Redes Neurais Artificiais no Diagnóstico Médico - Andre

FACULDADE DE TECNOLOGIA DE OURINHOS - FATECAnlise de Sistemas e Tecnologias da Informao

Andr Batista dos Santos

REDES NEURAIS ARTIFICIAIS NO DIAGNSTICO MDICO

Trabalho de Titulao

Ourinhos-SP 2010



Trabalho de Titulao apresentado como exigncia para obteno do Ttulo de Bacharel em Anlise de Sistemas e Tecnologias da Informao, habilitao em Gerenciamento do Desenvolvimento de Sistemas de Informao, da Faculdade de Tecnologia de Ourinhos.

Orientador: Prof. Ms. Ismael da Silva

Ourinhos-SP 2010

Ficha CatalogrficaSANTOS, Andr Batista dos Redes neurais artificiais no diagnstico mdico / Andr Batista dos Santos. Ourinhos, 2010. X f.: il.; 30 cm. Orientador: Ismael da Silva, Msc TCC Trabalho de concluso de curso (Graduao em Anlise de Sistemas e Tecnologia da Informao) - Faculdade de Tecnologia de Ourinhos, 2010. 1. Redes neurais artificiais 2. diagnstico mdico 3. Processamento de Imagem. I. Andr Batista dos Santos II. Faculdade de Tecnologia de Ourinhos. III. Ttulo



Essa monografia foi julgada e aprovada para a obteno do Ttulo de Bacharel em Anlise de Sistemas e Tecnologias da Informao, habilitao em Gerenciamento do Desenvolvimento de Sistemas de Informao, da Faculdade de Tecnologia de Ourinhos.

Ourinhos, 30 de junho de 2010.

Prof. Dr. Lia Cupertino Duarte Albino Diretor da Fatec - Ourinhos

Banca examinadora

_________________________Prof. Ms. Elaine Pasqualini

________________________Prof. Ms. Ismael da Silva

_________________________Prof. Wellington Cesar Tias

s horas vagas. O que fazemos delas nos define.

Agradeo: Ao meu orientador, o Professor Mestre Ismael ou apenas Ismael, como gosto de cham-lo, pelas conversas sobre msica e sobre Chico Buarque, pelas discusses sobre poltica, pelas piadas que tornam qualquer assunto interessante e pelo tempo e ateno que me dedicou nestes meses. Aos amigos, que mesmo sem saberem, me ajudaram aliviando a carga das responsabilidades em conversas demoradas e sorrisos sinceros. minha famlia Edeni, minha me, Jos, meu pai, e Gabriela, minha irm pela companhia e pelos abraos destes anos e por serem o meu lugar. s pedras que carreguei e s vezes em que fui carregado.

a vontade que faz os homens grandes ou pequenos. FRIEDRICH SCHILLER

Resumo

A medicina, como todas as reas do conhecimento humano, vem se desenvolvendo de forma extraordinria. O conhecimento e a descrio de novas doenas e sndromes, da fisiologia e da morfologia humana tm revolucionado o diagnstico e tratamento dos pacientes. A capacidade tcnica humana permite ao homem perceber e manipular elementos celulares microscpicos e descrever e operar interaes qumicas sutis, no entanto, extremamente complexas. A medicina tem se tornado, cada vez mais, inter e transdisciplinar. Por sua natureza inter e transdisciplinar, a medicina vem empregando tcnicas de outros nveis do conhecimento, nesse contexto, a computao surge como poderosa ferramenta auxiliar de processamento, de tratamento e de categorizao desse enorme volume de dados, armazenando e transmitindo a informao ao profissional de sade no momento e no local onde ela se faz necessria. E, dos campos em que a informtica tem sido empregada na medicina, o diagnstico por imagem, pela quantidade dos dados envolvidos e por sua complexidade semntica, tem se mostrado muito eficaz e eficiente quando auxiliado por computador. Dentre estes sistemas especialistas, se destacam, por sua poderosa capacidade de adaptabilidade e aprendizado, os sistemas de apoio ao diagnstico baseados em redes neurais artificiais, inseridas entre as tcnicas de Inteligncia Artificial, este o objeto deste trabalho.

Palavras-chave: Diagnstico mdico; Redes neurais artificiais; Processamento de imagens

Abstract

Medicine, as all areas of human knowledge, is developing. Knowledge and description of new diseases and syndromes, human physiology and morphology have revolutionized the diagnosis and treatment of patients. The human technical capacity allows the man perceive and manipulate microscopic cell elements and describe and operate chemical subtle interactions, however, extremely complex. Medicine has become increasingly inter and transdisciplinary. By their nature inter and transdisciplinary, medicine comes employing techniques for other levels of knowledge, in this context, the computing emerges as a powerful tool to assist processing, treatment and categorization of huge data volume, storing and transmitting information to the healthcare professional in time and place where it is needed. And, the fields in which information technology has been employed in medicine, diagnostic imaging, by the amount of data involved and by its complexity semantics, has been very effective and efficient when computer-aided. Among these systems specialists, excels by its powerful capacity for adaptability and learning, the diagnostic support systems based on artificial neural networks, inserted between artificial intelligence techniques, this is the object of this work.

