 ilustram-se os problemas de efetividade ao visualizar-se a mesma
informação de formas diferentes. O que está sendo demonstrado é a evolução de uma
medida de densidade mineral óssea, o T-Score, ao passar dos meses. Na visualização (A)
é demonstrada uma sequência de análises dos meses de Janeiro a Abril, utilizando um
mapeamento visual em que a medida T-Score foi associada à saturação da cor utilizada
em uma sequência linear. Para cada mês existe uma figura representativa e quanto mais
claro é a figura mais baixo é o nível da medida T-Score, o que indica baixas taxas de cálcio
nos ossos levando ao diagnóstico de doenças como a osteoporose e a osteopenia.
Já na visualização (B) os dados são demonstrados em um gráfico xy de linhas,
sendo a princípio mais efetiva do que a primeira, e dando a entender claramente que
houve uma queda significativa ao longo dos meses. Na visualização (C) o mapeamento
visual utilizado para associar ao T-Score foi a transparência, com valores representativos
sendo alterados da mesma forma que na visualização (A) adicionando valores representando a avaliação atual do T-Score. Percebe-se que a visualização (C) é mais efetiva em
função de demonstrar os valores T-Score visualmente e associando-os a transparência, demonstrando medidas que são importantes em um diagnóstico médico. Esta visualização
42
reúne as representações tanto da visualização (A) quanto da (B) demonstrando uma maior
efetividade por visualizar os valores exatos da medida e também representar visualmente
o quanto estas medidas afetam o resultado da avaliação.
Segundo (NASCIMENTO; FERREIRA, 2005) alguns dos problemas que podem
comprometer a efetividade de uma visualização:
• ausência de dados suficientes para a contextualização das informações relevantes
apresentadas;
• desconsiderar atributos importantes dos dados;
• utilizar gráficos sobrepostos em escalas diferentes ou com sistemas de coordenadas
distintas, impedindo uma comparação justa dos dados;
• não fazer um mapeamento dos dados para marcas e atributos visuais de forma adequada.
Para aumentar a efetividade de uma visualização aspectos como mecanismos de
interação com os dados, a compactação de dados em uma mesma imagem além de características como perspectiva, luminosidade, dimensionalidade, tamanho e cor auxiliam no
processo de cognição.
2.6
Considerações Finais
Neste capítulo foram apresentados os principais conceitos sobre Visualização de
Informações abordando a caracterização da informação, seus modelos de referência para
sistemas de visualização bem como conceitos sobre a representação visual e técnicas de
visualização que estão no contexto da proposta deste trabalho. A proposta de um sistema
de visualização de informações além de conseguir representar da melhor maneira os dados analisados dentro de um contexto também deve ser realmente efetiva, último assunto
abordado neste capítulo, e permitir a interação por parte do usuário de forma a facilitar a
exploração visual dos dados apresentados.
É comum que métodos de sistemas de visualização de informações sejam desenvolvidos para suprir necessidades de aplicações específicas. A área de visualização de
informações tem contribuído fortemente para que aplicações possam ser utilizadas de
forma compreensível e que os dados possam ser exibidos de formas e interações diferentes. Este capítulo teve como objetivo principal uma abordagem as técnicas existentes
e dar um panorama sobre a organização que um sistema de visualização deve obedecer
para ser desenvolvido. O capítulo a seguir ilustra um dos recentes ramos da visualização,
a visualização de incertezas, que delimitará as regras para sua utilização no campo da
computação.
43
3 LÓGICA FUZZY PARA VISUALIZAÇÃO
DE INFORMAÇÕES E DE DADOS IMPRECISOS
Este capítulo aborda o tema de visualização de informações para dados imprecisos e apresenta alguns conceitos sobre a visualização e representação de incertezas, lógica
fuzzy e sobre a visualização de informações com a lógica fuzzy encontrados na literatura.
Os conceitos deste capítulo tem impacto direto sobre a maneira como a incerteza é representada. Para tanto, são buscados e definidos conjuntos genéricos de atributos que
possam gerar representações para a incerteza. Neste capítulo encontra-se a fundamentação do desenvolvimento dos modelos de visualização de informação citados em capítulos
subsequentes, na visualização de informações médicas voltados a densitometria óssea.
3.1
Conceitos Básicos
A visualização de incertezas é um desafio reconhecido na comunidade de visualização de informações gerando diversas pesquisas sobre este tema abordando as possíveis
modificações de como os dados são apresentados e, através desta alteração, tornar visível
a quantificação da incerteza que estes dados podem possuir.
3.1.1
Definição de Incerteza
De acordo com (PANG; WITTENBRINK; LODHA, 1997) existem várias definições sobre o conceito de incerteza. Uma definição admissível pode ser que a incerteza é
uma caracterização multi-dimensional das informações, seja a partir de medições e observações de fenômenos, bem como previsões feitas a partir delas. Isto pode incluir vários
conceitos como erros, precisão, validação, variabilidade, ruído, exaustividade, confiança e fidelidade. Como existem diversos conceitos associados a incerteza, naturalmente
a primeira indica formas de representá-la e também de quantificá-la. Algumas destas
44
formas serão representadas nos conceitos a seguir.
3.1.2
Representações de Incertezas
Segundo (BUTTENFIELD, 1993) existem duas filosofias gerais relativas à representação de incertezas: a primeira indica que se pode representar um dos bons aspectos
dos dados com a precisão da comunicação, e que um dos aspectos negativos é o de relatórios de erro. São citados 3 impedimentos na representação efetiva da incerteza:
1. A discussão sobre a incerteza envolve conceitos que ainda são mal-definidos como
insegurança, qualidade nos dados, precisão e erro. Existe a necessidade de formalizar os conceitos e termos que fundamentam a consideração da incerteza no que se
refere a análise e utilização de dados de quaisquer tipos.
2. A falta de métodos de medição que representem os vários aspectos da incerteza.
3. A falta de métodos que descrevam simultaneamente a incerteza e dados que interajam com as representações de formas compreensíveis, úteis e utilizáveis.
3.1.3
Lógica Fuzzy
A lógica clássica, desenvolvida por Aristóteles, estabeleceu um conjunto de regras
rígidas, baseadas em premissas e conclusões. A lógica binária hoje aplicada amplamente
na área de tecnologia foi desenvolvida por Boole (lógica booleana) e apenas utiliza dois
valores 0 ou 1, que representam decisões falsas ou verdadeiras, sim ou não, nunca com
o mesmo significado. Uma extensão da lógica binária é a lógica multivalorada, pela qual
uma variável pode assumir vários valores, por exemplo, falso e verdadeiro, ao mesmo
tempo. A Lógica fuzzy é uma lógica multivalorada capaz de capturar informações vagas,
geralmente descritas numa linguagem natural, e convertê-las em um formato numérico de
fácil manipulação.
As teorias mais conhecidas para tratar a imprecisão e a incerteza são respectivamente a teoria dos conjuntos e a teoria das probabilidades. Estas teorias, embora muito
úteis, nem sempre conseguem captar a riqueza da informação fornecida por seres humanos. A teoria dos conjuntos não é capaz de tratar o aspecto vago da informação e a teoria
das probabilidades, onde a probabilidade de um evento determina completamente a probabilidade do evento contrário, é mais adaptada para tratar de informações frequentistas
do que aquelas fornecidas por seres humanos (SANDRI S., 1999).
Também tratada como Lógica Nebulosa por alguns autores, suas origens datam
de 1965 com o desenvolvimento da teoria dos conjuntos fuzzy pelo matemático Lofti A.
Zadeh, professor no departamento de engenharia elétrica e ciências da computação da
Universidade da Califórnia, em Berkeley. Ele trabalhava com problemas de classificações
45
de conjuntos que não possuíam fronteiras bem definidas (ou seja, a transição entre os conjuntos é suave e não abrupta) e tinha como objetivo de seu trabalho a intenção de dar um
tratamento matemático a certos termos lingüísticos subjetivos, como “aproximadamente”,
“em torno de”, dentre outros. Existem inúmeras situações em que a relação de pertinência
não é bem definida e, nestes casos, não é possível dizer se o elemento pertence ou não a
um dado conjunto.
A intenção de Zadeh foi flexibilizar a pertinência de elementos aos conjuntos criando a idéia de grau de pertinência. Dessa forma, um elemento poderia pertencer parcialmente a um dado conjunto. Esta sua idéia foi publicada em (ZADEH, 1965) sendo este
artigo considerado o marco do nascimento da teoria de conjuntos fuzzy.
Esse foi o primeiro passo para se representar e armazenar, em um computador,
informações incertas, tornando possível o cálculo com informações incertas, a exemplo
do que faz um ser humano (JAFELICE, 2005). Inicialmente Zadeh tratou o aspecto
vago da informação e, a partir de 1978, desenvolveu a teoria das possibilidades, tratando
a incerteza da informação, podendo ser comparada com a teoria de probabilidades. A
teoria das possibilidades, por ser menos restritiva, pode ser considerada mais adequada
para o tratamento de informações fornecidas por seres humanos que a de probabilidades
(SANDRI S., 1999).
Os conjuntos Fuzzy e a Lógica Fuzzy provem a base para a geração de técnicas
poderosas para a solução de problemas, com uma vasta aplicabilidade, especialmente,
nas tarefas de controle e tomada de decisão. A teoria dos conjuntos fuzzy e a teoria de
probabilidades são intimamente relacionadas. Como exemplo, seja a informação “idade
avançada”, a mesma pode ser utilizada para modelar a distribuição de possibilidade de
uma dada pessoa, da qual só se conhece que é idosa (SANDRI S., 1999). Estas teorias
têm sido utilizadas em sistemas que manipulam informações fornecidas principalmente
por seres humanos para automatizar procedimentos como o controle de eletrodomésticos,
tomada de decisões, etc.
A lógica Fuzzy é baseada na teoria dos Conjuntos Fuzzy. Esta é uma generalização da teoria dos Conjuntos Tradicionais para resolver os paradoxos gerados à partir
da classificação “verdadeiro ou falso” da Lógica Clássica. Tradicionalmente, uma proposição lógica tem dois extremos: ou “completamente verdadeiro” ou “completamente
falso”. Entretanto, na lógica Fuzzy, uma premissa varia em grau de verdade de 0 a 1, o
que leva a ser parcialmente verdadeira e parcialmente falsa. Os grupos são rotulados qualitativamente (usando termos linguísticos como: alto, morno, ativo, pequeno, parto, etc) e
os elementos deste conjunto são caracterizados variando o grau de pertinência (valor que
indica o grau em que um elemento pertence a um conjunto). Nesta lógica, o raciocínio
exato corresponde a um caso limite do raciocínio aproximado, sendo interpretado como
um processo de composição de relações nebulosas.
46
Sendo por sua própria natureza uma metodologia lingüística, a lógica fuzzy e suas
interfaces com outras técnicas semelhantes permitem a um especialista contornar problemas, cujo tratamento numérico é muito difícil pela quantidade de variáveis envolvidas
ou por manipulações matemáticas complexas, cujos resultados nem sempre atendem as
expectativas de soluções desejadas. Ela está ligada à importância relativa da precisão, e
alguns autores acreditam que nada é incondicionalmente verdadeiro e por isso se opõem
a toda afirmação de verdade absoluta. Ela está baseada em palavras e não em números,
ou seja, através dela os valores-verdade são expressos linguisticamente.
A lógica Fuzzy utiliza vários modificadores de predicado como, por exemplo:
“muito, mais ou menos, pouco, bastante e médio” e um amplo conjunto de quantificadores, como por exemplo: “poucos, vários, em torno de”. Ela faz uso das probabilidades lingüísticas, tais como “provável/improvável”, que são interpretadas como números
fuzzy, manipulados pela sua aritmética e manuseia todos os valores entre 0 e 1, tomandoos apenas como um limite. Utiliza-se esta lógica porque mais variáveis observáveis podem ser constituídas de valores e o uso de variáveis lingüísticas se aproxima mais do
pensamento humano, simplificando a solução de problemas, proporcionando um rápido
protótipo dos sistemas e simplificando a aquisição da base do conhecimento do problema
a ser resolvido. Esta lógica é baseada em conceitos matemáticos simples, é flexível ao
interagir com qualquer sistema, sendo por isto indicada para se trabalhar com dados imprecisos.
Outra característica interessante é a de possibilitar a modelagem de funções não
lineares de complexidade arbitrária, possibilitando a criação de um sistema que se combina com qualquer conjunto de dados de entrada-saída. Esse processo é feito facilmente
através de técnicas adaptativas. Os sistemas fuzzy podem ser construídos com o auxílio
da experiência de especialistas, o que permite uma interação com pessoas que já entendam o problema em análise. Embora esta abordagem não pretenda substituir os métodos
convencionais de controle, ela simplifica a sua implementação.
Variáveis Linguísticas: Uma variável linguística é uma variável cujos valores são
nomes de conjuntos fuzzy, ou seja, são representados por palavras ao invés de números.
Os valores de uma variável linguística podem ser sentenças em uma linguagem especificada, também chamados de termos linguísticos, construídos a partir de termos primários
(alto, baixo, pequeno, grande, médio, zero, por exemplo), de conectivos lógicos (negação, não, conectivos e e ou) de modificadores (muito, pouco, levemente, extremamente) e
de seus delimitadores (como parênteses) (TANSCHEIT, 2004).
Formalmente, uma variável linguística é caracterizada por uma quíntupla
(N, T (N), X, M, G) onde N é o nome da variável (por exemplo, temperatura, pressão, febre, etc.), T (N) é o conjunto de termos linguísticos de N (elevado, baixo, pouco, extenso,
etc.), X é o domínio (Universo) de valores de N sobre o qual o significado do termo lin-
47
guístico é determinado (a febre pode estar, por exemplo, entre 35 e 40o C), G é a regra
sintática para gerar os valores de N como uma composição de termos de T (N), conectivos
lógicos, modificadores e delimitadores, e M consiste na regra semântica que associa a
cada valor gerado por G um conjunto Fuzzy em X.
A principal função das variáveis linguísticas é fornecer uma maneira sistemática
para uma caracterização aproximada de fenômenos complexos ou mal definidos. Esta
descrição linguística é empregada frequentemente por seres humanos ao invés de variáveis quantificadas, permitindo o tratamento de sistemas que são muito complexos para
serem analisados através de termos matemáticos convencionais. Elas permitem que a linguagem da modelagem fuzzy expresse a semântica utilizada por especialistas, de forma
que possam aplicar de fato o conhecimento sobre determinado problema.
A Figura 3.1 mostra um exemplo de variável linguística. O nome (n) da variável
é Febre. Os termos linguísticos T ∈ n que atribuem um significado semi-quantitativo a
Febre são: baixa , média e alta. O domínio (X) da variável é o intervalo [36, 40].
Figura 3.1: Exemplo de Variável Linguística
Cada termo linguístico tem a ele associado um conjunto fuzzy T (N) que o caracteriza. Note que, na formulação clássica, os termos linguísticos atribuídos para Febre são:
presente e ausente.
Um conjunto fuzzy é formado por graus de níveis de verdade e descrito por uma
função de pertinência u entre o intervalo [0,1] onde:
• 0 representa a falsidade absoluta; e
48
• 1, a verdade absoluta.
a cada elemento X do conjunto U é definido um número (x), entre zero e um e um
chamado de grau de pertinência de x a F. Assim, o conjunto fuzzy F é simbolicamente
indicado por sua função de pertinência
uF : U −→ [0, 1].
Os valores F (x) = 1 e F (x) = 0 indicam, respectivamente, a pertinência plena e a
não pertinência do elemento x a F.
Definição 3.1.1 Seja X um conjunto (clássico). Um subconjunto fuzzy F em X é um conjunto de pares ordenados F = {(x, uF (x)) : x ∈ X} onde uF : X → [0, 1] é uma função
chamada grau de pertinência de x em F, com os graus 1 e 0 representando, respectivamente, a pertinência completa e a não pertinência do elemento ao conjunto fuzzy.
As funções de pertinência são definidas da mesma forma que conjuntos da matemática tradicional. Contudo, são generalizações dos conjuntos ordinários e da lógica
clássica e proporcionam uma estrutura sistemática para representar conhecimentos qualitativos e com eles se raciocinar. A abordagem proposta em Zadeh (ZADEH, 1965)
generaliza o conceito de conjunto quando a idéia de pertinência de um elemento a um
conjunto deixa de ser um conceito primitivo como no caso clássico. Os exemplos a seguir
ilustram situações onde a utilização de conjuntos fuzzy é adequada (JAFELICE, 2005):
• Exemplo 1: Objetiva-se construir o conjunto dos números aproximadamente iguais
a 5. O que Zadeh propõe é considerar uma função de pertinência que forneça o
grau de pertinência dos diversos números ao conjunto considerado. A Figura 3.2
apresenta a função de pertinência do conjunto fuzzy que corresponde aos números
aproximadamente iguais a 5. Neste caso a função de pertinência é discreta, mas
ela também pode ser contínua, como por exemplo a função de pertinência para
exposição à fumaça de cigarro, apresentada na figura apresentada no Exemplo 2
• Exemplo 2: Seja uma população de “fumantes” num instante t0 , sujeita a uma taxa
de mortalidade, pode-se querer saber como será composta esta população no futuro.
