#MalariaSystem - Dissertação de Mestrado - PPGIA-UFRPE

Defesa de Dissertação de Mestrado
Discente : Allisson Dantas de Oliveira
Orientador: Jones Oliveira de Albuquerque
Recife, 01 de Agosto de 2014
MalariaSystem: uma ferramenta para
diagnóstico automático de malária em
dispositivos móveis.
Universidade Federal Rural de Pernambuco
Departamento de Estatística e Informática
Pós-Graduação em Informática Aplicada

MalariaSystem: uma ferramenta para diagnóstico automático de malária em dispositivos móveis.
● Introdução
○ Motivação
○ Objetivos
○ Contribuições
● Fundamentação teórica
● Modelo Proposto MalariaSystem
● Resultados
● Conclusão
○ Contribuições obtidas
○ Limitações
○ Trabalhos futuros
○ Lista de publicações
2
ROTEIRO

MOTIVAÇÃO
3

MOTIVAÇÃO
Microscópio?
Diagnóstico In-loco?
Malária?
3

OBJETIVOS
(i) Estudar conceitos de malária, técnicas de visão
computacional e inteligência artificial;
(ii) Desenvolver um modelo utilizando os conceitos e técnicas
estudadas em (i), com a finalidade de diagnóstico de malária;
(iii) Implementar via linguagem de programação o protótipo do
modelo desenvolvido em (ii);
(iv) Implementar e avaliar o uso de dispositivos móveis como
ferramenta de apoio a diagnóstico de malária.
3

CONTRIBUIÇÕES
(i) É possível efetuar uma etapa de segmentação de imagens de
modo a extrair informações de objetos dentro das células
sanguíneas?
(ii) De acordo com os fundamentos do ShistoSystem(Firmo
2010) é possível prover um bom classificador para diagnóstico
para malária?
(iii) Em dispositivos móveis existe viabilidade para um sistema
de baixo custo para diagnóstico de malária?
4

MALÁRIA
Em 2010, 24 milhões de casos em 106 áreas endêmicas.

MALÁRIA
Os sintomas da malária são febre, dor de cabeça e vômitos, e
geralmente aparecem entre 10 e 15 dias após a picada do
mosquito (OMS, 2012).
P. falciparum
P. vivax
P. ovale
P. malariae
P. knowlesi
Mosquito anopheles darlingi

MALÁRIA NO BRASIL
Predomina :
Região Amazônica
Principal Vetor:
Anopheles darlingi
Principais Tipos:
P.vivax
P.falciparum

CICLO DA DOENÇA

MALÁRIA
Dificuldades em reconhecer padrões até para técnicos
experientes...

VISÃO COMPUTACIONAL
Segundo Gonzales e Woods [2000] “O interesse em métodos de
processamento de imagens digitais decorre de duas áreas
principais de aplicação: melhoria de informação visual para a
interpretação humana e o processamento de dados de cenas
para percepção automática através de maquinas”.

VISÃO COMPUTACIONAL

FUNDAMENTOS DO SHISTOSYSTEM
● Contagem de ovos de Schistosoma Mansoni;
● Baixo custo;
● Técnica de detecção de faces de Viola e Jones(2004).

DETECÇÃO DE OBJETOS
● Viola e Jones(2004)
○ Características Haar-like;
○ Imagem integral;
○ Algoritmo adaboosting;
○ Cascata de classificadores;

DETECÇÃO DE OBJETOS
Características básicas:
O valor de uma característica de dois retângulos é a
diferença entre:

VIOLA E JONES(2004)
● Janela de 24 x 24 pixels;
● Inúmeras combinações aproximadamente 160.000
retângulos(características) por subjanela;
● Problemática
○ Encontrar as melhores características
○ Custo computacional baixo
○ Solução?????

VIOLA E JONES(2004)
● Imagem Integral
○ É uma representação que pode ser utilizada onde se tem
uma função de pixels para números reais f(x, y).
○ Soma dos pixels acima e à esquerda de (x,y) em i,
inclusive.