Keywords: Medical diagnosis; Artificial neural networks; Image processing

Lista de Figuras

Figura 2.2.1: Neurnio biolgico...................................................................... 20 Figura 2.2.2: Neurnio artificial........................................................................ 22 Figura 2.2.3: Funes no neurnio artificial..................................................... 23 Figura 2.3.1: Topologias de rede....................................................................... 25 Figura 2.3.2: Rede Neural Perceptron............................................................... 26 Figura 2.3.3: Rede Neural Perceptron Multicamadas....................................... 28 Figura 2.5: Rede multicamada........................................................................... 31 Figura 3.1.1: Imagens em nveis diferentes de cinza.......................................... 35 Figura 3.1.2: Funo contnua, discreta e amostragem..................................... 36 Figura 3.3: Imagem submetida Tcnica de Realce......................................... 38 Figura 3.4.1.1: Exemplo de segmentao pelo operador de Moravec............... 40 Figura 3.4.1.2: Exemplo de deteco de bordas utilizando um operador de gradiente............................................................................................................ 41

Sumrio1. INTRODUO............................................................................................. 12 1.1. Objetivos.......................................................................................... 13 1.2. Metodologia...................................................................................... 13 1.3. Disposio do trabalho..................................................................... 14 2. REDES NEURAIS ARTIFICIAIS................................................................ 16 2.1. Histrico........................................................................................... 16 2.2. Fundamentos.................................................................................... 17 2.2.1. O Neurnio biolgico.......................................................... 19 2.2.2. O Neurnio artificial........................................................... 21 2.3. Arquitetura........................................................................................ 25 2.3.1. Perceptron............................................................................ 26 2.3.2. Perceptron multicamadas.................................................... 27 2.4. Paradigmas de aprendizado.............................................................. 29 2.5. Treinamento...................................................................................... 30 2.5.1. Retropropagao do erro..................................................... 31 3. PROCESSAMENTO DE IMAGENS........................................................... 3.1. Imagem digital.................................................................................. 3.2. Princpios de processamento digital de imagens.............................. 3.3. Tcnicas de pr-processamento de imagem..................................... 3.3.1. Realce.................................................................................. 3.4. Anlise de imagem........................................................................... 3.4.1. Deteco de contornos........................................................ 4. REDES NEURAIS ARTIFICIAIS NO DIAGNSTICO MDICO............ 4.1. Redes neurais artificiais em sistemas de diagnstico mdico......... 4.1.1. O sistema de apoio ao diagnstico...................................... 4.1.2. Treinamento........................................................................ 4.2. Vantagens e desvantagens................................................................ 4.3. O estado da arte................................................................................ 4.3.1. Do diagnstico de ndulos mamrios................................. 4.3.2. Do diagnstico de leses pulmonares................................. 4.3.3. Do diagnstico de lceras cutneas..................................... 34 34 37 37 38 39 39 43 44 45 46 46 48 48 49 50

5. CONSIDERAES FINAIS ....................................................................... 52 5.1. Trabalhos futuros.............................................................................. 53 REFERNCIAS................................................................................................ 54

Fatec Ourinhos - Anlise de Sistemas e Tecnologias da Informao - Trabalho de Titulao

12

1 INTRODUOPodem as mquinas conhecer, dominar o saber, adquiri-lo, coloc-lo em operao? A questo surpreendente, at chocante: como imaginar que se atribua um conhecimento a um artefato? GANASCIA (1997)

A medicina, como todas as reas do conhecimento humano, vem se desenvolvendo de forma extraordinria. O conhecimento e a descrio de novas doenas e sndromes, da fisiologia e da morfologia humana tm revolucionado o diagnstico e tratamento dos pacientes. A capacidade tcnica humana permite ao homem perceber e manipular elementos celulares microscpicos e descrever e operar interaes qumicas sutis, no entanto, extremamente complexas. A medicina tem se tornado, cada vez mais, inter e transdisciplinar. Nesta rea, a tcnica apresenta ao profissional de sade em variedade, em quantidade e em qualidade todo o tipo de informao pertinente ao tratamento do paciente. A acuidade dos exames laboratoriais e por imagem, alm dos executados pessoalmente pelo mdico, oferece perspectivas e detalhes essenciais para o diagnstico. No entanto, o grande volume de informao e a complexidade cada vez maior dos exames colaboram para a fadiga do profissional da sade e, consequentemente, possveis enganos no diagnstico. Na esfera do diagnstico por imagem, por exemplo, distores na classificao e interpretaes de leses levam a bipsias desnecessrias, a complexidade morfolgica das leses oferece dificuldades aos mais experientes mdicos e, em muitos casos, a imagem, por caractersticas especficas e pontuais do exame e do paciente, oferece baixo nvel de nitidez e interfere no parecer mdico. Mdico este que, devido a prpria natureza humana, possui limitaes visuais e influenciado pelo ambiente, tornando variveis como estresse, fadiga e problemas pessoais variantes que influenciam diretamente na qualidade do diagnstico. Por sua natureza inter e transdisciplinar, a medicina vem empregando tcnicas de outras reas do conhecimento, nesse contexto, a computao surge como poderosa ferramenta auxiliar de processamento, de tratamento e de categorizao desse enorme volume de dados, armazenando e transmitindo a informao ao profissional de sade no momento e no local onde ela se faz necessria. E, dos campos em que a informtica tem sido empregada na