Ao considerar que cada indivíduo desta população é simplesmente fumante ou não
fumante o problema pode ser resolvido com um modelo determinístico, tomando
separadamente ambas as populações. Por outro lado, se for tomada inicialmente
uma distribuição de probabilidades dos fumantes desta população, pode-se utilizar
um modelo estocástico para estudar a evolução desta distribuição inicial. Agora,
se a característica de ser fumante depender da quantidade de cigarros que se fuma
diariamente, qualidade dos cigarros fumados, intermitência do ato de fumar, tempo
49
Figura 3.2: Função de pertinência dos números considerados próximos a 5
de exposição aos ambientes com fumantes, etc, deve-se caracterizar também o grau
de ser fumante. Neste caso, cada indivíduo pertence à população de fumantes com
um grau específico de pertinência. Se não fumar, seu grau de pertinência é zero,
se fumar 3 carteiras diárias pode-se dizer que é fumante de grau 1. Agora, se o
indivíduo fumar 10 cigarros por dia o quanto ele será fumante? Esta subjetividade,
ser fumante, pode ser caracterizada pela teoria dos conjuntos fuzzy. A Figura 3.3
ilustra uma maneira de representar a função de pertinência de pessoas fumantes.
Figura 3.3: Função de Pertinência para pessoas fumantes em cigarros por dia
Diferente dos conjuntos tradicionais, um conjunto fuzzy admite a possibilidade de
pertinência parcial, os graus de pertinência refletem então, um ordenamento de elemento
num certo universo. Os exemplos 1 e 2 ilustram situações onde problemas desde simples
e cotidianos até complexos podem ser modelados e calculados com uso da lógica Fuzzy.
Quando os conjuntos fuzzy são contínuos sua representação é a própria função de pertinência. As formas para as funções de pertinência são totalmente arbitrárias. Todavia, as
funções mais utilizadas são:
Linear Trapezoidal: é uma função de x, e depende de 4 parâmetros [a, b, c, d]. É
caracterizada pela Equação 3.1.
50




0 ,





x−a






b−a






1 ,
f (xa,b,c,d ) = 





d−x






d−c








0 ,
x≤a
,
a<x≤b
b<x≤c
,
(3.1)
c<x≤d
x>d
Figura 3.4: Função de Pertinência Trapezoidal
Os parâmetros a e d correspondem aos valores de x que possuem pertinência igual
a 0. Os parâmetros b e c correspondem aos valores de x que possuem pertinência igual a
1 (Figura 3.4).
Linear Triangular: é uma função de x, e depende de 3 parâmetros escalares
[a, b, c]. É caracterizada pela Equação 3.2.




0 ,





x−a







b − a
f (xa,b,c ) = 
c−x





c−b









0 ,
x≤a
,
a<x≤b
,
b<x≤c
(3.2)
x>c
As funções lineares por partes são as mais populares devido sua simplicidade e
ao fato de que o custo computacional adicional exigido pelos outros tipos de função não
refletem, em geral, em uma melhoria significativa na qualidade dos valores de saída dos
sistemas.
Gaussiana: foi desenvolvida pelo matemático francês Abraham de Moivre. E
descreve uma série de fenômenos físicos e financeiros. Além disso, possui grande uso
51
Figura 3.5: Função de Pertinência Triangular
na estatística inferencial e é inteiramente descrita por seus parâmetros de média e desvio padrão, ou seja, conhecendo-se estes parâmetros consegue-se determinar qualquer
probabilidade em uma Normal (Figura 3.6).
Figura 3.6: Função de Pertinência Gaussiana
3.1.4
Sistemas de Controle Fuzzy
A idéia básica em controle fuzzy (GOMIDE, 1994) é modelar as ações a partir do
conhecimento especialista, ao invés de, necessariamente, modelar o processo em si. Isso
leva a uma abordagem diferente dos métodos convencionais de controle de processos,
onde os mesmos são desenvolvidos via modelagem matemática dos processos de modo
a derivar as ações de controle como função do estado do processo. A motivação para
esta nova abordagem veio de casos onde o conhecimento especialista de controle era
disponível, seja por meio de operadores ou de projetistas, e os modelos matemáticos
envolvidos eram muito custosos, ou muito complicados para serem desenvolvidos.
A estrutura de um processo controlado por um controlador fuzzy é mostrada na
Figura 3.7, enfatizando-se seus componentes básicos: a interface de fuzzyficação, a base
52
Figura 3.7: Funcionamento de um Sistema Fuzzy
Figura 3.8: Exemplo de Base de Regras
de conhecimento, a base de dados, o procedimento de inferência e a interface de defuzzyficação.
• Interface de Fuzzyficação: toma os valores das variáveis de entrada, faz um escalonamento para condicionar os valores a universos de discurso normalizados e
fuzzyfica os valores, transformando números em conjuntos fuzzy, de modo que
possam se tornar instâncias de variáveis linguísticas. Também é conhecido como
53
Processo de Generalização.
• Base de Conhecimento ou de regras: consiste em uma base de regras, caracterizando a estratégia de controle e suas metas. Cada regra da base de regras é uma
sentença do tipo (S e”Condio”ento”Ao”).
Um exemplo de uma base de regras demonstrada em (SILVA, 2005) é ilustrada na
Figura 3.8.
• Base de Dados: armazena as definições necessárias sobre discretizações e normalizações dos universos de discurso, as partições fuzzy dos espaços de entrada e saída
e as definições das funções de pertinência.
• Procedimento de Inferência: processa os dados fuzzy de entrada, junto com as
regras, de modo a inferir as ações de controle fuzzy, aplicando o operador de implicação fuzzy e as regras de inferência da lógica fuzzy.
• Interface de Defuzzyficação: transforma as ações de controle fuzzy inferidas em
ações de controle não-fuzzy. Em seguida, efetua um escalamento, de modo a compatibilizar os valores normalizados vindos do passo anterior com os valores dos
universos de discurso reais das variáveis. Após a inferência da ação de controle
fuzzy, é necessária a determinação de uma ação de controle não fuzzy que melhor
represente a decisão fuzzy, para ser efetivamente enviada ao controle.
Apesar de não haver nenhum procedimento sistemático para a escolha da estratégia
de defuzzyficação, as mais comuns incluem: o critério do máximo (MAX), que
escolhe o ponto onde a função inferida tem seu máximo, a média dos máximos
(MDM), que representa o valor médio dentre todos pontos de máximo quando existe
mais de um máximo, e o método do centro de área (CDA), que retorna o centro de
área da função inferida
3.2
Visualização de Incertezas
Existe mais de uma forma de se classificar como uma informação incerta pode
ser visualizada. Um desafio inicial é como a própria incerteza é representada, comentado
anteriormente, outro ainda é como a incerteza é codificada em visualização. Não se possui
uma compreensão profunda dos parâmetros que influenciam o sucesso da visualização de
incertezas, nem quão se está próximo de se obter a total compreensão destes parâmetros
(MACEACHREN A. M., 2005).
(PANG; WITTENBRINK; LODHA, 1997) definiu uma abordagem sistemática
ao métodos de visualização de incertezas, e produziu uma classificação dos métodos de
visualização de incerteza correspondente aos tipos de dados (escalar, multivariados, vetor
54
e tensor) para visualização de formulário (discretos e contínuos). Nesta seção, serão
demonstradas algumas das técnicas de visualização de incertezas existentes atualmente.
Também são utilizados como parâmetros as cores, tonalidades, valores de cor e
texturas afirmando que estes atributos são os melhores para representar informações incertas utilizando métodos estáticos. Na Figura 3.9 é demonstrada a representação desenvolvida por (MACEACHREN, 1992), que se concentrou em cinco métodos para significar a incerteza: cor; saturação; crispness1 , (dividido em níveis de crisp2 e claridade de
contorno); transparência3 ; e resolução de imagens raster ou vetores de linha.
Figura 3.9: Técnica Point Symbols - (a)Saturação (b)crispness nas bordas (c) transparência no símbolo do centro
Com a saturação aplicada em Figura 3.9(a), elementos com um nível maior de
certeza deveriam utilizar tons puros, do contrário utilizariam cores menos saturadas, assim a medida que áreas ficam “incertas” estas cada vez mais tornam-se acinzentadas. Já
na Figura 3.9(b) é aplicada uma metáfora geral de desfoque, onde informações incertas
formam uma área desfocada na imagem e a medida que as informações ficam mais precisas tornam a região central da Figura menos desfocada. Na Figura 3.9(c) é utilizada
como representação a transparência para a representação de dados incertos, de forma que
quanto mais incertos os dados maior será a atmosfera transparente visível ao usuário na
sua representação.
Em (PANG; WITTENBRINK; LODHA, 1997) é demonstrada a utilização de
glifos, composto por pontos de símbolos. Representando visualmente os dados de incertezas. O método com glifos indica a direção do vento, a magnitude e a incerteza. A
representação é demonstrada na Figura 3.10.
Um exemplo de representações dinâmicas para informações incertas é demonstrada na Figura 3.11, desenvolvida por (CLIBURN; FEDDEMA; MILLER, 2002) para
apoiar decisões de grande escala nas questões envolvendo recursos hídricos, onde utiliza1
controle de exatidão da cor, rugosidade da cor
níveis de exatidão
3
também chamada de nevoeiro
2
55
Figura 3.10: Técnica de Glyphs (PANG, 2001)
ram glifos manipuláveis para retratar a incerteza.
Figura 3.11: Técnica Mesh Surfaces
Esta representação demonstra através dos glifos uma estimativa do balanço da
água, classificando as regiões de incerteza utilizando barras abaixo e acima da superfície
da imagem. As barras mostram um intervalo de um conjunto de modelos de previsões,
com previsões acima da média mostradas em roxo e abaixo em laranja.
3.3
Requisitos para a Visualização de Incertezas com a
Lógica Fuzzy
Na sequência das técnicas e métodos de visualização de informações, a abordagem
de visualização de incertezas proposta na seção 3.2 deste capítulo leva a conceitos que
culminam normalmente em métodos para o contorno de problemas deste tipo. A seguir
serão descritos conceitos abordados em (PHAM B., 2003) onde são demonstrados os
principais requisitos para a visualização de sistemas fuzzy.
Muitos são os estudos para o desenvolvimento de técnicas, ferramentas e softwares
para facilitar a compreensão da arquitetura e tomada de decisão. Os sistemas computacionais não tem sido desenvolvidos empregando técnicas que tratam da incerteza, presentes
56
na maioria dos problemas existentes no mundo.
A Tabela 3.1 demonstra as típicas origens de informações incertas e as suas causas.
Tabela 3.1: Origens e causas das informações incertas
Origens da Incerteza Causa
de Informação
Accurácia Limitada
Falta de Dados
Definição Incompleta
Realização de incompleta
definição
Conhecimento
inadequado sobre os efeitos da
mudança no ambiente
Preconceitos pessoais
Ambiguidade em descrições logísticas descrito
por muitas palavras
Aproximação ou pressupostos embutidos no modelo de design dos métodos ou procedimentos
Limitação na mensuração dos instrumentos, ou processos computacionais, ou padrões
Limitação física dos experimentos; Amostra de tamanho limitada
ou amostra não-representativa
Impossibilidade ou dificuldade em articular as regras ou relacionamentos
Limitação física ou conceitual
Modelo não abrange todos os modelos que influenciam, ou foi ligeiramente feito sob diferentes condições, ou se baseou em pontos de vista de diferentes especialistas
Percepções diferentes ou individuais
Uma palavra pode ter muitos significados, ou um estado pode ser
descrito por muitas palavras
Requisitos ou limitações dos modelos e métodos.
Basicamente, pode-se considerar um típico sistema fuzzy desde que contenha basicamente os seguintes itens (PHAM B., 2003):
• Entidades: onde existem dois tipos principais de entidades, as entidades físicas
(como animais de uma fauna); entidades abstratas (como a sustentabilidade). Entretanto os usuários podem interagir com o sistema e influenciar a maneira como
ele funciona, estes também podem ser considerados entidades do sistema.
• Dados dos Objetos: Os dados dos objetos podem possuir diferentes tipos de representações: numéricas, simbólicas (como regras), visuais (como diagramas) e áudio.
• Relacionamentos (relationships): Uma das principais tarefas do sistema de visualização é a de facilitar a compreensão das relações que sustentam o funcionamento
de um sistema fuzzy. Os relacionamentos podem ser classificados em 5 tipos principais:
57
1. Dados dos dados: como por exemplo dados de fusão, de integração, de transformação;
2. Dados de tarefas: diferentes visões de entrada para diferentes tarefas; diferentes tarefas produzem diferentes tipos de dados de saída;
3. Dados do usuário: diferentes usuários podem ter diferentes opiniões ou maneiras diferentes de manipular os dados e extrair informação;
4. Tarefas das tarefas: a forma como uma tarefa é executada influencia como
uma tarefa posterior também é executada;
5. Usuário dos usuários: usuários podem compartilhar, comparar, modificar ou
corrigir a base de conhecimento, ou negociar com base em informações que
cada um deles possui.
• Eventos: Quando um evento muda o estado do sistema, consequentemente é importante para registro de eventos que influenciam significativamente o desempenho do
sistema. Os eventos podem ser categorizados em 3 tipos principais: pré-agendados,
de acordo com um fator dependente (ex: tempo); como resultado da interação de um
usuário; e automaticamente gerado a partir de outro evento de acordo com alguns
pressupostos.
• Tarefas (tasks): As tarefas de um sistema de visualização fuzzy podem ser dividas
em 2 grupos:
– tarefas de baixo nível: executando computações numéricas, grau de fuzziness, regras (agregação, implicação, defuzzificação, certeza, evidências, probabilísticas de cálculos bayesianos). Normalmente os resultados obtidos das
tarefas de baixo nível podem ser utilizados como entradas para as tarefas de
alto nível;
– tarefas de alto nível: procurando por padrões incomuns, tendências, gatilhos para eventos importantes, dependências entre os relacionamentos (data
mining); corrigindo comportamentos inadequados; prover feedback; aprendizado com erros (ex: através da criação de novas regras); otimização do sistema
dado por algumas restrições (ex: selecionando os bons níveis de fuzzyficação
para cada variável); formando um modelo preditivo (baseado em experiências
passadas);
• Desfechos (outcomes): Consistem nas informações sobre os resultados finais de
um sistema fuzzy, incluíndo o nível de aceitação de qualidade, o grau de confiança,
e o grau de imprecisão dos resultados.
58
Sistemas fuzzy seguem os mesmos princípios dos outros sistemas de visualização
de informações no que se refere a representação das informações, o sucesso da visualização é facilitado pela escolha correta dos recursos visuais utilizados para ilustrar a
dimensão da magnitude dos dados. Dois componentes de visualização são importantes
neste contexto: os recursos visuais utilizados e a sua representação em maiores representações, com o objetivo de extrair adequadas representações visuais para a visualização
de dados fuzzy. Uma regra n-dimensional pode ser considerada como um ponto de corte
fuzzy através de um espaço n-dimensional.
As principais técnicas de visualização existentes mapeiam várias dimensões características de dados variáveis, afim de realçar as diferenças, a fazer comparações, para
mostrar efeitos temporais, etc. Na visualização de informações fuzzy algumas características importantes descritas em (PHAM B., 2003) são cor, luminosidade, tamanho,
transparência, textura, profundidade, glifos, partículas e desfoque. Estas características
serão descritas a seguir:
• Tonalidade: muito utilizada para destacar dados diferentes, ou para representar
gradientes nos dados. Utilizada em várias situações como por exemplo representar
a precisão da certeza dos dados, pela variação da aplicação de saturação na representação visual dos dados.
• Luminância: de forma semelhante à tonalidade, pode ser utilizada para ressaltar
categorias e ressaltar diferenças em dados escalares.
• Tamanho: glifos envolvendo o tamanho dos objetos são frequentemente utilizados
para indicar componentes escalares do vetor de informações.
• Transparência: Muito utilizada para a representação de dados fuzzy, onde normalmente é sobreposta a um fundo qualquer e representar a certeza das informações
demonstradas.
• Profundidade: Pode ser utilizado para representar o posicionamento espacial dos
dados. Uma aplicação bastante comum é posicionar os elementos em espaços dimensionais de profundidades variadas e aplicar funções de aplicação de desfoque
gradual para definir dados mais precisos.