VIOLA E JONES(2004)
● Imagem integral
○ 4 referências a imagem;
○ Calculo do valor de uma
característica O(1).
D = II(4) − II(2) − II(3) + II(1)

VIOLA E JONES(2004)
● Algoritmo Adaboost
○ Adaboosting é um meta-algoritmo de aprendizado
onde a saída de outros algoritmos de
aprendizagem (alunos fracos) é combinado com
uma soma ponderada que representa o resultado
final do classificador potencial.
Tem como principal característica a distribuição de pesos nos
conjuntos de exemplos e a modificação da distribuição com o decorrer
das iterações do algoritmo.

VIOLA E JONES(2004)
● Cascata de classificadores

MODELO PROPOSTO - MalariaSystem
● Fundamentos de AC.Firmo(2010);
● Detecção de parasitos do tipo Plasmodium;
● Fase Trofozoíta P.falciparum;
● Proposta : Dispositivos móveis e baixo custo.

● Etapa 1 - Aquisição da imagem:
○ Equipamento de microscopia com no mínimo 1000X
ampliação e uso do óleo de imersão;
○ Equipamentos de captura de imagem com proposta
de baixo custo;
○ Sistema de acoplamento caseiro (Alto custo de
sistemas profissionais Aprox. $250).

Sony
DSC H1
Logitech
c270
Sansung Galaxy
TAB2
Dimensões (mm) 71 x 30 x 91 0.8 x 2.1 x 1.7 175 x 257 x 9.7
Peso (g) 591 100 587
Resolução da
Câmera (MP)
5MP 3MP 3.2MP

● Etapa 2 - Segmentação:
○ Importância da segmentação em visão
computacional;
○ Segmentação, particionar regiões das imagens;
○ Otimizar o espaço de busca e redução de ruídos.

○ Grayscale
○ OTSU;
○ Morfologia matemática;
○ Subtração.

● Etapa 3 - Treinamento e Validação:
○ Viola e Jones (2004);
○ OpenCV (Haartraining Kit);
○ Atividades:
■ Criar conjunto de exemplos positivos e negativos
■ Treinar o classificador com os conjuntos de
exemplos.

○ Criar conjunto de exemplos positivos e negativos

○ Marcar exemplos positivos.

○ Criar conjunto de exemplos positivos.

○ Criar conjunto de exemplos negativos

○ Treinar o classificador com os exemplos.
● Haartraining
○ haartraining -data data/UPCandCDC/GAB/90 10/cascadeBasic -vec
data/vector upCdc 90 10.vec -bg negative777/negative.txt -npos 500 -
nneg 777 -nstages 20 -mem 1500 -mode BASIC -minhitrate 0.995 -
maxfalsealarm 0.5 -w 24 -h 24 -sym

● Etapa 4 - Desenvolvimento de um sistema de detecção
de plasmodium em dispositivos móveis.
○ A partir de uma imagem;
○ A partir da câmera do dispositivo (tempo real).

RESULTADOS
● A partir do modelo proposto foram
desenvolvido experimentos afins de:
○ Quantificar a taxa de acertos;
○ Classificar em 2 Classes (Positivo e Negativo);

RESULTADOS
Métricas de avaliação :
● Sensitividade (recall) e Especificidade
○ Amostras positivas corretamente
○ Amostras negativas corretamente

RESULTADOS
Melhores resultados de cada um dos
experimentos.

RESULTADOS - Experimento 1
Base de imagens : Discrete Modelling and Simulation of Biological
Systems (MOSIMBIO) e Wellcome Images.