13

medicina, o diagnstico por imagem, pela quantidade dos dados envolvidos e por sua complexidade semntica isto , a interpretao e o significado dos elementos da imagem dependem, em grande grau, do contexto e das estruturas adjacentes ao objeto avaliado tem se mostrado eficaz e eficiente quando auxiliado por computador. Esses sistemas especialistas desempenham a anlise e categorizao da informao, oferecendo ao mdico perspectivas e informaes que melhoram a qualidade do diagnstico e, portanto, a qualidade do tratamento desenvolvido. Os sistemas de diagnstico auxiliado por computador so, em sua maioria, arquitetados com tcnicas de Inteligncia Artificial, conjugando mtodos e arquiteturas de construo. Dentre estes sistemas especialistas, se destacam, por sua poderosa capacidade de adaptabilidade e aprendizado, os sistemas de apoio ao diagnstico baseados em redes neurais artificiais, inseridas entre as tcnicas de Inteligncia Artificial. No entanto, preciso ressaltar que o diagnstico atividade essencialmente humana, mesmo os sistemas especialistas mais complexos no atingiram os nveis mais bsicos de abstrao humana, os sistemas de apoio ao diagnstico mdico so, apesar de extremamente poderosos na categorizao e reconhecimento de padres, apenas mais uma das tcnicas empregadas pela medicina. O diagnstico final cabe sempre ao mdico.

1.1 OBJETIVOS O grande nmero e a variedade de tipos das imagens mdicas trouxeram consigo o desafio de processar, analisar e recuperar informaes das mesmas. O objetivo desta monografia estabelecer os princpios conceituais dos sistemas de apoio ao diagnstico mdico baseados em redes neurais artificiais, tcnica computacional capaz de satisfazer os anseios por tratamento e categorizao em imagens mdicas. Para tanto, como objetivos especficos, o escopo do trabalho se prope a estabelecer e discutir os fundamentos das redes neurais artificiais, os princpios de processamento de imagens e os preceitos para aplicao das redes neurais artificiais em sistemas de apoio ao diagnstico mdico. E, por fim, mas no menos importante, sugerir, como contribuio para a comunidade acadmica, linhas de pesquisa para trabalhos futuros.


14

1.2 MTODO Segundo LAKATOS e MARCONI (2009): Toda a pesquisa implica o levantamento de dados de variadas fontes, quaisquer que sejam os mtodos ou tcnicas empregadas. Esse material-fonte geral til no s por trazer conhecimentos que servem de background ao campo de interesse, como tambm para evitar possveis duplicaes e/ou esforos desnecessrios; pode ainda, sugerir problemas e hipteses e orientar outras fontes de coleta. Esta monografia uma pesquisa exploratria que, como escreve SEVERINO (2007), busca apenas levantar informaes sobre um determinado objeto, delimitando assim um campo de trabalho, mapeando as condies desse objeto. Quanto aos procedimentos tcnicos utilizados na pesquisa, o princpio utilizado o da pesquisa bibliogrfica que GIL (2009) define da seguinte forma: A pesquisa bibliogrfica desenvolvida com base em material j elaborado, constitudo principalmente de livros e artigos cientficos. Eventualmente, como instrumento de investigao e anlise, ser empregada tambm a pesquisa documental, descrita por Severino assim:

No caso da pesquisa documental, tm-se como fonte documental no s documentos impressos, mas sobretudo de outros tipos de documentos, tais como jornais, fotos, filmes, gravaes, documentos legais. Nestes casos, os contedos dos textos ainda no tiveram nenhum tratamento analtico, so ainda matria-prima, a partir do qual o pesquisador vai desenvolver sua investigao e anlise (SEVERINO, 2007, p. 122).

Assim, essas tcnicas se conjugaro, a primeira para garantir, fundamentar e validar o contedo, e a segunda, quando empregada, como recurso de busca de vertentes de pesquisa e de fontes bibliogrficas.