• Textura: a textura pode ser aplicada a objetos para indicar o nível de precisão, ambiguidade ou nível fuzzy na localização espacial mediante um objeto ou localização
espacial.
• Glifos: como descrito anteriormente, os glifos auxiliam a representação de dados
através atributos como tamanho, porém na representação de informações em excesso podem se tornar grandes poluentes visuais.
59
• Partículas: são bastante interessantes na representação de dados fuzzy também,
podem ser utilizadas variando o espaço entre elas, bem como a cor das partículas
entre si. Misturando este componente a outros, pode-se também variar o tamanho,
aplicar desfoque, entre outros, para a representação de incertezas.
• Desfoque: ou profundidade de campos a partir da frequência espacial de componentes a ser removidos no plano da imagem pode ser utilizado para mostrar a
natureza dos pontos dos dados.
Para a representação dos dados fuzzy, pode-se considerar um grupo de 6 tipos
principais: representações 2D, representações 3D, representações paramétricas, representações dinâmicas, metáforas e sensores multimídia.
• Representação 2D: Gráficos em duas dimensões podem ser utilizados para codificar cores e formas em uma exibição em um sistema cartesiano, afim de demonstrar
as relações espaciais de valores. Para a representação de dados fuzzy, atributos
como intensidade ou cor pode ser utilizados em conjunto para uma melhor representação.
• Representação 3D: Volumes 3D possuem regiões espaciais mapeadas para uma localização no espaço n-dimensional. As características do volume das partições pode
ser modificado para indicar a precisão dos dados dentro do volume (ex: variando
atributos como intensidade, saturação, textura, opacidade, etc)
• Representações Paramétricas: Diferentes parâmetros podem ser utilizados para
realçar ou suprimir vários fatores de forma interativa. Uma das característica deste
grupo é a possibilidade de utilizar ou não a interação no método de representação.
O que implica em fixar valores pré-estabelecidos e possibilitar a visualização das
informações em n-dimensões e também a interação com outras técnicas.
• Representações Dinâmicas: Representações dinâmicas normalmente trabalham
com dados variáveis, onde possuem a característica de representar dados em um
espaço temporal. Por exemplo, podemos dizer que uma animação gerada a partir
da representação de vários estados em outra técnica pode caracterizar uma representação dinâmica.
• Representação por Metáforas: As metáforas se valem de representações visuais comuns aos seres humanos para representar os dados que não são facilmente
visualizados, por exemplo, a utilização de expressões do rosto humano para a representação de resultados. Um rosto feliz explicitaria a certeza total dos dados, já
um rosto descontente, poderia representar dados incertos.
60
• Representação por Sensores Multimídia: Recursos como áudio podem ser utilizados para indicar a precisão e imprecisão, ex: o mapeamento de um objeto em
movimento, para regiões onde a interpretação foi falha pode-se representar com
sons ruidosos e incoerentes, onde a interpretação dos dados foi mais precisão podese representar com sons em um nível de qualidade elevado.
3.4
Considerações Finais
As representações demonstradas anteriormente ajudarão a compor os métodos utilizados para a visualização de informações fuzzy proposta nesta dissertação, sabe-se que
os estudos sobre a união da área de visualização de informações com a área da lógica
fuzzy são ainda precoces em relação ao conteúdo existente da área de visualização de
informações. Percebe-se também que os sistemas que tratam da tomada de decisão começam a utilizar técnicas de visualização de incertezas para a representação de situações
onde os dados não são exatos. Na medicina muitas são as aplicações destas técnicas, visto
que muitas são as vezes que diagnósticos médicos são elaborados de forma empírica, suscetíveis a intervenções que podem desviar dos focos de resultados ótimos. Neste capítulo
foram apresentados conceitos sobre a incerteza, estudos sobre a sua representação bem
como um dos métodos mais populares para o tratamento de incertezas em sistemas computacionais que visam o auxílio a tomada de decisão e a automatização de tarefas. Os
conceitos apresentados servirão para dar o suporte a proposta apresentada no capítulo 5,
onde métodos fuzzy são agregados a técnicas de visualização e propostas neste trabalho.
61
4 AQUISIÇÃO DE IMAGENS E DENSITOMETRIA ÓSSEA
O uso de imagens médicas desempenha um papel fundamental na medicina para
tarefas de diagnóstico, planejamento de tratamentos terapêuticos, etc. Todas as principais
modalidades de imagens médicas hoje produzem imagens digitais, que representam uma
enorme quantidade de dados distribuído, que são cada vez mais necessárias para processos
de diagnósticos e análises automatizados (MONTAGNAT et al., 2004).
4.1
Introdução
Atualmente percebe-se o uso cada vez mais constante e intenso da computação na
área da saúde. Esta inovação tecnológica, que a princípio começou de maneira gradativa,
é hoje considerada por muitos uma das ferramentas mais importantes e indispensáveis
nesse segmento. O desenvolvimento da atividade clínica é marcada pela procura contínua
de diagnósticos precisos e de ações terapêuticas adequadas. Para dar suporte a essa tarefa,
o clínico faz uso de uma imensa variedade de informações, dentre as quais podemos destacar particularmente as imagens, que proporcionam uma interpretação direta e cada vez
mais precisa. Para tanto, é importante que existam formas de diagnóstico padronizados e
distribuídos a todos os centros de saúde que se valem de imagens em seus procedimentos
bem como uma forma correta e segura de armazenamento e disponibilização destas.
4.2
Diagnóstico por Computador
Segundo (AZEVEDO-MARQUES, 2001a) o Diagnóstico Auxiliado por Computador (CAD - computer-aided diagnosis) pode ser definido como um diagnóstico feito por
um radiologista que utiliza o resultado de análises quantitativas automatizadas de imagens
radiográficas como uma segunda opinião para a tomada de decisões em diagnósticos. É
importante ressaltar que o computador é utilizado somente como uma ferramenta para ob-
62
tenção de informação adicional, sendo o diagnóstico final sempre feito pelo radiologista,
o que não caracteriza esta modalidade como uma forma de diagnósticos automatizados
A finalidade do CAD é melhorar a acurácia do diagnóstico, assim como a consistência da interpretação da imagem radiológica, mediante o uso da resposta do computador
como referência. A resposta do computador pode ser útil, uma vez que o diagnóstico do
radiologista é baseado em avaliação subjetiva, estando sujeito a variações intra e interpessoais, bem como perda de informação devido à natureza sutil do achado radiológico,
baixa qualidade da imagem, sobreposição de estruturas, fadiga visual ou distração. Além
disso, a probabilidade que uma dupla leitura (por dois radiologistas) pode aumentar a
sensibilidade do diagnóstico é real. A proposta do CAD é funcionar como um segundo
especialista.
A finalidade do CAD é melhorar a acurácia do diagnóstico, assim como a consistência da interpretação da imagem radiológica, mediante o uso da resposta do computador
como referência. A resposta do computador pode ser útil, uma vez que o diagnóstico do
radiologista é baseado em avaliação subjetiva, estando sujeito a variações intra e interpessoais, bem como perda de informação devido à natureza sutil do achado radiológico,
baixa qualidade da imagem, sobreposição de estruturas, fadiga visual ou distração.
Basicamente, existem dois tipos de aplicações de sistemas CAD:
• Auxílio a detecção de lesões: a partir da localização de padrões anormais através
da varredura da imagem pelo computador (por exemplo, agrupamentos de microcalcificações em imagens mamográficas ou nódulos pulmonares em imagens de tórax,
ou detecção de necrose em imagens de animais).
• Auxílio ao diagnóstico: através da quantificação de características da imagem e
sua classificação como correspondendo a padrões normais ou anormais (por exemplo, a associação da quantidade e forma das microcalcificações presentes em um
agrupamento com a malignidade ou não do tumor, ou a associação da textura dos
pulmões com lesões intersticiais em imagens de tórax, ou ainda, a quantidade de
necrose presente na superfície analisada).
As duas aplicações se valem de duas visões provenientes da computação, a visão
computacional e a inteligência artificial. Uma se ocupa da utilização do computador para
a extração de atributos, envolvendo diversas etapas como o processamento, realce e segmentação, etapas estas que preparam a imagem para detectar e corrigir erros caso existam
e retiram da mesma as informações que forem importantes de acordo com os parâmetros
adotados. A outra visão se ocupa de utilizar as informações que foram extraídas da imagem e efetuando a distinção de padrões encontrados, por exemplo a detecção de atributos
que determinem uma região com ou sem necrose em uma imagem médica, se valendo de
métodos computacionais de classificação.
63
4.3
Armazenamento
Os Sistemas PACS (Picture Archiving and Comunication System) são sistemas que
proporcionam o armazenamento e comunicação de imagens de forma normalizada, possibilitando que as informações dos pacientes e suas respectivas imagens sejam compartilhadas e visualizadas em monitores de alta resolução, distribuídos em locais fisicamente
distintos (DWYER, 1996). Os primeiros sistemas de arquivamento e comunicação de
imagens foram caracterizados pelo uso de equipamentos grandes e expansíveis, estações
de trabalho incômodas, duplicação de conteúdo de base de dados, ausência de interfaces
compatíveis com outros sistemas de informação e imaturidade na compreensão sobre os
conceitos de gerenciamento de arquivos e na engenharia dos produtos clínicos.
Historicamente, estes sistemas foram implementados em grandes centros médicoacadêmicos por engenheiros biomédicos e profissionais da informática que atuavam em
processamento de imagem. O sistemas PACS não eram padronizados e resultavam da
aceitação clínica de projetos individuais que haviam crescido a ponto de suportar maior
funcionalidade. Mesmo assim obtiveram progresso devido ao seu potencial de se realizar
a cópia de imagens com alta eficiência, aumentando cada vez mais o estudo de diagnósticos por imagem (PISA, 2003). A Figura 4.1 detalha uma estrutura da arquitetura PACS.
As imagens são adquiridas através de instalações específicas às várias modalidades de imagens médicas, como por exemplo, radiografia digital, tomografia computadorizada, ressonância magnética nuclear (RMN), angiografia, ultra-sonografia, medicina
nuclear, imagens de raio-x digitalizadas, etc. Os processos de aquisição das imagens são
controlados através de um RIS (Radiological Information System). As imagens médicas
produzidas são transmitidas através de um gateway para um roteador, o qual é responsável
por enviar as imagens requisitadas e gerenciar o fluxo de dados.
As imagens podem ser visualizadas em estações de trabalho para a interpretação
e manipulação por especialistas em imagens que utilizam as ferramentas computacionais
disponíveis nas estações ou mesmo através de funções especiais disponíveis em computadores dedicados. Tarefas como renderização 3D, registro e fusão dos dados das imagens
obtidas por diferentes modalidades, extração de atributos e detecção auxiliada por computador são tarefas que podem ser realizadas em servidores especiais. Devido a certos
procedimentos de extração de informações ou processamento poderem consumir uma demanda de processamento, são balanceadas em diferentes servidores as possibilidades de
tarefas a serem executadas.
Considerando o alto custo e também a grande complexidade no desenvolvimento e
manutenção de um sistema PACS, a tendência é implementar soluções menos centralizadas que possibilitem armazenar e processar dados através de uma arquitetura distribuída
que permita armazenar e processar dados através de diferentes equipamentos em ambientes computacionais (CARRINO J. A., 1998; OKA, 1999; ERNST R., 1999).
64
Figura 4.1: Arquitetura do Sistema PACS (PISA, 2003)
Outras pesquisas como em (AZEVEDO-MARQUES, 2001b) buscam também
implementar sistemas de armazenamento e disponibilização de imagens médicas com o
intuito de reduzir o custo computacional de um sistema PACS completo, reduzindo e centralizando as suas funcionalidades como por exemplo o sistema denominado Mini-PACS,
onde a finalidade não deixa de seguir a mesma diretriz dos sistemas PACS de grande centros, que é o de arquivar conteúdo e voltado para o diagnóstico por imagem que permite o
pronto acesso, em qualquer setor do hospital ou clínica, de imagens médicas em formato
digital, sendo caracterizado por quatro subsistemas: aquisição, exibição, disponibilização
e armazenamento de imagens.
4.4
Modalidades de Aquisição
As imagens médicas podem ser obtidas, basicamente, de duas maneiras: através de
métodos invasivos ou não-invasivos. Idealmente, o diagnóstico definitivo de uma doença
deve ser obtido usando métodos não traumáticos, bem como não-invasivos. A aquisição
através de métodos não-invasivos inclui as imagens obtidas através de raio-x, ultra-som,
ressonância magnética, densitometria óssea, etc. São considerados métodos invasivos
aqueles nos quais existe a inserção de algum equipamento ou líquido dentro do corpo hu-
65
mano para obtenção das imagens. Exemplos destas modalidades de aquisição de imagens
são a angiografia, a artrografia (raio-x com contraste), a colonoscopia, a endoscopia, etc
(MANSSOUR, 1998).
Neste capítulo é demonstrado uma introdução as técnicas de aquisição de imagens
na medicina com um enfoque a área da radiologia, mais precisamente na densitometria
óssea, por ser o grande motivador dos estudos de caso apresentados neste trabalho. Também são ilustrados alguns dos procedimentos realizados na densitometria óssea como a
interpretação de exames e medidas utilizadas para os diagnósticos médicos. Por fim são
ilustradas algumas formas de armazenamento e manipulação de imagens na área médica,
bem como questões sobre o armazenamento e a recuperação destas.
4.4.1
Raio-x
Até o final do século XIX, o único modo de se examinar órgãos e estruturas internas do corpo humano era submetendo-o a uma intervenção cirúrgica. O primeiro e mais
utilizado exame não-invasivo do interior do corpo humano, o raio-x, foi desenvolvido em
1895 por Wilhelm Conrad Röntgen na noite de 8 de novembro de 1895 quando trabalhava com uma válvula com a qual estudava a condutividade de gases, e que recebeu o
prêmio Nobel de física em 1901 por esta invenção. A descoberta causou um entusiasmo
no mundo inteiro, especialmente na área da medicina, sendo que em 1900 já existiam vários grupos de médicos radiologistas. Assim, surgiu um novo ramo da medicina dedicado
a estudar e visualizar as estruturas e a função do corpo humano.
A Figura 4.2 ilustra em as primeiras radiografias da história, onde em (a) o professor Michael L. Pupin, da Universidade de Columbia obteve uma radiografia demonstrando a mão de um caçador que sofrera um acidente com sua espingarda. As bolinhas
negras representam cerca de 40 pedaços de chumbo que estavam alojadas (SEGRE, 1987),
(MANSSOUR, 1998). Já em (b) é ilustrada a mão de uma senhora de 79 anos, com destaque para a visualização do anel no dedo anular.
Inicialmente, utilizavam-se, para o armazenamento de imagens de raio-x, filmes
e telas de fluoroscópio, que consiste em uma tela de material fluorescente empregada em
radioscopia para tornar visível o feixe de raios que atravessa o corpo examinado. Neste
caso, o conteúdo ou a estrutura interna de um objeto opaco, como do corpo humano, pode
ser continuamente visualizado como sombras formadas por transmissões diferentes dos
raios X através do objeto. Porém, as imagens obtidas por fluoroscopia tinham pouca nitidez para serem utilizadas clinicamente. Na década de 1940, entretanto, novas tecnologias
começaram a ser usadas para produzir imagens mais nítidas em tempo real. Atualmente,
um procedimento padrão para muitos tipos de exames consiste em combinar o monitoramento em tempo real de imagens de raio-x com a criação de imagens selecionadas em
66
(b)
(a)
Figura 4.2: Primeiras radiografias da história (SEGRE, 1987)
filmes de alta resolução. Até o início dos anos 70, filme e fluoroscopia (exame com o uso
de telas de fluoroscópio) eram as únicas modalidades de raio-x disponíveis.
O raio-X é uma onda eletromagnética, como a luz visível, as ondas de rádio, os
raios infra-vermelhos, e os raios ultra-violetas. As ondas eletromagnéticas tem como características: a sua freqüência e o seu comprimento de onda, sendo estas duas características inversamente proporcionais, ou seja, quanto maior a freqüência menor o comprimento
de onda. A energia de uma onda é diretamente proporcional à sua frequência.
Para a realização do exame, o paciente submetido a um exame de raios X é colocado entre uma fonte emissora de radiação ionizada e um filme sensível a raios X. A
imagem é produzida através da projeção de um raio em direção ao corpo do paciente, o
qual absorve parcialmente o raio-x em diferentes graus, de acordo com os tecidos e ossos
do corpo. Sendo assim, os raios X produzem sombras no filme radiográfico.