Base de imagens : Discrete Modelling and Simulation of Biological
Systems (MOSIMBIO) e Wellcome Images.
Nesse cenário a cascata com 15 estágios teve uma taxa de acerto de
70%, um recall 0,70 e especificidade 0,78.
Cenário 94% treinamento e 6% validação

Base de imagens : CPqAM - Sony DSC H1

Base de imagens : CPqAM - Webcam

Base de imagens : CPqAM - Tablet
Treinamento experimental… dados insuficientes…

Base de imagens : Todos

Base de imagens : Todos
A cascata com 15 estágios novamente teve o melhor desempenho,
com (0,70) de sensitividade e (0,82) de especificidade, a taxa de acerto
é de 70%.

Discussão
Viola e Jones [2004] diz que a medida que os estágios
vão aumentando o classificador tende a ser mais
rigoroso diminuindo o número de falsos alarmes com
isso tende a aumentar a especificidade …
Para este caso da detecção de parasitos de malária as
cascatas com 15 estágios atingiram um melhor
desempenho.

CONCLUSÕES - CONTRIBUIÇÕES
A idéia dessa ferramenta é ser utilizada em áreas
remotas por agentes de saúde pública.
Nesses locais, o capital humano e também um recurso
escasso…
● Baixo custo
● Usabilidade
● In loco

Portanto, a partir do modelo proposto e dos resultados
obtidos foi possível avaliar a viabilidade da solução para
plataformas móveis, destacando os seguintes aspectos:
● Aquisição da imagem:
○ Microscópio simples;
○ Sistema de acoplamento de baixo custo.
● Pré-processamento da imagem:
○ Algoritmos e filtros;
○ Redução do espaço de busca.

(i) É possível efetuar uma etapa de segmentação de imagens de
modo a extrair informações de objetos dentro das células
sanguíneas?
(ii) De acordo com os fundamentos do ShistoSystem(Firmo
2010) é possível prover um bom classificador para diagnóstico
para malária?
(iii) Em dispositivos móveis existe viabilidade para um sistema
de baixo custo para diagnóstico de malária?

CONCLUSÕES - LIMITAÇÕES
● P. falciparum e P. vixax- Trofozoíta
● Problemas na captura de imagens:
○ Barcelona - ES
○ CPqAM
○ Aprox. 2 a 3 imagens por dia
● Treinamento laboratorial de malária.
● Convênio (BCN) para a validação in-loco do sistema na
África (futuro) …

CONCLUSÕES - TRABALHOS FUTUROS
● Efetuar avaliações do modelo proposto com outras
bases de imagens;
● Melhorar o método de pré-processamento proposto,
de tal forma a segmentar a forma anelar do parasito
na fase trofozoíta;
● Desenvolver um equipamento de microscopia portátil
à ser acoplado ao Tablet, de tal forma a executar
diagnóstico de malária em tempo real;
● Outros algoritmos de aprendizagem de máquina;
● Demais espécies e fases do plasmodium.
● ...

CONCLUSÕES - PUBLICAÇÕES
Algumas publicações durante o período do mestrado:
● Malaria System: a New Tool for Automatic Diagnosis of Malaria in
Mobile Devices - has been selected for presentation as Oral
presentation at Medicine 2.0: Social Media, Mobile Apps, and
Internet/Web 2.0 in Health, Medicine and Biomedical Research at
Torremolinos, Malaga ES (OUT 2014);
● A Proposal for Automatic Diagnosis of Malaria: Extended Abstract
at the 22nd International World Wide Web Conference;
● SchistoSystem - Inteligência Artificial para Diagnóstico Automático
por Imagens.

JOURNAL

AGRADECIMENTOS
IBPG-1300-1.03/11
Bolsista da :
Parceiros:

#MalariaSystem - Dissertação de Mestrado - PPGIA-UFRPE

Recomendados

Recomendados

Mais conteúdo relacionado

Mais procurados

Mais procurados (20)

Semelhante a #MalariaSystem - Dissertação de Mestrado - PPGIA-UFRPE

Semelhante a #MalariaSystem - Dissertação de Mestrado - PPGIA-UFRPE (20)

Último

Último (11)

#MalariaSystem - Dissertação de Mestrado - PPGIA-UFRPE