1.3 DISPOSIO DO TRABALHO Com o fim de alcanar os objetivos propostos, na organizao desta monografia temse:


15

No segundo captulo, Redes Neurais Artificiais, os fundamentos das redes neurais artificiais. O objetivo deste captulo descrever e discorrer sobre os modelos biolgicos e matemticos que norteiam a arquitetura, o treinamento, o desenvolvimento e a implementao de modelos neurais. No terceiro captulo, Processamento de Imagens, os fundamentos das imagens digitais e de seu processamento. Este captulo se prope a descrever e discorrer sobre os modelos matemticos de representao de imagens, sobre os princpios de pr-processamento, de processamento e de anlise de imagens. No quarto captulo, Redes Neurais Artificiais no Diagnstico Mdico, os fundamentos que norteiam a aplicao das redes neurais artificiais nos sistemas de apoio ao diagnstico mdico. O propsito deste captulo descrever e discorrer sobre os princpios dos sistemas de apoio ao diagnstico mdico, os procedimentos de treinamento das redes, as vantagens e desvantagens na aplicao da tcnica e, por fim, comentar trabalhos de pesquisa nas esferas do diagnstico de ndulos mamrios, do diagnstico de leses pulmonares e do diagnstico de lceras cutneas, oferecendo assim um cenrio de algumas das correntes de desenvolvimento e emprego dos sistemas de apoio ao diagnstico mdico. No quinto captulo, Consideraes Finais, os terrenos para os quais o trabalho enveredou e a sugesto para trabalhos futuros de pesquisa. O objetivo deste captulo tecer as consideraes finais sobre o uso das redes neurais artificiais no diagnstico mdico e contribuir com a comunidade acadmica com a sugesto de reas de pesquisa, nos futuros trabalhos de graduao, em Inteligncia Artificial, no processamento de imagens e no emprego das redes neurais artificiais.


16

2 REDES NEURAIS ARTIFICIAISOs computadores so edifcios complexos, em certos aspectos comparveis s catedrais. Sua construo demanda disciplina, rigor e mtodo: preciso conjugar diferentes ofcios que no tm, necessariamente, contato uns com os outros. GANASCIA (1997)

2.1 HISTRICO No ano de 1894 o espanhol Ramn e Cajal em sua publicao A Retina dos Vertebrados (Die Retine der Wirbletiere), identificava anatomicamente uma clula nervosa. Quase meio sculo depois, McCulloch; Pitts (1943) publicaram seu clebre artigo Um Clculo Lgico das Idias Provenientes da Atividade Nervosa (A Logical Calculus of the Ideas Immanent in Nervous Activity), levando ao surgimento das redes neurais artificiais. Especulava-se ento sobre ser booleana a natureza da inteligncia (SIMES, 2000). TAFNER et al. (1995) ressaltam que na mesma poca, o psiclogo Donald Hebb descobriu a base do aprendizado nas redes neurais quando explicou o que ocorre, a nvel celular, durante o processo de aprendizagem no crebro. BRAGA et al. (2000) comentam que Hebb mostrou como a plasticidade da aprendizagem de redes neurais conseguida atravs da variao dos pesos de entrada dos nodos. Tafner, ainda sobre o aprendizado Hebbiano, o demonstra da seguinte forma:

A lei de aprendizado de Hebb diz que se um neurnio A repetidamente estimulado por outro neurnio B, ao mesmo tempo que ele est ativo, ele ficar mais sensvel aos estmulos de B, e a conexo sinptica de B para A ficar mais eficiente (TAFNER et al., 1995, p. 27).

SIMES (2000) destaca que: O passo seguinte no desenvolvimento das RNAs foi dado por Rosenblatt (1962), que construiu uma rede com os discriminadores lineares de McCulloch e Pitts dispostos em camadas, batizada perceptron. Simes comenta o seguinte em seu trabalho:


17

Paralelamente a Rosenblatt, WIDROW (1962) desenvolveu um modelo neural linear, batizado ADALINE (Adaptative Linear Element). O grande valor desse modelo foi a proposta de Widrow para a aproximao linear atravs do clculo do gradiente de uma funo de erro quadrtico, que, em sua homenagem, foi batizado regra de Widrow. Posteriormente, esse mtodo foi generalizado para uma rede neural multidimensional, que por se tratar de mltiplas ADALINES, ficou conhecida como MADALINE (SIMES, 2000, p. 41).

Em 1969, Minsky e Papert chamaram ateno para algumas tarefas que o perceptron no era capaz de executar, j que este s resolve problemas linearmente separveis, ou seja, problemas cuja soluo pode ser obtida dividindo-se o espao de entrada em duas regies atravs de uma reta (BRAGA et al., 2000). Pelos motivos mencionados, o interesse pela tcnica ficou adormecido, s sendo despertado na dcada de 80. Sobre este perodo, Miguel esclarece:

[...] o interesse em redes neurais s foi retomado na dcada de 1980 com o trabalho de Rumelhart e McCelland (1987), que tornaram famosas uma das tcnicas mais conhecidas para treinamento de perceptrons de mltiplas camadas, o algoritmo de retropropagao do erro (backpropagation). Alm deles, o famoso trabalho de Hopfielld (1982) aplica uma arquitetura neural para recuperar padres de seu contedo (memrias associativas). Por ltimo, em 1987 tivemos o trabalho de Kohonem (Haykin, 1998), mostrando uma nova arquitetura capaz de reduzir a dimenso de um espao n-dimensional preservando sua topologia, tcnica bastante til na categorizao de dados (MIGUEL, 2009, p. 23).

Por fim, SIMES (2000) conclui que nestes ltimos anos, a diversidade de arquiteturas das RNAs cresceu enormemente, expandindo suas aplicaes na mesma proporo e impondo novos domnios teoria.

2.2 FUNDAMENTOS Os sistemas baseados em redes neurais artificiais, tambm chamados de conexionistas, que podem ser classificados como uma subrea da Inteligncia Artificial, so sistemas computacionais construdos com tcnicas que procuram imitar o crebro humano com suas conexes (AMBRSIO, 2002).