O exame de raios X possui, basicamente, duas deficiências: a superposição de
estruturas e o baixo contraste entre tecidos não-ósseos. Estas deficiências devem-se ao
fato de que todos os órgãos atravessados pelos raios são projetados, gerando uma imagem
que representa a atenuação total devida a todas estruturas sobrepostas que são atravessadas
por um raio, conforme este passa através do corpo; sombras geradas pelas estruturas
próximas podem obscurecer o objeto que o médico deseja visualizar. Isto pode dificultar
muito a análise de estruturas complexas ou envolvidas por outros órgãos, resultando em
um grande desafio para os pesquisadores, que precisavam encontrar uma solução para o
problema da superposição de estruturas. A radiografia de contraste, que consiste no uso
de um material de contraste para delinear as áreas de interesse, foi aplicada para ajudar a
lidar com este problema por volta do ano de 1902.
Tais deficiências levaram a necessidade de desenvolver métodos ou técnicas que
evoluíram estes procedimentos. A radiografia digital, por sua vez, aplica as mesmas téc-
67
nicas da radiografia comum, porém as imagens são digitalizadas e estes dados são armazenados na memória do computador, ao invés de serem gravados em um filme. Possibilitando seu uso em softwares de auxílio ao diagnóstico de forma a permitir que os
profissionais da medicina possam se beneficiar das tecnologias desenvolvidas para esta
finalidade.
O raio-x pode penetrar nos objetos opacos com uma orientação irrestrita para gerar projeções bidimensionais semitransparentes. Tais procedimentos são relativamente
baratos e amplamente disponíveis. Procedimentos de raio-x padrão são excelentes para
exames rotineiros do pulmão e do esqueleto, mas não podem fornecer imagens dos tecidos
moles, onde encontram-se a maioria das doenças.
4.4.2
Tomografia Computadorizada
O raio-x provocou não só o interesse dos médicos pela descoberta, mas também
causou sensação em todas as pessoas, que se submetiam ao raio-x apenas por curiosidade
de ver a imagem de seus ossos. O próximo grande marco para o diagnóstico por imagem
foi sem dúvida a Tomografia Computadorizada (TC). A alta resolução e aplicabilidade
para visualização de outros tecidos além do ósseo também conferiram aos seus inventores, o engenheiro eletrônico Godfrey N. Hounsfield e o físico Allan McLeod Cormack o
prêmio Nobel em Fisiologia e Medicina em 1979 (BEVILACQUA, 2003).
A tomografia computadorizada revolucionou as imagens médicas em 1972, pois
permitiu a visualização de estruturas previamente invisíveis em diagnósticos radiológicos
convencionais. Este método de aquisição baseia-se nos mesmos princípios da radiografia
convencional segundo os quais tecidos com diferente composição absorvem a radiação X
de forma diferente, porém este permite retratar as partes do corpo em até três dimensões.
Ao serem atravessados por raios X, tecidos mais densos (como o fígado) ou com elementos mais pesados (como o cálcio presente nos ossos), absorvem mais radiação que tecidos
menos densos (como o pulmão, que está cheio de ar) (NETO, 2005).
A palavra tomografia vem do grego, tomos (corte ou fatia) e graphia (escrita). A
importância da tomografia computadorizada para a Medicina é que é possível distinguir
órgãos e tecidos de tumores, sem intervenção cirúrgica, visto que diferentes tecidos têm
diferentes coeficientes de atenuação. Os aparelhos de TC também utilizam raios X, que
são emitidos em um plano transversal ao corpo do paciente. O objetivo da tomografia
é obter a imagem de uma seção transversal, ou talvez uma imagem tridimensional, do
interior de um objeto de estudo de maneira não invasiva. Como os objetos de estudo
podem diferir muito em sua natureza, as características que se desejam revelar nestas
imagens variam grandemente, assim como as técnicas usadas para obtê-las.
Sistemas tradicionais, reúnem uma série de imagens de seções do corpo, equivalentes a radiografias de camadas internas do mesmo, obtidas através de incrementos na
68
direção do plano de aquisição de imagens com alguns milímetros de distância entre cada
fatia. Desta forma, uma série de imagens 2D igualmente espaçadas podem descrever a
estrutura anatômica 3D.
A TC é indicada para auxiliar no diagnóstico da cabeça, da espinha, do tórax,
do abdome e da pélvis. O paciente corre riscos quando há a necessidade de injeção de
material de contraste intravenoso. Suas vantagens são: rapidez; ótima resolução espacial;
não limitação devido ao intestino; determinação do curso do cateter; possibilidade de
avaliação simultânea de múltiplos órgãos do sistema.
Existem dois tipos de TC classificadas como por transmissão e por emissão ,
descritos a seguir (MANSSOUR, 1998),
• Na TC por transmissão a imagem de uma "fatia"do corpo humano é reconstruída
a partir de uma série de varreduras com um feixe de raio-x. Este feixe atravessa
o plano do paciente em diferentes ângulos. A radiação não absorvida pelo corpo
do paciente é medida por detectores alinhados com emissores de raio-x. O conjunto emissores-detectores é rotacionado no mesmo plano e os raios são emitidos e
medidos para várias inclinações diferentes. Os valores medidos na linha de detectores são armazenados para cada ângulo e usados na reconstrução matemática do
plano atravessado ao feixe de radiação. Como resultado, é obtida uma imagem que
representa uma fatia plana do corpo examinado, sem sobreposições. O conjunto
emissor-receptor, ou a cama onde fica o paciente, é movido na direção do eixo de
rotação, permitindo a aquisição de planos paralelos consecutivos.
• Na TC de emissão (ECT) o objetivo é fazer uma imagem seccional da distribuição
de isótopos radioativos no corpo humano, considerando que um isótopo pode ser
administrado a um paciente em forma de radiofármacos tanto por injeção como por
inalação. Isótopos radioativos são caracterizados pela emissão de fótons de raiogama, um produto do decaimento nuclear. Fótons de raio-gama são indistinguíveis
dos fótons de raio-x, os diferentes termos utilizados são para diferenciar sua origem.
A concentração de um isótopo em qualquer secção muda com o tempo, devido
ao decaimento radioativo e a cibernética bioquímica do corpo. Isto implica que
todos os dados para uma imagem seccional sejam coletados em um pequeno tempo
constante, associado às mudanças de concentração. Porém, este aspecto dá à ECT
mais potencial e utilidade nos diagnósticos médicos, sendo, assim, usada para a
medição do metabolismo, revelando o funcionamento fisiológico do corpo, como
fluxo sangüíneo ou consumo de oxigênio.
As técnicas de TC por emissão são divididas em PET (Positron-Emission Tomography) e SPECT (Single-Photon Emission Tomography). Em ambas aplicações, o
objetivo é um pouco diferente dos scanners de CT. A origem da radiação eletromag-
69
nética é agora um radioisótopo que é distribuído dentro do corpo. O objetivo é gerar
um mapa espacial ou uma imagem da distribuição, usualmente fatias bidimensionais do corpo. Dessa forma, enquanto as técnicas de CT geralmente mostram as
propriedades de absorção, as quais são relacionadas com a anatomia, as técnicas
de emissão mostram a distribuição radioativa, podendo indicar vários aspectos da
função fisiológica. Estes traçadores radioativos também podem ser usados em CT
na forma de agentes de contraste rádio-opaco. Os resultados dos exames PET e
SPECT não apresentam bem as estruturas anatômicas, mas sim níveis de atividade
metabólica.
4.4.3
Ultra-Sonografia
A ultra-sonografia (também chamada de ecografia), da mesma forma que a medicina nuclear e a tomografia computadorizada, faz parte do moderno arsenal de técnicas de
diagnóstico por imagem. A utilização do ultra-som de alta resolução para o diagnóstico
e avaliação dos pacientes tem sido cada vez maior. Este fato deve-se principalmente ao
desenvolvimento tecnológico da instrumentação por tempo real, equipada com transdutores de alta freqüência, portadores de ótimas resoluções espacial e axial. Consagrada
como um dos métodos auxiliares mais importantes na ginecologia e obstetrícia, nos últimos anos a ultra-sonografia teve uma expansão gradativa em sua aplicabilidade como
método de diagnóstico, incluindo atualmente a geração de imagens cardíacas, vasculares
e do peito. Este fato pode ser explicado pelo ultra-som ser um método não-invasivo, disponível em praticamente todos os centros, de rápida execução e de relativo baixo custo
(MANSSOUR, 1998).
O aparelho de ultra-sonografia é portátil e, normalmente, consiste de um monitor,
com conectores como saída para aparelho de impressão e saída de vídeo, um teclado e
um emissor/receptor. As imagens geradas podem ser armazenadas em memória digital,
gravadas em videocassete ou diretamente no filme, através de uma câmera multiformato.
Cabe lembrar que nos exames ultra-sonográficos deve-se utilizar uma espécie de gel entre
o transdutor e o corpo do paciente, para evitar a presença de ar entre os dois. Também
deve-se tomar cuidado com o fato de que ruídos de outros equipamentos podem ser captados pelo aparelho de ultra-som, resultando em faixas lineares ou pontos distribuídos
irregularmente pela imagem.
4.4.4
Densitometria Óssea
A Densitometria óssea, também chamada de Dual-energy X-ray absorpiometry
(DEXA) consiste em um exame aplicado da área da radiologia que mede, com precisão,
a densidade dos ossos ou a perda óssea. Se baseia nas características do exame de raio-x
pelo fato de não ser invasivo e ajudar os profissionais da área médica a diagnosticar e
70
tratar condições médicas. As imagens de raio-x funcionam expondo uma parte do corpo
a uma pequena dose de radiação ionizante para produzir imagens do interior do corpo
(RADIOLOGYINFO, 2008). É considerada atualmente a técnica padrão para determinar
a densidade óssea de seres humanos.
O exame é indicado a mulheres em fase de pré-menopausa, menopausa, pósmenopausa, em regime de reposição com hormônios estrógenos, e também nos indivíduos
em uso de hormônios tireoidianos, corticosteróides, e medicamentos anticonvulsivantes.
Nas crianças, está indicado quando há necessidade de acompanhamento do desenvolvimento ósseo, em doenças osteometabólicas, e ocasionalmente em regimes dietéticos para
emagrecimento. Em exames de densitometria, é comum o diagnóstico das doenças de
Osteopenia e Osteoporose, a osteopenia é uma afecção óssea na qual os ossos perdem
estes minerais e têm menor densidade, o que os torna mais frágeis. Quando a perda óssea
é grave, a afecção se chama Osteoporose, caracterizada pela baixa massa óssea e deterioração da micro arquitetura do tecido ósseo, ampliando a fragilidade dos ossos e levando
a consequente risco de fratura. A Osteoporose implica uma perda gradual de cálcio, bem
como as mudanças estruturais, fazendo com que o osso se torne mais fino, mais frágeis
e mais propensos a quebrar. As partes mais afetadas na osteoporose são: o colo do fêmur, coluna, a pelve e o punho. As partes de interesse na obtenção das imagens para
diagnóstico são o fêmur e a coluna vertebral.
A Organização Mundial de Saúde tem desenvolvido rigorosos critérios que determinam a elegibilidade para tratamentos de osteoporose que vão desde critérios de avaliação contendo itens como histórico familiar, hábitos de vida até fraturas prévias. Também
disponibiliza critérios para a avaliação farmacológica de medidas de densidade em pacientes que realizam o exame.
A técnica baseia-se na atenuação, pelo corpo do paciente, de um feixe de radiação
gerado por uma fonte de raio-x com dois níveis de energia. Este feixe atravessa o indivíduo no sentido póstero-anterior e é captado por um detector, conforme Figura 4.3. O
programa calcula a densidade de cada amostra a partir da radiação que alcança o detector em cada pico de energia. O tecido mole (gordura, água, músculos, órgãos viscerais)
atenua a energia de forma diferente do tecido ósseo, permitindo a construção de uma
imagem da área de interesse. A quantidade de tecido mole pode ser deduzido do total,
o que resta é a visualização da densidade mineral óssea. As máquinas DXA apresentam
um software especial que calcula e visualiza as medições de densidade. As medidas da
densidade mineral óssea são geralmente reportadas na concentração média de cálcio, nas
áreas escaneadas pelo aparelho.
O exame é realizado em nível ambulatorial, com exames concentrados na parte
inferior da coluna e quadril. Em crianças e alguns adultos, o corpo inteiro é, por vezes,
digitalizado. O resultado é comparado com padrões de desvios padrão para idade e sexo.
71
Figura 4.3: Densitômetro DPX-IQ Lunar (BRANDãO, 2007)
Para a realização dos exames são indicados critérios de procedimentos, a Figura
4.4 ilustra uma linha de ação para a realização de exames de densitometria para o tratamento de casos de osteoporose ou o tratamento farmacológico da osteopenia.
Figura 4.4: Linha de Ação para tratamento ou Realização de Exames (WA, 2007)
72
• Suspeita de Osteoporose: é quando existem indícios ou fatores de risco que contribuam para que o paciente em questão seja um forte candidato a desenvolver a
doença de osteoporose.
• Indicações de Medidas de DMO: Existem grupos de pessoas que estão incluídos
em uma categoria denominada "Alto Risco"e que devem ser observadas com muita
atenção. Para considerar pessoas inclusas nos principais grupos de alto risco, são
avaliados critérios como: história de fratura traumática mínima (especialmente fraturas de quadril e coluna), mulheres em estágio de menopausa prematura, quando
são estabelecidas causas secundárias (hiperparatireoidismo, insuficiência renal, artrite, etc), histórico familiar de osteoporose.
– Critérios Presentes: quando os critérios avaliados são encontrados em pacientes é necessário o exame para o cálculo de Densidade Óssea.
∗ Exame DEXA: Caso os critérios de avaliação sejam validados, o paciente
é submetido ao exame para o cálculo de densidade óssea, com os resultados expressos em pontuações T (T-Score) ou Z (Z-Score), sendo posteriormente comparados a tabela de classificação demonstrada na Figura 4.8
e determinando o tratamento de pacientes ou apenas o aconselhamento
farmacológico. Para os casos que requerem o tratamento da doença, é
recomendado uma nova avaliação DMO a cada 2 anos para comparações
dos níveis de densidade.
– Critérios Ausentes: Quando os critérios para avaliação de grupos de risco
não são validados o paciente é recomendado ao gerenciamento médico, que
avaliará condições de vida do paciente e orientado a tomar precauções para
que fatores de risco não venham a ser desenvolvidos em função de hábitos
como tabagismo, sedentarismo, controle de obesidade, exposição à luz solar,
etc. Além destes, é comum também um acompanhamento contínuo para osteopenia / osteoporose. Uma perda de altura de 2,5 centímetros é uma forte
evidência clínica para a existência da osteoporose em pacientes (WA, 2007).
Nos exames é comum o preenchimento de um questionário com o propósito de
determinar se o paciente possui condições médicas ou necessidade de tomar certos medicamentos para aumentar ou diminuir o risco de uma fratura. A Organização Mundial da
Saúde possui um inquérito online que combina os resultados DEXA e algumas questões
básicas e pode ser usado para prever 10 anos de risco de fratura do quadril de mulheres em situação de pós menopausa. Este método tem sido utilizado como suporte aos
diagnósticos.
73
4.4.4.1
Interpretação dos Exames
Um radiologista devidamente treinado para supervisionar e interpretar exames radiológicos analisará os resultados dos exames. Um laudo por escrito será encaminhado ao
médico, geralmente dentro de alguns dias. Para o cálculo de resultados, são apresentadas
duas pontuações: a Pontuação T(T-Score) e a Pontuação Z(Z-Score).
• Pontuação T T-Score: este número indica a massa óssea que você possui em comparação a uma pessoa adulta de mesmo sexo em situação ótima de massa óssea.
Figura 4.5: Pontuação T-Score
Demonstrado na Figura 4.5 uma pontuação acima de -1 é considerada normal.
Entre -1 e -2,5, é considerado o primeiro estágio de perda óssea (osteopenia), e
abaixo de -2,5 é definida como osteoporose. Esta é a classificação adotada como
base da Densitometria Óssea medida por DEXA e do T-Score, a OMS (Organização
Mundial da Saúde) nas três categorias a seguir:
1. Densidade Óssea Normal: T-Score superior a 1.
2. Osteopenia (baixa massa óssea): T-score entre -1 e -2,5.
3. Osteoporose: T-Score inferior a -2,5.
• Pontuação Z (Z-Score): indica a massa óssea do paciente em comparação com outras pessoas da mesma faixa etária, mesmo tamanho e sexo. Com base em cálculo
de resultados obtidos da análise o médico pode indicar exames adicionais ao paciente. A Figura 4.6 ilustra a tela visualizada pelo médico na análise.
As Figuras 4.6 e 4.7 retratam exames de densitometria aplicados ao quadril e a
coluna de um paciente, respectivamente. A partir da imagem resultante e das medições,
os cálculos podem ser feitos para determinar a densidade do osso do paciente (T-Score)
e compará-la com a referência de um padrão saudável de trinta anos de idade do mesmo
sexo e etnia para determinar riscos futuros de fraturas.