18

Haykin bastante claro ao definir assim as redes neurais artificiais:

Uma rede neural um processador maciamente paralelamente distribudo constitudo de unidades de processamento simples, que tm a propenso natural para armazenar conhecimento experimental e torn-lo disponvel para o uso. Ela se assemelha ao crebro em dois aspectos: 1. O conhecimento adquirido pela rede a partir de ambiente atravs de um processo de aprendizagem. 2. Foras de conexo entre neurnios, conhecida como pesos sinpticos, so utilizadas para armazenar o conhecimento adquirido (HAYKIN, 2002, p. 34).

Ainda sobre a similaridade com as redes neurais orgnicas, LUGER (2002) esclarece que: Tanto as arquiteturas neurais como os algoritmos genticos fornecem o modelo natural para o paralelismo, porque cada neurnio, ou seguimento de uma soluo, uma unidade independente. Para Costa: A metfora conexionista olha para a inteligncia como sendo uma propriedade das interaes de um nmero elevado de unidades elementares de processamento (COSTA e SIMES apud Romelhart e McClelland, 2004). Isto significa que a inteligncia pode ser simulada reproduzindo-se os modelos orgnicos de organizao e comunicao neurais. A contraposio desta idia lgica simblica fica clara em Russell quando ele escreve que os chamados modelos conexionistas para sistemas inteligentes eram vistos por alguns como concorrentes diretos dos modelos simblicos promovidos por Newell e Simon e da abordagem logicista de McCarthy e outros pesquisadores. (RUSSEL E NORVING apud Smolensky, 2004) As caractersticas que tornam as RNAs interessantes, segundo Bittencourt, so:

. capacidade de aprender por meio de exemplos e de generalizar esse aprendizado de maneira a reconhecer instncias similares que nunca haviam sido apresentadas como exemplo; . o bom desempenho em tarefas mal definidas, em que falta conhecimento explcito sobre como encontrar uma soluo; . no requerer conhecimento de eventuais modelos matemticos dos domnios de aplicao. . a elevada imunidade ao rudo, isto , apesar de piorar gradativamente, o desempenho das redes no entra em colapso na presena de informaes falsas ou ausentes, como o caso de programas convencionais (VALERIO NETTO apud BITENCOURT, 2003, p. 48).


19

No entanto, AMBROSIO (2002) faz uma importante ressalva quando diz que importante deixar claro que, na prtica, toda essa ideia no acontece de maneira to simples. Vrios empecilhos podem ocorrer durante a implementao de uma rede neural artificial que provocam at uma impossibilidade de sua aplicao em dados problemas.

2.2.1 O NEURNIO BIOLGICO FERREIRA (2009) define o neurnio como a clula fundamental do tecido nervoso com suas propriedades de excitabilidade e condutibilidade, e que apresenta corpo celular e ramificaes. No crebro, um neurnio uma unidade de processamento de informao que fundamental para a operao de uma rede neural. Cada neurnio recebe e combina sinais de muitos outros neurnios e produz sinais para o axnio conduzir certas aes, chamados de sinapse. Juntos, os neurnios formam uma grande rede, denominada de rede neural (HAYKIN, 2001). Compreender o funcionamento e a estrutura do neurnio biolgico fundamental para apreender o modelo matemtico que orienta o desenvolvimento de Redes Neurais Artificiais. AZEVEDO et al. (2000) explicam que a construo de Redes Neurais Artificiais (RNA) tem inspirao nos neurnios biolgicos e nos sistemas nervosos. Braga, por sua vez, detalha assim o neurnio:

Os neurnios so divididos em trs sees: o corpo da clula, os dendritos e os axnios, cada um com funes especficas porm complementares. [...] Os dendritos tm por funo receber as informaes, os impulsos nervosos, oriundos de outros neurnios e conduzi-lo at o corpo celular. Aqui a informao processada, e novos impulsos so gerados. Estes impulsos so transmitidos a outros neurnios, passando atravs do axnio at os dendritos do outro neurnio. O ponto de contato entre a terminao axnica de um neurnio e o dendrito de outro chamado sinapse (BRAGA et al., 2000, p. 5).

Ainda segunda BRAGA et al. (2000): As sinapses funcionam como vlvulas e so capazes de controlar a transmisso de impulsos isto , o fluxo de informao entre os nodos da rede. O efeito das sinapses varivel, e esta variao que d ao neurnio capacidade de adaptao.