74
Figura 4.6: Densitometria Óssea de Quadril
Para diagnósticos médicos é comum existirem pacientes que não apresentam um
quadro grave da doença e também pacientes que apresentam um estágio de alto risco de
fratura. Normalmente os especialistas utilizam padrões de diagnósticos para a aplicação
ou não de terapias farmacológicas demonstrados na Figura 4.8.
4.4.4.2
Regiões de Interesse na Densitometria
A densitometria por DEXA pode avaliar como regiões de interesse a coluna lombar (PA e perfil), o fêmur proximal, o antebraço e o corpo inteiro com sua composição
corporal:
• Coluna Lombar: A Figura 4.9 demonstra um exame de coluna vertebral em posição
póstero-anterior e avalia o segmento de L1 a L4, que é usado para o diagnóstico de
osteoporose e que apresenta a melhor sensibilidade para a monitoração terapêutica.
O exame da coluna lombar na projeção lateral permite que se excluam as estruturas
posteriores dos corpos vertebrais, minimizando os efeitos somatórios da doença
osteodegenerativa sobre a densidade mineral óssea. Porém, a dificuldade de se
75
Figura 4.7: Densitometria Óssea de Coluna
Figura 4.8: Limiar Farmacológica para Tratamentos
posicionar o paciente e as deformidades torácicas comuns nos idosos fazem com
que a reprodutibilidade do exame seja inaceitável. Desta forma, o exame lateral
não é indicado para o diagnóstico de osteoporose e é usado apenas em condições
76
especiais.
Figura 4.9: Densitometria de Coluna Lombar (BRANDãO, 2007)
• Fêmur Proximal: O exame de fêmur proximal demonstrado na Figura 4.10 envolve
a medida de DMO em três regiões: cólo de fêmur, trocanter maior e Triângulo de
Wards (área de menor densidade da região do fêmur). O software do densitômetro
fornece uma medida de todo o fêmur proximal, o fêmur total, que por ser menos
dependente de posicionamento e apresentar um coeficiente de variação menor, pode
ser muito útil no seguimento do paciente. O exame normalmente é aplicado no osso
do lado direito, por não apresentar diferenças significativas em exames envolvendo
os dois lados .
• Antebraço: A avaliação da BMD do antebraço pode ser útil em três situações: no
hiperparatiroisdismo primário, pois a perda óssea tende a afetar predominantemente
o osso cortical, que pode ser avaliado de forma sensível na diáfise do rádio; quando
o fêmur ou a coluna lombar não puderem ser avaliados, para complementação diagnóstica; e nos pacientes com antecedentes familiares de fratura de Colles (rádio
distal), pois o fator genético é muito importante neste tipo de fratura. Três regiões
são delimitadas: o rádio ultra-distal (com predomínio de osso trabecular), a região
diafisária do rádio e ulna (com predomínio de osso cortical) e a região intermediária
que inclui tanto osso cortical quanto trabecular.
• Corpo Inteiro: O exame do corpo inteiro, ou a composição corporal por densitometria, é o método de escolha para obter-se o conteúdo de gordura e massa magra
(músculos, vísceras e água corporal) do organismo, além de fornecer a BMD total
do esqueleto. É um método rápido, utiliza pouca radiação e discrimina pequenas
77
Figura 4.10: Densitometria de Fêmur Proximal (BRANDãO, 2007)
variações dos componentes corporais. A análise da composição corporal é útil na
avaliação nutricional do indivíduo, na fase de crescimento e aquisição de massa
óssea, em programas de condicionamento físico e na evolução e no tratamento de
muitas doenças que afetam a massa óssea. A BMD total não deve ser usada para o
diagnóstico de osteoporose por sua pouca sensibilidade.
Algumas condições clínicas e/ou artefatos podem prejudicar ou inviabilizar o
exame, tais como: realização de exames radiológicos contrastados (enema opaco, tomografia, EED, mielografia, etc.), exames de Medicina Nuclear, próteses e grampos metálicos de sutura (staples) na área do exame, grandes deformidades vertebrais, doença
osteodegenerativa tanto em coluna quanto em fêmur, obesidade (> 125 kg), calcificações
de tecidos moles adjacentes ou na projeção da área de interesse, antecedente de fraturas,
ascite e impossibilidade de posicionamento adequado.
4.4.4.3
Objetivos e Limitações da Análise
Os principais objetivos da análise com o uso de densitometria óssea são avaliar
o grau de osteoporose, indicar a probabilidade de fratura, obter a curva de perda óssea
através do tempo (quando a avaliação é feita periodicamente) e auxiliar no tratamento
médico. O paciente não necessita de preparo especial e nem de jejum. A osteoporose
pode ser controlada com base nos resultados obtidos com a Densitometria.
Uma atenção especial pode ser destacada quanto a avaliação de fraturas futuras.
Diversos fatores são relacionados ao risco de fraturas futuras como a idade, peso corporal,
história de fratura prévia, história familiar de fraturas e estilo de vida, tais como tabagismo
e consumo excessivo de álcool. Estes fatores são tomados em consideração ao decidir se
78
um paciente necessita terapia.
Um teste DXA não pode prever quem vai sofrer uma fratura, mas pode fornecer indicações de risco relativo. Apesar de sua eficácia como um método de medição
da densidade óssea, o exame DXA é de utilidade limitada em pessoas com deformações
na coluna ou pacientes que tiveram cirurgias raquimedular (cirurgias envolvendo a coluna vertebral) anteriores. A presença de fraturas vertebrais compressão ou osteoartrite
(perturbação crônica das articulações) pode interferir com a precisão do ensaio, em tais
casos, tomografia computadorizada pode ser mais útil.
Equipamentos para medição de densitometria óssea são caros comparados a outros
equipamentos capazes de realizar exames não-invasivos. Para pequenos centros clínicos
situados em cidades afastadas dos grandes centros estes equipamentos acabam tornandose de difícil acesso, sendo necessária a locomoção de pacientes entre cidades para a realização de exames.
4.5
Considerações Finais
Conforme foi ilustrado neste capítulo, vários desenvolvimentos tecnológicos estão
convergindo de forma a aumentar a influência da área de imagens nas pesquisas biomédicas e na medicina clínica. Cada vez mais é comum o desenvolvimento de sistemas
computadorizados para detecção de anormalidades em imagens radiológicas e dedicados
ao diagnóstico auxiliado por computador.
De modo geral, o uso de computadores para auxílio à análise de imagens radiológicas tem-se mostrado eficiente no auxílio aos profissionais da medicina no que se refere
a diagnósticos médicos. Este capítulo propôs uma revisão de métodos de diagnóstico por
computador e formas de aquisição de imagens médicas, enfatizando que a análise automatizada é um auxílio, e não um substituto, para o profissional, não necessitando ser perfeita
e sim possuir um desempenho próximo ao do especialista. Nesse contexto, as pesquisas
que estão sendo desenvolvidas indicam ser bastante promissor o uso de sistemas de diagnóstico auxiliado por computador como uma segunda opinião no processo de diagnóstico
por imagem.
79
5
PROPOSTA
O presente capítulo ilustra a proposta de um método para a visualização de informações médicas com a utilização de lógica fuzzy no tratamento de incertezas de informações. Este trabalho é parte integrante de um projeto maior denominado projeto M-IPE1 ,
que possui como objetivo principal o desenvolvimento de uma arquitetura para armazenar
e processar informações médicas. A seguir serão abordados conceitos iniciais que visam
contextualizar a proposta e na sequência ilustram-se detalhes da ferramenta incluindo os
resultados obtidos a partir de protótipos já desenvolvidos.
5.1
As Finalidades Propostas do Projeto
O conjunto dos módulos de ferramentas para especialistas da área das exatas agregado dos módulos de ferramentas para profissionais da medicina permitem o comprimento das finalidades principais do projeto sejam cumpridas, que são:
• As Demandas de Hospitais e Postos de Saúde: constituem as necessidades específicas dos agentes de saúde. Estas demandas neste momento estão focadas em
aplicações voltadas para a área da Radiologia, onde as aplicações propostas e desenvolvidas no Projeto M-IPE estão concentradas. A formalização deste item na
arquitetura propõe que outras demandas poderão surgir em áreas diferenciadas e
poderão facilmente serem agregadas ao projeto.
• Desenvolvimento de Modelos e Simulação de Aspectos Dinâmicos: constitui a
reunião de vários módulos de desenvolvimento de ferramentas computacionais para
dar o suporte necessário às demandas de hospitais e postos de saúde. Os modelos
em desenvolvimento são testados em um ambiente de processamento paralelo e
distribuído utilizando recursos de servidor como banco de dados e agregados de
computadores.
1
Medical Information Processing Environment: Os detalhes do projeto estão em anexo na seção final
deste trabalho.
80
Sabe-se que as demandas dos hospitais e postos de saúde atualmente envolvem
um escopo de tarefas específicas voltadas para a área da radiologia. Não está descartado
o suporte para futuras demandas que possam surgir. Neste contexto, dois módulos são especialmente importantes para toda a aplicação que são o módulo de Criação de Técnicas
de Visualização de Informações e o módulo de Parametrização de Algoritmos e Modelos, ambos pontos-chave para a interação de profissionais especialistas da área médica
e da área de ciências exatas.
5.2
Modelos Propostos para Visualização
A proposta deste trabalho está no contexto dos módulos existentes no projeto MIPE da camada cliente, atendendo demandas nas interfaces de criação de modelos de
técnicas de visualização e de visualização e diagnóstico assistido, encontradas no módulo
especialistas. Os softwares mais comuns utilizados por equipamentos de densitometria
óssea levam em consideração as informações de padrão de densidade e idade, realizando
o cálculo das medidas T- e Z-Score e calculando a densidade do paciente em análise.
Sabe-se que existem fatores externos como peso, hábitos alimentares, sedentarismo e
tabagismo que também devem ser levados em consideração pelos especialistas juntamente
com a saída do sistema e podem influenciar o diagnóstico final dos exames. Além disso,
quando os exames são realizados, os aparelhos de densitometria necessitam ser calibrados
para que exista uma maior precisão no exame e também não há a garantia de que exames
realizados em aparelhos diferentes possam determinar o mesmo laudo de análise.
Para tanto, buscou-se na área de visualização de informações métodos e padrões
que reunissem metáforas visuais de modo que seja possível:
1. Apresentar informações adequadamente para cada especificidade de aplicação;
2. Agregar informações e adequá-las de forma dinâmica nas diferentes modelagens;
3. Possibilitar ao profissional interpretar as informações apresentadas de forma a auxiliar em diagnósticos mais precisos;
Agregando os objetivos da proposta com as demandas do projeto, foi desenvolvida
uma arquitetura de aplicações, onde existem módulos responsáveis por tarefas diferenciadas e aplicadas. Para a visualização de informações, existem dois módulos apropriados
onde um é responsável pela criação de modelos de visualização que exploram os diferentes métodos visuais utilizados por profissionais da matemática, tecnologia e medicina;
e, um módulo que armazena os modelos de visualização constituindo métodos aplicados
de visualização para as diferentes áreas de estudo. Existem interfaces com tarefas distintas e responsáveis por determinadas funcionalidades em questão, estas interfaces estão
descritas na Figura 5.1.
81
Figura 5.1: Arquitetura de Interface de Visualizações
O desenvolvimento de modelos de visualização de informações consiste em prover
subsídios de exploração de diferentes visualizações da informação, servindo como base
para a criação de novas técnicas de visualização que reúnam um ou mais modelos criados
anteriormente. O nome modelo refere-se ao fato de serem protótipos que visam explorar
formas de visualizar a informação sem determinar a sua real utilização.
Já as técnicas de visualização consistem um ou vários modelos testados, parametrizados e em seguida disponibilizados ao outros módulos da arquitetura. A Figura
5.1 deixa esta intenção clara quando ilustra duas interfaces, a denominada de criação de
modelos de visualização e a interface de técnicas de visualização de informação. A Interface de Criação de Modelos e Visualizações compreende dois módulos: O Módulo de
Desenvolvimento de Modelos e o Módulo de Visualizações Efetivas, explicados a seguir.
1. Desenvolvimento de Modelos: Este módulo é responsável por armazenar todos
os modelos de visualização desenvolvidos para diferentes estudos de caso. Neste
momento os estudos estão direcionados aos métodos de visualização de funções e
resultados da lógica fuzzy, entretanto podem compreender outros métodos de visualização e técnicas ainda não exploradas pelo projeto. A Figura 5.2(a) ilustra
dois exemplos de modelos desenvolvidos e utilizados como objetos de estudo na
proposta.
2. Técnicas de Visualizações: Ilustrada na Figura 5.2(b), Os modelos que se adaptarem por completo às necessidades de estudos de caso específicos serão considerados como Técnicas de Visualização, pois são capazes de atender às demandas
82
(a)
(b)
Figura 5.2: Interfaces de Desenvolvimento
necessárias e prover ferramentas para a completa exploração das informações em
questão. As técnicas estão disponíveis dentro do projeto M-IPE como estudos de
caso formalizados para sua utilização em finalidades como a densitometria óssea na
área da medicina.
5.2.1
Modelo Radar Fuzzy
O modelo de Visualização Radar utiliza uma representação de gráfico própria do
tipo radar, conforme as Figuras 5.3, 5.4 e 5.5. Percebe-se que este tipo de gráfico pode
ilustrar uma quantidade arbitrária de variáveis na mesma visualização, tornando uma estratégia interessante neste módulo do projeto, visto que os profissionais podem modelar
funções com quantidade variável de atributos.
A modelagem de funções matemáticas proposta na interface de Parametrização
de algoritmos e modelos tem o intuito de atender as diversas necessidades dos profissionais da medicina exigindo que a ferramenta de visualização seja de forma mais genérica
possível. Para este modelo existe também uma interface de cadastro e parametrização de
modelos radar possibilitando adaptar este modelo às necessidades específicas das demandas. A Figura 5.6 ilustra a interface de parametrização proposta para este modelo.
83
Figura 5.3: Fuzzy View Radar - Exemplo com três variáveis modeladas
Figura 5.4: Fuzzy View Radar - Exemplo com 5 variáveis modeladas
Na parametrização as configurações possíveis são: a identificação do radar, o
nome do perfil, o número de parâmetros a serem visualizados, o intervalo de escala e
o universo de discurso. Todas estas informações são componentes do modelo e devem
ser conhecidas pelo profissional para que possam ser adaptadas a cada modelo desenvolvido. No momento da criação de um novo modelo radar pode-se pré-visualizar o modelo
resultante.
5.2.2
Modelo Radial Fuzzy
Este modelo de visualização foi desenvolvido para propor uma representação das
informações de análise da densitometria óssea de pacientes, providos por um dos mode-
84
Figura 5.5: Fuzzy View Radar - Exemplo com 7 variáveis modeladas
(b)
(a)
Figura 5.6: Modelos de gráfico Radar
los computacionais também contidos no projeto M-IPE. E tem como objetivo atender a
demanda de visualização dos resultados do processamento de imagens que realizam as
tarefas de cálculo da densidade óssea.
A interpretação das informações em uma análise de densitometria óssea é essencial para que se possam escolher as melhores representações visuais para a ilustração de
atributos que ajudem o profissional no seu diagnóstico. Neste sentido, esta técnica de
visualização não tem como objetivo realizar uma mudança radical na forma como os da-
85
dos de diagnósticos são visualizados, e sim agregar a representação das informações dos
valores de pertinência das funções fuzzy modeladas pelos especialistas.
O Modelo Radial Fuzzy apresenta uma representação de esfera multicolorida em
uma natureza de domínio, utilizando as cada cor como forma de representação visual para
uma dada função fuzzy, ilustrado na Figura 5.7.
(a)
(b)
Figura 5.7: Visualização Radial Fuzzy
De acordo com a Figura 5.7(a) pode-se perceber que a esfera de visualização é
dividida em camadas, onde a cada camada é atribuído o nível de pertinência correspondente. Na Figura 5.7(b) é possível visualizar um exemplo hipotético de um resultado com
diferentes níveis de pertinência representado em escalas de cores diferentes.
A cada mudança de um nível de pertinência, a cor correspondente da escala expande ou contrai-se em relação ao seu espaço de domínio no gráfico. Em caso de valores
mito pequenos ou até mesmo da inexistência daquela escala de pertinência, o gráfico dá
ênfase as demais classes, ou seja, apenas classes com alguma significância são observadas
neste modelo de visualização.
Para a parametrização do modelo, foi desenvolvido uma interface de cadastro de
modelos onde é necessário que o especialista cadastre os perfis de funcionamento do
modelo. A interface de cadastro é ilustrada na Figura 5.8.
Percebe-se na Figura 5.8(a) que a interface é composta por alguns ítens que auxiliam o profissional a parametrizar o modelo de visualização. Dentre os parâmetros da
ferramenta, é importante salientar que este modelo propõe uma visualização dinâmica, ou
86
(a)
(b)
Figura 5.8: Modelos de representação Esfera Fuzzy
seja, adaptando-se para diferentes situações atendendo a demandas futuras. Para tanto, o
especialista cadastrar um nome de perfil, configurando a quantidade de atributos que se
deseja representar juntamente com a representação de cor desejada para cada atributo em
questão.