20

Figura 2.2.1 Neurnio biolgico Fonte: adaptado de GOUVEIA (2010)

Silva Filho, para fundamentar a capacidade de processamento do crebro, escreve:

As ltimas pesquisas mostram que a quantidade de neurnios existentes no crebro fica em torno de 10. Cada um destes neurnios se comunica contnua e paralelamente com milhares de outros, processando sinais de informao e constituindo uma estrutura extremamente complexa. (SILVA FILHO E ABE, 2000, p. 15)

Sobre a comunicao entre neurnios, CONDELES JUNIOR (2006) esclarece que um neurnio recebe estmulos (impulso eltrico) de outros neurnios por meio dos dendritos, estes impulsos so integrados e ao chegar no soma provoca uma resposta deste. A resposta tambm em forma de impulso eltrico se propaga pelo axnio at a sua extremidade, que est conectado a outros neurnios e assim sucessivamente o estmulo transportado para outros neurnios da rede. J sobre a conduo do impulso pela clula, Braga diz:


21

H uma diferena de potencial (em volts) entre o interior e o exterior do neurnio, ocasionado pela diferena entre a concentrao de potssio (interna clula) e de sdio (externa clula). A concentrao de ons de potssio dentro da clula cria um potencial eltrico de -70 mv (potencial de repouso) em relao ao exterior. Para que a clula dispare, produzindo um potencial de ao (impulso nervoso), preciso que os impulsos reduzam este nvel para cerca de -50 mv. Nesse momento, o fluxo de sdio e de potssio invertido, e o interior da clula torna-se, subitamente positivo em relao ao exterior. Esta inverso faz com que o impulso nervoso se propague pelo axnio at suas sinapses (BRAGA et al., 2000, p. 7).

Como BRAGA et al. (2000) destacam: [...] a sinapse poder ser inibitria ou excitatria. A contribuio de todos os nodos pr-sinpticos na polarizao do neurnio pssinptico determinar se este ir ou no gerar um impulso nervoso. E o autor ainda conclui dizendo que o percentual de disparo de um neurnio determinado pelo acmulo de um nmero grande de entradas inibitrias e excitatrias, medido pelo corpo da clula em um pequeno intervalo de tempo.

2.2.2 O NEURNIO ARTIFICIAL VALENA (2005) postula o neurnio artificial da seguinte maneira: O modelo proposto procura de uma forma bastante simples e, porque no dizer, rude de representar o neurnio biolgico usando uma regra de propagao e uma funo de ativao. O primeiro exemplo de computao neural o neurnio de McCulloch-Pitts (McCulloch e Pitts, 1943). As entradas de um neurnio de McCulloch e Pitts ou so excitatrias ou inibitrias. A funo de ativao multiplica cada entrada pelo seu peso correspondente e soma os resultados; se a soma for maior ou igual a zero, o neurnio retorna 1, caso contrrio, ele retorna -1 (LUGER, 2004). Como TAFNER et al. (1995) explicam, o

neurnio possui, um ou mais sinais de entrada e um sinal de sada. O modelo de neurnio proposto por McCulloch e Pitts uma simplificao do que se sabia a respeito do neurnio biolgico. Sua descrio matemtica resultou em um modelo com n terminais de entrada x1, x2, ... xn (que representam os dendritos) e apenas um terminal de sada y (representando o axnio) (BRAGA et al., 2000).


22

Figura 2.2.2 Neurnio artificial Fonte: adaptado de Gouveia (2010)

TAFNER et al. (1995) explica que quanto aos pesos, atributo importantssimo do neurnio, podemos compar-los com os dendritos realizando suas sinapses em outros neurnios. Ainda sobre os pesos, Braga escreve:

Para emular o comportamento das sinapses, os terminais de entrada do neurnio tm pesos acoplados w1, w2, ... , wn cujos valores podem ser positivos ou negativos, dependendo de as sinapses correspondentes serem inibitrias ou excitatrias. O efeito de uma sinapse particular i no neurnio dado por xiwi. Os pesos determinam em que grau o neurnio deve considerar sinais de disparo que ocorrem naquela conexo (BRAGA et al., 2000).

Conforme explica AZEVEDO et al. (2000), a conexo sinptica conhecida por excitatria se wij > 0 e por inibitria se wij < 0. No modelo MCP (McCulloch e Pitts), a ativao do neurnio obtida atravs da aplicao de uma funo de ativao, que ativa ou no a sada, dependendo do valor da soma ponderada de suas entradas (BRAGA et al., 2000).


23

Figura 2.2.3 Funes no neurnio artificial Fonte: adaptado de COSTA E SIMES (2004)

COSTA e SIMES (2004, p. 250), modelam matematicamente as funes de entrada, ativao e sada da seguinte forma:

Os sinais pesados da entrada so combinados e produzem o sinal total de entrada. A forma mais usual de combinar a entrada atravs da sua forma pesada:

Uma vez conhecido o sinal total de entrada determina-se o nvel de ativao do neurnio usando a funo de ativao g.

(

)

(

)

Finalmente, a partir do nvel de ativao ai, calcula-se a sada xi:

( )O mais vulgar a sada ser igual a e foi isso que admitimos nos exemplos anteriores. Por outro lado, para sermos mais corretos, devemos fazer intervir a noo de tempo, para que fique claro como que a sada num dado instante (t+1) depende das entradas no instante anterior, t, ou seja:

(

)

(

( ))


24

O leitor ter notado que o limiar no mencionado.