Na Figura 5.8 (b) é ilustrado um cadastro de perfil de visualização onde são inseridos 5 parâmetros com cores diferentes, sendo possibilitado ao operador interagir com o
modelo visualizando uma amostra de como ficará a visualização do modelo abaixo dos
parâmetros.
Após o armazenamento do perfil, este é disponibilizado para utilização e testes, e
para integração com outros modelos existentes da arquitetura M-IPE.
5.3
Estudos de Caso
A proposta visa prover estudos de caso para áreas de estudo diferentes. Um estudo
aplicado foi a Visualização de Informações Médicas com aplicações na Densitometria
Óssea. Esta aplicação constitui um dos resultados obtidos com os modelos de visualização
que propõem visualizações efetivas para serem testadas e validadas pelos profissionais da
área, neste caso, médica.
87
Uma das premissas da visualização de informações é prover formas de integrar
as informações relevantes ao passo que o usuário possa compreendê-las de forma visual,
além disso, o aproveitamento de condições externas não validadas antes nos exames de
densitometria óssea convencional durante os laudos eletrônicos como o estilo de vida por
exemplo, é muito importante para que diagnósticos possam ser mais eficientes. Para tanto,
contemplando os objetivos da visualização de informações médicas dentro da esfera de
modelos de visualização no projeto M-IPE existem duas ferramentas protótipos que contemplam a visualização de informações Fuzzy e agregam a visualização de informações
a área da medicina:
• Radar Fuzzy: para a representação de fatores externos que devem ser considerados
na análise de resultados da densitometria óssea para tratamentos farmacológicos;
• Densitometria Fuzzy: para a visualização de resultados de cálculo de Densidade Mineral Óssea (DMO) de Pacientes processados por interfaces de modelos
matemáticos-computacionais no Projeto-MIPE.
5.3.1
Visualização de Fatores de Risco utilizando o Fuzzy View Radar
Este modelo foi desenvolvido com a proposta de agregar valores externos de forma
efetiva em diagnósticos de exames de densitometria óssea. O modelo proposto de gráfico
utilizado foi do tipo radar, onde valores agregados são comparados em várias séries de
dados a partir de um eixo comum. Para tanto, podem ser utilizadas informações de pacientes relacionadas aos hábitos de vida normalmente obtidos via prontuário médico, por
exemplo.
Para a aplicação desta Visualização foram selecionados para testes iniciais atributos como sexo, altura, tabagismo, data de nascimento e peso, que podem influenciar em
casos tanto de pacientes em fase de prevenção quando em casos de tratamento da doença
já diagnosticada. As informações em sua maioria são fáceis de se obter e providas por
questionários de pesquisa submetidos a respostas do paciente, tabuladas e armazenadas
na ficha cadastral de cada paciente, de acordo com a Figura 5.9.
O uso da lógica fuzzy pode contribuir com o uso de variáveis linguísticas adotadas
para submeter informações como peso, por exemplo, a um processo de fuzzyficação ilustrado na Figura 5.10), para que exista a possibilidade do sistema detectar, por exemplo,
quando um paciente está com sobrepeso ou com um peso abaixo da média.
Percebe-se que vários parâmetros de entrada constituem dados que já estão armazenados na base de informações do paciente e que normalmente são coletados por questionários de estilos de vida para tratamentos de doenças em geral. Os atributos utilizados
da Figura 5.9 são utilizados para a combinação e geração das variáveis linguísticas.
88
Figura 5.9: Fatores de Risco de Osteoporose e Osteopenia
Figura 5.10: Fuzzy View Radar - fatores externos
Para possibilitar a utilização da lógica fuzzy, foram utilizados procedimentos próprios da modelagem fuzzy envolvendo as etapas de Fuzzificação, Base de Regras e Defuzzificação para, por fim, culminar na Visualização das informações. A modelagem fuzzy
e também o processamento que envolve os dados da visualização estão previstos na interface de desenvolvimento de algoritmos e modelos matemáticos computacionais e estes
terão influência direta na forma como as informações serão visualizadas. Para que esta
89
técnica possa executar o procedimento de visualização corretamente é necessário que o
profissional cadastre o perfil radar desejado incluindo os parâmetros de cores e universo
de discurso desejado.
Os atributos utilizados em qualquer análise médica são considerados apenas como
valores booleanos como exemplo a situação fumante e tabagismo, que é registrado apenas
se o paciente faz uso ou não na maioria de questionários médicos. Para esta visualização,
foram previstos índices calculados pela interface de modelagem de algoritmos que serão
utilizados na visualização, que são considerados como variáveis linguísticas em sistemas
fuzzy. O processo de geração das variáveis linguísticas é um procedimento que deve fornecer uma maneira sistemática para uma caracterização aproximada de fenômenos complexos ou mal definidos, por isso é uma tarefa que depende bastante da intervenção do
especialista da área para que ajude a definir quais serão as variáveis linguísticas e seus
termos. As variáveis linguísticas previstas são detalhadas a seguir:
• Variáveis Linguísticas: As variáveis linguísticas utilizadas são: Índice de Peso, Índice de Tabagismo e Índice de sedentarismo, todas oriundas de atributos utilizados
no diagnóstico de fatores de risco externos às doenças de osteoporose e osteopenia.
Com a finalidade de validar a modelagem proposta na área médica, inicialmente
os termos linguísticos adotados para todas as variáveis foram “baixo”, “médio” e
“alto” representando o que hoje não é utilizado formalmente em padrões de diagnósticos médicos, por exemplo. Normalmente quando especialistas da área médica
constatam que dado paciente é fumante, o único registro de fato que é armazenado é
um campo boleano sim/não, sem quantificar em formulário quão fumante é o paciente, impossibilitando o acompanhamento do progresso do paciente neste quesito.
Para tanto, as variáveis são modeladas da seguinte forma:
– Índice de Peso: consiste em um nível de massa corporal do paciente. Visa
quantificar o peso em relação a altura de pacientes, visto que em exames de
densitometria percebe-se que a altura e peso dos pacientes influencia diretamente em diagnósticos médicos para as doenças de osteoporose. Inicialmente,
a variável Índice de Peso é composta pelos termos baixo, médio e alto.
– Índice de Sedentarismo: consiste no índice que mede quão sedentário é o
paciente. A prática de esportes é um dos fatores que reduz a probabilidade
de doenças em todos os sentidos. A geração deste índice inicialmente será
alimentada com a inserção manual de um valor de pertinência de 0 a 1, e o
resultado é um indicador de risco.
– Índice de Tabagismo: visa reproduzir o nível de tabagismo do paciente, visto
que a estrutura óssea é afetada pelo uso contínuo de cigarro. Este índice serve
90
para a determinação eficaz de tratamentos em caso de tratamento farmacológico futuro para os pacientes. É medido de acordo com a frequência de fumo
em relação a idade dos pacientes. Normalmente em casos onde a idade é elevada é comum que indícios altos de nicotina repercuta em um fator de risco
bastante considerável em tratamentos.
Percebe-se que a modelagem das variáveis bem como os valores dos termos linguísticos foram determinados para méritos de testes, e poderão ser modificados posteriormente pelo especialista. Da mesma forma é esperado que as próprias variáveis
linguísticas também possam ser modeladas pelos especialistas de forma a adaptarem o conhecimento de suas atividades diárias e agregar a real semântica na saída
do sistema. O principal propósito aqui é possibilitar ao especialista a visualização
das funções e visualizar os resultados de sua modelagem.
A visualização final da ferramenta consiste em posicionar em cada extremidade
do gráfico uma variável linguística referente a classificação aos fatores externos
considerados como fatores de risco em exames de densitometria óssea. Nas Figuras
5.11, 5.12 e 5.13 são demonstrados casos simulando resultados para cada índice
avaliado.
Figura 5.11: Fuzzy View Radar - Visualização do Índice de Tabagismo
Como as informações a serem representadas são oriundas de um processo de modelagem de variáveis linguísticas e inferência através de regras fuzzy, em um primeiro
momento esta visualização tem como objetivo visualizar cada valor independente
de cada termo linguístico, isto possibilita ao profissional que estiver modelando
uma nova função dentro da interface de modelagem e parametrização de detectar
erros de modelagem ou de difícil compreensão por parte dos usuários.
91
Figura 5.12: Fuzzy View Radar - Visualização do Índice de Peso
Figura 5.13: Fuzzy View Radar - Visualização do Índice de Sedentarismo
Para todos os casos, a técnica visa demonstrar quais atributos (neste caso o estilo
de vida) apontam em excesso e ganham destaque na visualização possibilitando
ao profissional da medicina perceber que além dos resultados de exames quais são
os fatores que contribuem para que o tratamento de doenças possa realmente ser
efetivo para dado paciente. As Figuras 5.11, 5.12 e 5.13 ilustram três situações para
os casos de índices de tabagismo, peso e sedentarismo. Pode-se notar que em cada
caso o gráfico aponta um atributo em destaque.
Na Figura 5.11, representa-se um caso onde a função do índice de tabagismo aponta
para três valores: 0,2 para o termo baixo, 0,6 para o termo médio e 0,0 para o termo
92
alto, indicando que o índice de fumo do paciente pode ser considerado como um
alerta e indica claramente o gráfico agudo para o termo médio. O uso da cor foi
utilizado também indicando um sinal de alerta para este resultado, auxiliando o
profissional a tomar uma provável decisão de alertar o paciente para este estilo de
vida.
Na Figura 5.12, está sendo representado um caso onde a função do índice de peso
resulta em um alerta grave, visto a cor utilizada para a representação (vermelho)
com valores de 0,2 para baixo, 0,6 para médio e 0,8 para alto. Pode-se notar que
dois valores tomam a atenção do gráfico, porém sendo o termo alto o destaque. O
peso é considerado um fator de risco tradicional para doença de osteoporose e deve
ser considerado um alerta quando pacientes atingirem valores como os do exemplo.
Na Figura 5.13 representam-se os índices de sedentarismo 0,5 para baixo, 0,3 para
médio e 0,0 para alto, apontando indícios de que este fator de risco está em níveis
aceitáveis dentro de um diagnóstico. Por isso o uso da cor (verde) foi utilizada para
esta representação.
Cabe aqui lembrar que a visualização de resultados neste modelo consiste na recuperação dos valores das funções de pertinência calculadas baseadas em resultados
oriundos dos módulos de processamento e na visualização dos valores para cada
termo linguístico criado. Desta forma, o sistema permite que o profissional possa
visualizar os resultados de forma individual e tomar decisões baseadas em seu conhecimento para definir a situação atual do paciente.
5.3.2
Visualização de Densitometria Fuzzy
Este método de visualização de informações é um dos estudos de caso que surge
com as demandas dos hospitais e postos de saúde contemplando os objetivos do projeto
M-IPE e que se encaixa no contexto dos módulos de geração de técnicas de visualização
de informações.
Na Figura 5.14 é apresentado um esquema da visualização utilizada em centros
de diagnóstico clínico de densitometria óssea. Este tipo de visualização permite que os
especialistas da área visualizem os resultados de uma análise através dos padrões de DMO
(densidade Mineral Óssea) e da faixa etária de pacientes.
No caso ilustrado na Figura 5.14 percebe-se que se está tratando de um paciente
de faixa etária por volta de 44 anos e que está dentro de um nível normal de densidade.
Através deste modelo de visualização é possível determinar se um paciente está dentro ou
fora da faixa normal de densidade mineral óssea para a faixa etária em análise.
Uma contribuição importante deste método se refere aos valores da escala de densidade do paciente. Normalmente, através de um exame é possível visualizar se o paciente
93
Figura 5.14: Visualização de Densitometria padrão
está com a densidade óssea na faixa adequada. Considerando a análise de dois exames de
mesma faixa etária, é possível que o exame indique o mesmo diagnóstico mesmo que os
pacientes não possuam exatamente as mesmas condições clínicas.
O modelo proposto tem como finalidade indicar visualmente a condição em que
a análise de densidade resultante está para os três possíveis diagnósticos. Desta forma,
o método agrega informações relevantes na visualização podendo indicar, por exemplo,
se um paciente apesar de estar em uma faixa normal de densidade possa estar em uma
situação de “quase risco”.
(a)
(b)
Figura 5.15: Visualização Densitometria Fuzzy
(c)
94
Na Figura 5.15 pode-se perceber que para cada nível de densidade é atribuída uma
tonalidade de cor representando o nível de pertinência de cada faixa, e as cores utilizadas
correspondem aos níveis de densidade do paciente. As informações geradas por sistemas
fuzzy implicam também na classificação da densidade do paciente, ao invés de retornar
apenas um valor bruto, retornará três informações referentes aos níveis de densidade para
normal, osteopenia e osteoporose.
A Figura 5.15 ilustra as situações: em (a)Percebe-se visualmente os níveis normais
da densidade óssea do paciente levando-se em consideração a predominância da cor verde
na totalidade da figura; (b)O caso de um indivíduo que possui os três níveis equilibrados,
porém pode ser considerado em situação de risco ao se levar em consideração a idade
do paciente. E em (c)O caso considerado grave, pois tem-se a ausência da cor verde.
Indicando que, independente da idade a ser considerada, esta visualização aponta para
uma caso que merece atenção por parte do especialista.
As funções de pertinência são interpretadas pela predominância das cores, de
forma que o resultado do cálculo das funções influencia diretamente em quais cores irão
aparecer e em qual intensidade. A visualização comparativa das funções de pertinência
com os casos de resultados são ilustrados a seguir.
Figura 5.16: Visualização Radial Fuzzy - indícios normais e de osteopenia
A Figura 5.16 ilustra um caso onde o resultado das funções resultam em um corte
nas funções de pertinência dos conjuntos fuzzy normal e osteopenia. Neste caso verifica
que temos um grau de pertinência 1 para normal, 0,1 para osteopenia e 0 para osteoporose.
Sendo representados visualmente no radial fuzzy com a interpolação de cores das funções
de saída. O especialista pode inferir visualmente que o paciente está em situação de
tranquilidade na análise.
A Figura 5.17 demonstra outro caso de resultado das funções de pertinência. Com
valores de 0,4 para normal, 0,7 para osteopenia e 0,1 para osteoporose. Indicando que o
paciente em questão possui indícios da doença, e o especialista poderá encaminhar este
paciente para um tratamento preventivo.
95
Figura 5.17: Visualização Radial Fuzzy - indícios visuais de osteopenia, osteoporose e
dados normais
Figura 5.18: Visualização Radial Fuzzy - indícios visuais de osteoporose
E o terceiro caso, pode-se visualizar na Figura 5.18 uma situação onde visualmente
os indícios de osteoporose são bastante claros. Os resultados das funções ilustram valores
de 0 para normal, 0,3 para osteopenia e 0,6 para osteoporose. Indicando que os resultados
da análise deverão tomar a atenção do especialista para que providências sejam tomadas.
Esta técnica de visualização também prevê, por se tratar de informações fuzzy,
a interpolação das cores e dos níveis de densidade (Figura 5.19). A interpolação prevê
que quando duas informações nos níveis de densidade forem cruzadas (característico das
funções de pertinência) as cores poderão ser cruzadas quando ocorrerem situações onde,
por exemplo, os níveis resultantes de osteoporose e osteopenia adotarem resultados como
0,8 e 0,5, respectivamente, caracterizando um caso favorável a este cruzamento.
Com esta técnica de visualização, pretende-se indicar ocorrências não muito comuns em exames tradicionais onde o paciente está dentro da faixa DMO considerada
normal de acordo com a visualização e ao mesmo tempo com pequenos ou grandes indícios de osteopenia. Além disso, as indicações podem levar o profissional a indicar o
paciente para que tome a iniciativa de um regime de prevenção da doença, ou até mesmo
96
Figura 5.19: Visualização de Densitometria padrão
indicando que pacientes necessitam de mais exames que possam revelar outras doenças
ocultas no momento da análise.
5.3.3
Considerações Finais
O presente capítulo abordou as principais características do projeto M-IPE destacando os módulos que o compõem em nível de arquitetura e detalhando características da
arquitetura cliente. Dois módulos foram os destaques deste capítulo por serem inerentes a
esta dissertação de mestrado, o de desenvolvimento de Modelos de Visualização de Informações e também o Módulo de Desenvolvimento de Técnicas de Visualização baseadas
em um ou mais modelos.
Vale ressaltar que toda a arquitetura dos modelos de visualização e das técnicas
aqui apresentadas são frutos de demandas recentes e que foram modeladas pensando em
abranger também situações futuras, onde os parâmetros e configurações das aplicações
poderão diferir. As técnicas de visualização propostas visam contribuir com o diagnóstico
clínico na área de densitometria óssea constituindo um assistente para o especialista. De
forma alguma os métodos aqui sugeridos pretendem substituir o especialista ou até mesmo
automatizar todos os processos do diagnóstico. Uma vez que o sistema e a modelagem
das funções são totalmente dependentes do profissional.
Os sistemas fuzzy propostos foram elaborados de forma a atender a necessidades
específicas e também para que fosse possível reunir as técnicas de modelagem de informações fuzzy com a visualização de informações, visto que este conteúdo é escasso na
literatura presente.
97
6
CONCLUSÃO
A quantidade e a diversidade de informações geradas e disponibilizadas por diferentes áreas de conhecimento têm crescido substancialmente nos últimos anos. Como
consequência, diferentes formas de representação, manipulação e interação com estas informações necessitam ser desenvolvidas para que os usuários possam analisar, descrever
ou tirar novas conclusões a partir de diferentes pontos de vista.
Na medicina, vários desenvolvimentos tecnológicos estão convergindo de forma a
aumentar a influência da área de imagens nas pesquisas biomédicas e na medicina clínica.
Cada vez mais é comum o desenvolvimento de sistemas computadorizados para detecção
de anormalidades em imagens radiológicas e dedicados ao diagnóstico auxiliado por computador. Neste sentido foram abordados métodos de diagnóstico por computador e formas
de aquisição de imagens médicas, enfatizando que a análise automatizada é um auxílio,
e não um substituto, para o profissional, não necessitando ser perfeita e sim possuir um
desempenho próximo ao do especialista. Nesse contexto, as pesquisas que estão sendo
desenvolvidas indicam ser bastante promissor o uso de sistemas de diagnóstico auxiliado
por computador como uma segunda opinião no processo de diagnóstico por imagem.
Esta trabalho aborda um método de Visualização de Informações Fuzzy obtidos
de um processamento anterior. Para isso, exemplos de técnicas de visualização e formas
de representação das informações presentes na literatura foram comentados e ilustrados.
Também foram demonstradas formas de classificar técnicas de visualização como efetivas, devido a quantidade de opções para a manipulação das informações e interações que
fornecem ao usuário dentro de um mesmo contexto. Um panorama bastante abrangente
sobre a forma adotada por diversos autores para o desenvolvimento de novas técnicas de
visualização foi uma das preocupações deste trabalho.
A busca por sistemas que possam interagir de forma eficiente com os usuários e
que propiciem uma real representação de opiniões humanas sobre diversos aspectos merecem atenção da comunidade científica por possibilitarem benefícios reais em diversas
áreas de pesquisa, como as situações demonstradas neste trabalho. Da mesma forma, estudos sobre a visualização de incertezas foram abordados demonstrados de forma a propor
98
uma melhor fundamentação do uso da lógica fuzzy para o contorno de problemas como a
inexatidão e incerteza. E a lógica fuzzy foi utilizada neste trabalho não apenas como um
método de solução para a incerteza, mas também como a fundamentação para a criação
de sistemas fuzzy, ou seja, sistemas onde se pode imaginar o uso do computador como
um sistema inteligente capaz de decidir em situações diversas onde é necessário uma base
de conhecimento sobre determinada tarefa ou aplicação. Os exemplos apresentados das
formas de representação visual da incerteza e dos sistemas baseados na modelagem de
incerteza fundamentam o trabalho desenvolvido nesta dissertação.
Dentre as dificuldades ou limitações que foram encontradas no desenvolvimento
deste trabalho, cabe ressaltar a necessidade da interação de profissionais reais da área médica (especialistas na análise e domínio dos dados) que pudessem validar as propostas.
Certas formas de visualizar as informações podem ser representadas interessantemente
do ponto de vista de profissionais da tecnologia pela vasta gama de informações a serem representadas, porém, para profissionais que necessitem lidar com estas informações
diariamente isto poderia tornar-se incômodo em demasia ou até mesmo prejudicando o
diagnóstico final em certos casos clínicos.
A integração de resultados da plataforma de processamento com a plataforma de
desenvolvimento de modelos de visualização é uma das tarefas que também tornou-se
complexa, visto que nem sempre as duas trabalharão em um mesmo universo de discurso.
Fato que tornou-se um grande desafio durante o desenvolvimento deste trabalho sendo
contornado com a intensa avaliação dos dados de entrada para processamento e das possíveis respostas obtidas como resultado de processamento e avaliação.
Considerando a complexidade relativa ao desenvolvimento de técnicas de visualização que visam trabalhar com informações incertas, os dados de processamento simulados e também o teste com modelos de visualização de informações, a integração de
formas de representação com funções de pertinência fuzzy permitiram que a ferramenta
explorasse uma forma de visualização abordando aspectos relativos a real exatidão de
análises tradicionais. O que se pode perceber claramente é que pacientes que realizam
exames de densitometria óssea, por exemplo, são considerados saudáveis ou em estado
crítico dependendo inteiramente de uma avaliação médica.
O meio termo pôde ser visualizado através da visualização Radial Fuzzy demonstrado na seção 5.3.2 do capítulo 5 abrindo uma variedade de possibilidades no que se
refere as formas que a tecnologia pode auxiliar os profissionais a definirem diagnósticos
cada vez mais precisos, ou até mesmo a definição de formas de prevenção contra possíveis
alertas clínicos.
Com certeza, o conteúdo referente a lógica fuzzy demonstrado neste trabalho
abrange apenas alguns dos aspectos possíveis de se explorar. A teoria demonstrada sobre
lógica fuzzy e visualização de incertezas puderam demonstrar que pesquisas envolvendo
99
estas duas áreas ainda são prematuras mas foi possível abrir espaço para este tema ainda
nebuloso na comunidade científica da área de visualização de informações.
O desenvolvimento de modelos de visualização que pudessem contemplar características da lógica fuzzy e que respeitassem a visualização de incertezas demandaram um
tempo considerável no andamento do trabalho. Com a definição dos primeiros métodos
de visualização que constituíram finalidades específicas como a visualização de atributos
externos e da real qualidade das taxas de osteoporose nos pacientes, fica a necessidade de
uma representação que agrupe todas as técnicas existentes e também novas técnicas que
venham a ser desenvolvidas.
Estudos referentes às características da lógica fuzzy juntamente com o processamento de imagens poderão agregar a este trabalho futuramente:
• novos modelos de visualização de informação;
• novas técnicas que agrupem um ou mais modelos de visualização de informações;
• a possibilidade do especialista determinar quais visualizações ele deseja integrar
em seu ambiente pessoal, demonstrado na Figura 6.1.
Figura 6.1: Visualização MIPE
A Figura 6.1ilustra uma possível interface geral para agrupar as diversas técnicas
de visualização de informações desenvolvidas e adaptadas para cada perfil de usuário que
for criado no ambiente do sistema. Cabe aqui lembrar que serão vários usuários operando
o sistema ao mesmo tempo, pensando nisto esta interface pode deixar a cargo do usuário
definir o que irá ou não querer visualizar em seu ambiente de trabalho.
100
As técnicas de visualização de informações fuzzy demonstradas consistem em
embriões de um projeto maior denominado M-IPE, onde define um marco inicial no desenvolvimento de sistemas que cada vez mais possam adaptar-se às necessidades dos seres
humanos. A visualização de informações para a densitometria óssea demonstrada neste
trabalho propõe uma nova forma de interpretação das informações, baseado na visão, no
processo cognitivo, e não mais apenas no conhecimento rígido suscetível a falhas. Comentado anteriormente, o desenvolvimento de ferramentas para o diagnóstico por computador não pretende substituir o profissional da medicina, mas sim cada vez mais tornar o
diagnóstico preciso e eficiente em situações onde possa surgir a dúvida natural dos seres
humanos. Uma vez que o sistema e a modelagem das funções são totalmente dependentes
do profissional.
Por fim, cabe aqui salientar sobre o sistema de visualização fuzzy proposto, pois
foi elaborado de forma a atender a necessidades específicas e também para que fosse
possível reunir as técnicas de modelagem de informações fuzzy com a visualização de informações, visto que este conteúdo é escasso na literatura presente. Com isso, se poderá
almejar que os objetivos relacionados a esta proposta possam ser cumpridos, como a redução de custos em diagnósitos clínicos. Espera-se que cada vez mais a computação possa
contribuir com diferentes áreas de conhecimento no sentido de culminar estes benefícios
da mesma forma das demonstradas neste trabalho, o ser humano.
101
REFERÊNCIAS
AGUIAR, M. S. Um modelo categorizador Intervalar n-Dimensional com I-Camadas
Baseado em Tesselações. 2004. Tese de Doutorado — PPGC - Universidade Federal do
Rio Grande do Sul, RS.
ANDREWS, K.; HEIDEGGER, H. Information Slices: Visualising and Exploring Large
Hierarchies using Cascading, Semi-Circular Discs. IEEE Symposium on Information
Visualization, Carolina, USA.
AZEVEDO-MARQUES, P. M. Mini-PACS - picture archiving and communication system) implementation at a university hospital. Radiologia Brasileira n. 4, São Paulo, SP,
v.34, p.pp. 221–224., 2001.
AZEVEDO-MARQUES, P. M. d. Diagnóstico auxiliado por computador na Radiologia.
Radiol Bras Online, [S.l.], v.34, n.5, p.285–293, 2001.
BERNARDES, J. L. J. Desenvolvimento de um ambiente para visualização tridimensional da dinâmica de risers. 2004. Dissertação de Mestrado — .
BERTHOLD, M. R.; HALL, L. O. Visualizing fuzzy points in parallel coordinates. IEEEFS, [S.l.], v.11, p.369–374, June 2003.
BEVILACQUA, J. S. e. a. Modelagem em Biomatemática. XXVI CNMAC - São José
do Rio Preto, [S.l.], 2003.
BRANDãO, C. Densitometria Óssea. [S.l.]: Instituto Fleury, 2007. Página Web: diponível por www em http://www.fleury.com.br. (1).
BUTTENFIELD, B. P. Representing Data Quality. Cartographica: The International
Journal for Geographic Information and Geovisualization, [S.l.], p.1–7, 1993.
CARD, S. K.; M., J. D.; SHNEIDERMAN, B. Readings in Information Visualization:
Using Vision to Think. San Francisco, Califórnia: Morgan Kaufmann, 1999.
102
CARD, S.; MACKINLAY, J. The structure of the information visualization design space.
Information Visualization, IEEE Symposium on, Los Alamitos, CA, USA, v.0, p.92,
1997.
CARDOSO, A. A. Densitometria Óssea de Crianças e Adolescentes com Hipotireoidismo Congênito Diagnosticado por Triagem Neonatal. 2006. Dissertação de Mestrado
— Universidade Federal do Paraná, Curitiba-PR.
CARITA, E. C.; MATOS, A. L. M.; MARQUES, P. M. A. Ferramentas para a Visualização de Imagens Médicas em Hospital Universitário. , [S.l.], 2003.
CARMO, M. B. D. P. Visualização de Informação - Modelo Integrado para o Tratamento de Filtragem de Múltiplas Representações. 2002. Dissertação de Mestrado —
Faculdade de Ciências - Universidade de Lisboa, Lisboa / Portugal.
CARR, D. A. Guidelines for Designing Information Visualization Applications. 1999.
Dissertação (Mestrado em Ciência da Computação) — , Institunien Linkopings Universitet.
CARRINO J. A., e. a. Large-Escale PACS Implementation. Journal of Digital Imaging,
[S.l.], v.11, p.3–7, 1998.
CARVALHO, E. S. CHUB: Um modelo cartográfico para a visualização análise do corpo
humano. 2008. Dissertação de Mestrado — Escola de Engenharia - Universidade do Minho, Portugal.
CHERNOFF, H. The use of faces to represent points in k-dimensional space graphically.
Journal of the American Statistical Association, [S.l.], v.68, p.361–368, 1973.
CLIBURN, D.; FEDDEMA, J.; MILLER, J. Design and evaluation of a decision support
system in a water balance application. Computers / Graphics Issue, [S.l.], v.26, p.931–
949, 2002.
DWYER, S. J. Imaging system architectures for picture archiving and communications
systems. Radiology Clinics of North America, [S.l.], v.34, p.495–503, 1996.
ERNST R., e. a. A Picture Archiving and Communications Systems Featuring Multiple
Monitors using Windows98. Journal of Digital Imaging, [S.l.], v.12, p.106–108, 1999.
FREITAS, C. M. D. S. Introdução a Visualização de Informações. Information Visualization, IEEE Symposium on, Programa de Pós-Graduação e Extensão em Computação,
Instituto de Informática UFRGS, v.0, 2001.
103
GERSHON, N.; EICK, S. G. Visualization’s New Tack. IEEE Spectrum, New York,
v.32, 1995.
GOMIDE, F. A. C. e. a. Modelagem, controle, sistemas e lógica Fuzzy. SBA - controle e
automação, [S.l.], v.3, p.97–115, 1994.
HABER, R. B.; MCNABB, D. A. Visualization idioms: A conceptual model for scientific
visualization systems. Visualization in scientific computing, [S.l.], p.74–93, 1990.
HINNEBURG, A.; KEIM, D. A. HD-Eye: Visual Mining of High- Dimensional Data.
IEEE Computer Graphics and Applications, [S.l.], v.19, 1999.
IEPSEN, E. F. Estudo e Desenvolvimento de uma Ferramenta de Visualização
de Informações Temporais para Banco de Dados estruturados no formato Mestre/Detalhe. 2008. Dissertação de Mestrado — ESIN/UCPEL, Pelotas/RS.
INSELBERG, A. Paralel Coordinates: A tool for Visualizing multi-Dimensional Geometry. In: IN PROCEEDINGS OF THE IEEE VISUALIZATION SYMPOSIUM, 1990.
Anais. . . [S.l.: s.n.], 1990.
JAFELICE, R. S. M. Teoria dos Conjuntos Fuzzy com Aplicações. [S.l.]: SBMAC,
2005. v.17.
JANECEK, P.; PU, P. Searching with semantics: An interactive visualization technique
for exploring an annotated image collection. In: IN ROBERT MEERSMAN AND ZAHIR
TARI, EDITORS, OTM WORKSHOPS, 2003. Anais. . . Springer, 2003. p.185–196.
JANECEK, P.; SCHICKEL, V.; PU, P. Concept Expansion Using Semantic Fisheye
Views, volume LNCS 3815.
JOHNSON, B.; SHNEIDERMAN, B. Tree maps: A Space-Filling Approach to the Visualization of Hierarchical Information Structures. In: IEEE VISUALIZATION, 1991.
Anais. . . [S.l.: s.n.], 1991. p.284–291.
KEAFORT R. B., K. V. Applications of Interval Computations. Boston, [S.l.], 1996.
KEIM, D. A.; BERGEROM R. D., P. R. M. Test Data Sets for Evaluating Data Visualization Techniques. , Institute for Computer Science, University of Munich,Leopoldstr 11B.
80802 Munich, Germany, 1994.
KYRYAKIDIS, P. C. Towards a Systems Approach to the Visualization of Spatial Uncertainty. Ellison Hall 5710, Santa Barbara, CA 93106-4060: Univertisy of California,
Santa Barbara - Department of Geography, 2006.
104
LUZZARDI, P. R. G. Critérios de Avaliação de Técnicas de Visualização de Informações Hierárquicas. 2003. Tese de Doutorado — PPGC/UFRGS, Porto Alegre/RS.
MACEACHREN, A. M. Visualizing Uncertain Information. Cartographic Perspective,
Department of Geography, v.13, p.10–19, 1992.
MACEACHREN A. M., R. A. Visualizing Geospatial Information Uncertainty: What We
Know and What We Need to Know. Cartography and Gographic Information Science,
[S.l.], v.32, p.139–160, 2005.
MACKINLAY, J. Automating the design of graphical presentations of relational information. ACM Trans. Graph., New York, NY, USA, v.5, n.2, p.110–141, 1986.
MACKINLAY, J. D.; ROBERTSON, G. G.; CARD, S. K. The Perspective Wall: Detail
and Context Smoothly Integrated. In: ACM CHI’91 CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS AND GRAPHICS INTERFACE, ACM SIGCHI,
1991. Proceedings. . . ACM-Press, 1991.
MANSSOUR, I. H. Visualização Colaborativa de Dados Científicos com Ênfase na
Área Médica. [S.l.]: Universidade Federal do Rio Grande do Sul, 1998. Exame de Qualificação. (EQ-23).
MCMANUS IC., K. A. P. E. Stress, burnout and doctors’ attitudes to work are determined by personality and learning style: A twelve year longitudinal study of UK medical
graduates. BMC Medicine, [S.l.], 2004.
MONTAGNAT, J.; BELLET, F.; BENOIT-CATTIN, H.; BRETON, V.; L.; LEGRé, Y.;
MAGNIN, I. E.; MAIGNE, L.; MIGUET, S.; PIERSON, J. m.; SEITZ, L.; TWEED,
T. Medical images simulation, storage, and processing on the european datagrid testbed.
Journal of Grid Computing, [S.l.], v.2, p.387–400, 2004.