TARALLO (2007), ao se referir aos tipos de funes de ativao, considera que as mais utilizadas so: a) Funo rampa:

b) Funo degrau ou funo limiar:

c) Funo sinal ou funo degrau bipolar:

d) Funo logstica ou funo sigmide:


25

e) Funo hiperblica:

2.3 ARQUITETURA Existem vrias estruturas de redes neurais artificiais criadas para solucionar diferentes problemas. As especificaes so dadas pela sua arquitetura, caractersticas dos ns, dinmica e regras de aprendizado (AMBRSIO, 2002). A organizao fsica da rede tambm chamada de topologia da rede. Para MIGUEL (2005), existem basicamente dois tipos de topologias, conhecidas por propagao direta (feed-forward) e recorrentes (feedback). No primeiro caso a informao da entrada transferida para as prximas camadas at o neurnio de sada, seguindo uma nica direo. Nas topologias recorrentes existe pelo menos uma conexo recursiva, conectando a sada de um neurnio entrada de outro que o preceda ou a ele prprio.

Propagao direta (feedforward) Recorrente (feedback) Figura 2.3.1 Topologias de rede Fonte: adaptado de MIGUEL (2009)

A definio da arquitetura de uma RNA um parmetro importante na sua concepo, uma vez que ela restringe o tipo de problema que pode ser tratado pela rede (BRAGA et al.,


26

2000). Esta monografia, devido ao grande nmero de arquiteturas, se restringir a pesquisa apenas das redes percetrons. Esses modelos renem, por sua capacidade de adaptabilidade e no linearidade, as condies para aplicao no diagnstico mdico.

2.3.1. PERCEPTRON O Perceptron foi proposto por Frank Rosenblatt, em 1957, sendo inicialmente usado para reconhecimento de caracteres. Ele se constitui num dispositivo com trs tipos de unidades: unidades sensoriais, unidades associativas e unidades de resposta. Um Perceptron pode ter diversas camadas escondidas, associadas (AZEVEDO et al., 2000). Braga bem claro quando o descreve:

[...] Embora esta topologia original possua trs nveis, ela conhecida como perceptron de uma nica camada, j que somente o nvel de sada (unidades de resposta) possui propriedades adaptativas, e as unidades intermedirias de associao, embora formada por nodos MCP, possuem pesos fixos, definidos antes do perodo de treinamento (BRAGA et al., 2000, p. 35).

Figura 2.3.2 Rede neural perceptron Fonte: adaptado de MIGUEL (2009)


27

AMBROSIO (2002), por sua vez, deixa bem evidente as limitaes na aplicao desta tcnica quando diz: As redes do tipo perceptron de uma nica camada so teis na soluo de problemas que admitem separao de classes por hiperplanos, ou seja, padres linearmente separveis.

2.3.2 PERCEPTRON MULTICAMADAS (MLP) Como comentado anteriormente, o perceptron de camada nica s capaz de classificar padres linearmente separveis. Quando o problema a ser trabalhado no admite uma separao linear exata, como acontece normalmente na prtica, torna-se necessrio o uso de um perceptron multicamadas (AMBRSIO, 2002). A soluo de problemas no linearmente separveis passa pelo uso de redes com uma ou mais camadas intermedirias, ou escondidas. Segundo Gibenko, uma rede com uma camada intermediria pode implementar qualquer funo contnua (BRAGA et al. apud Gibenko, 2000). VALENA (2005) diz: O interesse pelas redes neurais renasceu em 1982, com a publicao do trabalho de John Hopfield, o qual apresentou um modelo contnuo de elementos de processamento interconectados (procurando atingir um estado de energia mnima), cuja memria do sistema encontra-se armazenada nos pesos entre os elementos de processamento. Simes, de forma simples, define assim a rede neural multicamada:

Os MLPs podem ser entendidos como uma coleo de neurnios dispostos em k camadas, usualmente classificadas camada de entrada (primeira camada da rede), camada de sada (ltima camada da rede) e camadas ocultas (todas as demais). As j dimenses do estmulo so apresentadas aos j neurnios da camada de entrada. As sadas de cada neurnio so propagadas como entradas para todos os neurnios da camada seguinte, sucessivamente, at a resposta final da rede, de dimenso l igual ao nmero da camada de sada (SIMES, 2000, p. 50).


28

Figura 2.3.3 Rede neural perceptron multicamadas Fonte: adaptado de SIMES (2000)

SIMES (2000) esclarece: Por Nkj entende-se o neurnio disposto na j-sima posio da camada k e por Wkja entende-se o peso sinptico associado entrada a do neurnio da posio x da camada k. Em uma rede multicamada, o processamento realizado por cada nodo definido pelos nodos da camada anterior que esto conectados a ele. Quando se segue da primeira camada intermediria em direo camada de sada, as funes implementadas se tornam cada vez mais complexas. Estas funes definem como realizada a diviso do espao de deciso. (BRAGA et al., 2000). Considerando redes com ao menos duas camadas intermedirias, o processamento em cada uma das camadas se d deste modo:

A camada de entrada utilizada para receber os dados de entrada da rede. Essa camada, portanto, no efetua qualquer tipo de processamento, servindo apenas para receber e armazenar o vetor de entrada, ou seja, o padro a ser classificado. [...] A camada de sada tem a funo de coletar e armazenar respostas da rede ao padro inserido na entrada. [...] Entre a camada de entrada e a de sada, podemos ter uma ou mais camadas ocultas, assim denominadas por no possurem qualquer comunicao direta com os dados trabalhados. A principal funo desta camada a de proporcionar complexidade e no linearidade para a rede (AMBRSIO, 2000, p. 47).