MOORE, R. E. Interval Analysis. Englewood Cliffs: Prentice-Hall, [S.l.], 1966.
MOORE, R. E. Methods and Applications of Interval Analysis. Philadelphia:SIAM,
[S.l.], 1979.
NASCIMENTO, H. A. D.; FERREIRA, C. B. R. Visualização de Informações - Uma
Abordagem Prática. XXV Congresso da Sociedade Brasileira da Computação - Jornada de Atualização em Informática, São Leopoldo, RS, p.1262–1312, 2005.
NETO, E. S. H. Teoria e Experimentação com Métodos Incrementais Relaxados em
Tomografia por Emissão. 2005. Dissertação de Mestrado — Universidade Estadual de
Campinas.
105
NETTO, G. H.; OLIVEIRA, W. Armazenamento de Imagens Médicas com o InterBase.
VI SECICOM - Minas Gerais, Brasil, [S.l.], 2004.
NORTH, C. A. Taxonomy of Information Visualization User Interfaces. IEEE Spectrum,
[S.l.], 1998.
OKA, A. e. a. Interhospital NetWork System Using the World Web and the Common
Gateway Interface. Journal of Digital Imaging, [S.l.], v.12, p.205–207, 1999.
OLIVEIRA, M. C. F.; LEVKOWITZ, H. From visual data exploration to visual data mining: a survey. Visualization and Computer Graphics, IEEE Transactions on, [S.l.],
v.9, 2003.
OLIVEIRA, M. M. Image-Based Modeling and Rendering Techniques: A Survey. In:
RITA - REVISTA DE INFORMATICA TEORICA E APLICADA, VOLUME IX, 2002.
Anais. . . [S.l.: s.n.], 2002. p.37–66.
PANG, A. Visualizing Uncertainty in Geo-spatial Data.
PANG, A. T.; WITTENBRINK, C. M.; LODHA, S. K. Approaches to uncertainty visualization. The Visual Computer, [S.l.], v.13, n.8, p.370–390, 1997. ISSN 0178-2789.
PHAM B., B. R. Analisys of Visualization Requirements for Fuzzy Systems. 1st international conference on Computer, [S.l.], v.1, 2003.
PISA, I. T. MIDster - Uma arquitetura de compartilhamento de imagens médicas
baseada em modelos peer-to-peer-P2P e serviços web. 2003. Tese de Doutorado —
Universidade de São Paulo, Programa de Pós-Graduação em Física Aplicada à Medicina
e Biologia - Ribeirão Preto SP.
RADIOLOGYINFO. Bone Density Scan.
SANDRI S., e. a. Lógica Nebulosa. V Escola de Redes Neurais: Conselho Nacional de
Redes Neurais, [S.l.], 1999.
SEGRE, E. Dos Raio X aos Quarks. Físicos modernos e suas descobertas. [S.l.]: UNB,
1987.
SHNEIDERMAN, B. Tree visualization with treemaps: a 2-d space-filling approach.
ACM Transactions on Graphics, [S.l.], v.11, n.1, p.92–99, Jan. 1992.
SHNEIDERMAN, B. Strategies for Evaluating Information Visualization Tools: Multi
Dimensional In-depth Long-term Case Studies. Information Visualization, IEEE Symposium on, [S.l.], v.0, 2006.
106
SILVA, F. C. Processamento de Imagens Baseado em Algoritmos Genéticos Fuzzy
Intervalares. 2009. Dissertação de Mestrado — , PPGINF: Programa de Pós Graduação
em Informática: Universidade Católica de Pelotas.
SILVA, J. Análise de Estabilidade de Sistemas Dinâmicos P-Fuzzy com Aplicações
em Biomatemática. 2005. Tese de Doutorado — Universidade Estadual de Campinas SP.
TANSCHEIT, R. Sistemas Fuzzy. DEE-PUC-Rio, Rio de Janeiro, RJ, [S.l.], 2004.
VALIATI, E. R. A. Avaliação de Usabilidade de Técnicas de Visualização de Informações Multidimensionais. 2008. Tese de Doutorado — PPGC/UFRGS, Porto Alegre/RS.
WA, H. Diagnostic Imaging Pathways. http://www.imagingpathways.health.wa.gov.au
/includes/DIPMenu/osteo/chart.html.
WONG, P. C.; BERGERON, R. D. 30 Years of Multidimensional Multivariate Visualization. In: SCIENTIFIC VISUALIZATION, 1997. Anais. . . Society Press, 1997. p.3–33.
ZADEH, L. Fuzzy sets. Information and Control, [S.l.], v.8, p.338–353, 1965.
107
ANEXO A
PROJETO M-IPE
O projeto M-IPE é uma generalização de dois projetos que visam armazenar, processar e visualizar informações oriundas de imagens médicas em grandes centros clínicos
e ambientes hospitalares com métodos alternativos aos existentes no campo da radiologia
médica. Um dos pilares da proposta tem como foco a disponibilização de serviços de diagnóstico e prognóstico médico com baixo custo operacional e restultados significativos
em relação aos existentes, através do desenvolvimento de um ambiente computacional
para o processamento de informações de imagens médicas baseado em algoritmos evolutivos. Os objetivos principais da proposta pode ser visualizado a seguir:
• Desenvolvimento de um método alternativo para o diagnóstico de doenças relacionadas a osteoporose e osteopenia baseado em imagens de raio-x de pacientes.
• Desenvolvimento de uma plataforma adequada para a submissão e análise das imagens de raio-x de forma transparente a usuários de computador.
• Desenvolvimento de um sistema para a segmentação e classificação de imagens para
a seleção de atributos importantes das imagens, como o osso e a sua densidade, se
valendo de computação paralela e técnicas de algoritmos genéticos para a realização
das análises.
• Desenvolvimento de um sistema para o controle das imagens submetidas, para as
imagens em análise, para as imagens que foram analisadas, bem como o controle e
exibição de laudos eletrônicos ao especialista.
• Desenvolvimento de gráficos representativos das análises, visualizando os atributos
das análises e gerando relatórios úteis ao especialista para a definição de diagnósticos precisos e ágeis comparados aos procedimentos de análises atuais de centros
clínicos.
O projeto é continuação e ampliação da pesquisa iniciada pelo coordenador deste
Projeto, prof. Dr. Marilton Sanchotene de Aguiar na tese de doutoramento em Ciência
108
da Computação, no PPGC/UFRGS, intitulada “Um Modelo Categorizador Intervalar nDimensional com l-Camadas Baseado em Tesselações” (AGUIAR, 2004).
Em projetos anteriores, desenvolvidos e coordenados pelo proponente deste projeto sentiu-se a necessidade de integrar modelos de simulação de aspectos ambientais dinâmicos baseados em algoritmos evolutivos com outras áreas da computação, tais como:
computação pervasiva, computação de alto desempenho, algoritmos de segmentação de
imagens e sistemas gerenciadores de banco de dados. Naquele momento, a união do modelo categorizador baseado em autômatos celulares com o processamento de alto desempenho e sua aplicação na determinação de áreas para conservação ambiental fundamentaram a proposta da criação do ambiente de processamento de informações geográficas
chamado G-IPE (do inglês, Geographic Information Processing Environment).
Entretanto, observou-se que estes mesmos modelos poderiam ser aplicados em
outros problemas em áreas distintas à Ecologia, como por exemplo na Medicina. Neste
sentido, o ambiente G-IPE corresponderia ao ambiente de modelagem, simulação e repositório de informações Geográficas. Por outro lado, ao se tratar de informações médicas,
como imagens de experimentos ou originadas de exames como ressonância magnética,
tomografia ou Raio-X, o ambiente IPE seria designado M-IPE (Medical Information Processing Environment) e auxiliaria no diagnóstico ou na modelagem de padrões de comportamento de doenças, por exemplo, calculando a extensão de tumores/necroses/lesões e
prevendo estágios futuros destes aspectos.
Para isso, este projeto pretende propor a formalização e a sedimentação de um
ambiente para o processamento de informações médicas (segmentação e classificação),
baseado em algoritmos evolutivos, integrando-se a um repositório de informações e apresentando alto desempenho computacional.
Além disso, estes modelos utilizam a Matemática Intervalar (MOORE, 1979,
1966; KEAFORT R. B., 1996), para tratamento dos erros de discretização e computação numérica. Buscou-se a participação do Hospital Universitário São Francisco de
Paula(HUSFP) como laboratório para os experimentos destas idéias e encontrou-se junto
à Direção Técnica do HUSFP, especialmente no Dr. Ernesto Nunes, a disponibilização e
a colaboração para a proposta e o desenvolvimento deste Projeto.
A.1
Arquitetura Geral
Desenvolver sistemas capazes de manipular, visualizar, organizar e processar informações atendendo à todas as necessidades de uma só vez é bastante complicado em
sistemas que abrangem diversas tarefas e pessoas interagindo com as informações. O
projeto M-IPE foi elaborado para que sua organização cresça juntamente com as suas demandas, com isso diversos módulos e camadas foram desenvolvidas de maneira que os
109
diferentes níveis de hardware, software e pessoas possam interagir e customizar o desenvolvimento de novas aplicações. A estrutura completa da arquitetura do projeto M-IPE e
seus módulos são ilustrados na Figura A.1.
Figura A.1: Arquitetura Cliente-Servidor do Projeto M-IPE
110
111
É importante salientar que os níveis de camadas poderão interagir entre si, ilustrando o caso de especialistas utilizarem o seu conhecimento e suas necessidades atuais
para que os profissionais das ciências exatas possam desenvolver ferramentas efetivas e
realmente atendendo a demandas internas e externas de hospitais e postos de saúde, por
exemplo.
O Projeto foi constituído com a formalização de níveis de arquitetura e módulos
com funcionalidades distintas. Os níveis de arquitetura foram projetados em camadas
cliente e servidor (Figura A.2) contendo funcionalidades específicas para cada nível de
camada. Na camada cliente são basicamente reunidas ferramentas que dão suporte para
que possam ser contempladas as tarefas de Desenvolvimento de Modelos e Simulação de
Aspectos Dinâmicos, que são a base de ferramentas existentes em toda a arquitetura do
projeto M-IPE, e o conjunto de ferramentas específicas testadas e validadas pelos profissionais da área médica para que possam atender as Demandas de Hospitais e Postos de
Saúde.
Figura A.2: Níveis de Arquitetura de Funcionalidades dos Módulos do Projeto M-IPE
Camada Cliente: responsável por armazenar todos os módulos funcionais de
contato com os profissionais da área da medicina e usuários do sistema. A camada foi
projetada para disponibilizar funcionalidades para o desenvolvimento de novos módulos
e para isso existe uma subdivisão de camadas para desenvolvedores e para usuários do
sistema, contemplando as aplicações para os níveis de usuários Especialistas da área
112
da saúde e ferramentas específicas; e Especialistas da Área das exatas e ferramentas específicas. Nos dois níveis existem módulos que darão o suporte com ferramentas
específicas para a manipulação das informações, ilustrados nas Figuras A.3 e A.4.
Camada Servidor: será responsável por manter o funcionamento das aplicações
que dão o suporte básico em nível de hardware e software. Esta camada contempla dois
grupos: o de Gerência de Simulações e Aplicações de Alto Desempenho e o grupo
de Armazenamento de Informações e Processamento de Alto Desempenho (SILVA,
2009). Nesta camada existem ainda as tecnologias responsáveis pelo suporte, tanto para
hardware como software, divididas em Middleware, FrameWork iPAR, Gerente de Aplicações e Banco de Dados, a nível de software e Cluster/Grid.
A.2
Módulos da Camada Cliente
Os módulos do projeto M-IPE foram projetados para que possam dar suporte não
só a todas as demandas atuais, mas também prováveis outras demandas que possam vir a
surgir. Para tanto existem dois níveis de funcionalidades que interagem entre si e que serão
utilizados para a geração de ferramentas com um alto nível de expansibilidade, adaptadas
a cada conjunto de demandas específicas, divididas em funcionadidades de Especialistas
da Área das Exatas e Especialistas da Área Médica. Sabe-se que profissionais projetistas
de software não possuem condições nem conhecimento de situações típicas da área médica, por exemplo, por isso a condição de interação entre os dois níveis é importante tanto
para o desenvolvimento de ferramentas quanto para a aprimoração posterior das mesmas.
A.2.1
Funcionalidades de Especialistas da Área das Ciências Exatas
As funcionalidades para especialistas das exatas compreendem todos os modelos matemáticos-computacionais que irão prover a estrutura para o desenvolvimento de
ferramentas que atendam as necessidades do projeto.
Os especialistas da área médica são importantes também neste nível para a contribuição de tarefas que podem ser agregadas aos modelos ainda em fase de elaboração.
Neste escopo encaixam-se atualmente modelos de visualização de informações e também algoritmos de processamento de imagens. Para isso foram projetados os seguintes
módulos:
• Interface Administrativa: Responsável por oferecer onde serão desenvolvidas ferramentas de suporte para a interação com todos os módulos de desenvolvimento de
modelos e testes. Permitindo a criação de ferramentas específicas para testes e/ou
planejamento/ alterações de módulos do projeto.
• Interface de Submissão de tarefas para teste: Responsável por oferecer um am-
113
Figura A.3: Arquitetura M-IPE - Módulos de Suporte da Área das Exatas
biente capaz de controlar tarefas submetidas para testes na aplicação. A submissão
de tarefas consiste no envio de requisições de processamentos de alto desempenho
para serem processados em clusters ou grades computacionais disponíveis, após o
processamento destas serão retornadas até sua origem e os resultados poderão ser
validados ou não.
• Interface para a criação de Técnicas de Visualização: onde serão reunidas técnicas de visualização de informações que permitam a melhor exploração de dados
de pacientes, permitindo a inclusão e criação de novas técnicas com a agregação de
recursos como lógica fuzzy, explicada com detalhes mais adiante neste trabalho) e
demais técnicas que possam vir a surgir nas demandas do projeto.
• Interface de Parametrização de Algoritmos e Modelos: onde serão desenvolvidos os algoritmos necessários ao projeto e utilizados pela aplicação de processamento de imagens e demais tarefas. Todos os algoritmos poderão ser parametrizados em função das necessidades especiais de cada tarefa e/ou usuário.
A.2.2
Funcionalidades de Especialistas da Área da Saúde
As Demandas de Hospitais e Postos de Saúde constituem as necessidades específicas dos agentes de saúde. Estas demandas atualmente estão focadas em aplicações
voltadas para a área da Radiologia, onde a grande totalidade das aplicações propostas e
desenvolvidas no Projeto M-IPE estão voltadas. A formalização deste item na arquitetura
propõe que outras futuras demandas poderão surgir em áreas específicas diferenciadas e
que também farão parte do escopo geral do projeto.
Ilustradas na Figura A.4, estas funcionalidades são direcionadas para o uso e aprovação dos profissionais da área médica. Estes farão uso das ferramentas disponibilizadas
em atendimentos clínicos, submissão de imagens para arquivamento e análise, etc.
114
Figura A.4: Arquitetura M-IPE - Módulos de Suporte da Área dos Especialistas da Área
Médica
• Interface de Cadastro e Informações do Paciente: onde serão disponibilizadas
telas de cadastro para o armazenamento das informações pessoais dos pacientes e
também de informações relacionadas que serão úteis em diagnósticos como hábitos
alimentares, sedentarismo, tabagismo, etc., que serão importantes para serem representados na visualização das informações do paciente para a geração de laudos
eletrônicos.
• Interface de Submissão de Tarefas: Este módulo será utilizado para as principais
atividades realizadas pelos profissionais, visto que aqui serão disponibilizadas as
ferramentas que foram testadas e tornadas públicas no ambiente. Atualmente estas
ferramentas possuem enfoque ao processamento de imagens de raio-x na avaliação
de DMO (Densidade Mineral Óssea) de pacientes.
• Interface de Visualização e Diagnóstico Assistido: em complemento à interface
de desenvolvimento de modelos de visualização dos profissionais das ciências exatas, neste módulo serão disponibilizados os modelos de visualização de informação
considerados efetivos, ou seja, os modelos que mais se adaptarem às demandas
dos profissionais e também representarem de forma mais adequada as informações
médicas auxiliando em prognósticos médicos estarão disponíveis para uso dos profissionais da medicina e radiologia médica, especialmente.
• Interface Administrativa: para todas as ferramentas disponibilizadas, cabe lembrar que não serão todos os profissionais que possuirão acesso a todos os módulos
ou até mesmo acesso aos módulos existentes com as mesmas propriedades disponíveis. Além disso, a arquitetura do projeto M-IPE prevê a possível configuração
e/ou parametrização dos algoritmos por parte dos profissionais que estiverem aptos a realizá-lo. A interface administrativa será responsável então por organizar
115
um conjunto de políticas que possam definir estes acessos bem como configurações
independentes dos módulos da aplicação.