29

Esta capacidade de resoluo de problemas no-lineares credencia as MLPs ao emprego no diagnstico em medicina. evidente, no entanto, que o nmero de camadas e a complexidade da arquitetura influenciam diretamente eficincia do sistema.

2.4 PARADIGMAS DE APRENDIZADO A variao dos pesos sinpticos em redes neurais com o objetivo de realizar alguma funo chamada de aprendizado. Esta capacidade permite que a rede memorize padres ou ainda faa generalizaes, conseguindo classificar entradas que nunca tinham sido apresentadas (MIGUEL, 2009). Para AMBROSIO (2002): Aprender significa adaptar-se ao ambiente de acordo com regras pr-existentes, alterando o seu desempenho ao longo do tempo. Para que uma rede neural artificial aprenda, necessrio que passe por uma etapa de treinamento, onde os pesos associados s conexes so alterados adaptando-se ao ambiente seguindo algumas regras. Cada aplicao exige um modelo de aprendizado ou, como tambm chamado, de treinamento. Os conceitos matemticos que melhor se empregam ao diagnstico mdico sero tratados mais avante, por hora, apenas os paradigmas de aprendizado sero abordados. Existem basicamente trs paradigmas bem definidos: o supervisionado, o no supervisionado e o por reforo. Segundo BRAGA et al. (2000), no aprendizado supervisionado a entrada e a sada desejada para a rede so fornecidas por um supervisor externo. Nas redes com treinamento no supervisionado no existe a apresentao de mapeamentos entrada sada rede: caber exclusivamente a ela a tarefa de realizar a classificao, com base na informao de nmero de classes e topologia da rede (SIMES, 2000). Por fim, Miguel sintetiza o aprendizado por reforo no seguinte conceito:O aprendizado por reforo refere-se utilizao de alguma funo (sic) eurstica (definida a priori) que descreva o quo boa a resposta da rede a uma dada entrada, e de busca da maximizao de tal funo (MIGUEL apud PHAN, 2000, p. 16).


30

A literatura cientfica e as pesquisas conduzidas para o diagnstico em medicina consideram como melhor mtodo para o treinamento de RNAs, nesta funo especfica, o paradigma de treinamento supervisionado e o mtodo de retropropagao do erro. Este, como j mencionado, ser detalhado adiante.

2.5 TREINAMENTO A idia por trs da aprendizagem que as percepes devem ser usadas no apenas para agir, mas tambm para melhorar a habilidade do agente para agir no futuro (RUSSEL E NORVING, 2004). Do mesmo modo que o paradigma biolgico empregado na construo do neurnio artificial, no aprendizado, ele tambm se faz presente. Segundo LUGER (2004), as abordagens conexionistas representam conhecimento como padres de atividade em redes de pequenas unidades de processamento individuais. Inspiradas na arquitetura dos crebros animais, as redes conexionistas aprendem modificando sua estrutura e pesos em resposta aos dados de treinamento. Para que se possa solucionar problemas, usando-se o modelo das RNAs, o primeiro passo estabelecer um conjunto de unidades que correspondam a um padro de entrada e observar o padro para o qual a rede converge e em que se estabiliza. (BRAGA et al., 2000). A esse conjunto de procedimentos de treinamento, segundo TAFNER et al. (2000), se d o nome de algoritmo de aprendizado. Os paradigmas desenvolvidos, neste sentido, utilizam regras de aprendizado que so descritas por expresses matemticas, chamadas de equaes de aprendizado. Estas equaes descrevem o processo de aprendizado para o paradigma, o qual, na realidade, o processo para auto-ajustar os pesos sinpticos, explica AZEVEDO et al. (2000). Braga bem incisivo quando diz:

O algoritmo de aprendizado mais conhecido para treinamento destas redes o algoritmo back-propagation (retropropagao do erro). A maioria dos mtodos de aprendizado para RNAs do tipo MLP utiliza variaes deste algoritmo (BRAGA et al., 2000).


31

As consideraes tecidas at este ponto do trabalho deixam evidente a natureza do conhecimento em uma rede neural artificial. O treinamento calibra os pesos e funes neuronais, este trabalho torna o processo de tomada de deciso paralelamente distribudo, o conhecimento, portanto, est armazenado em toda a rede ou em regies dela, no entanto, no possvel precisar ou delimitar a rea deste conhecimento num dado instante de tempo, a natureza das interaes que geram o conhecimento.

2.5.1 RETROPROPAGAO DO ERRO As regras de treinamento determinam de que modo os pesos podem ser adaptados durante o aprendizado. No entanto, a alterao dos parmetros de uma rede s permitida durante a fase de treinamento, permanecendo estticas durante as fases de teste e execuo, explica AMBROSIO (2002). Diversos algoritmos foram e continuam sendo desenvolvidos, neste trabalho, especificamente, ser tratado o algoritmo de retropropagao do erro (backpropagation), de implementao relativamente fcil e de excelentes resultados. AZEVEDO et al. (2000) descreve sucintamente, a seguir, os passos de um algoritmo de retropropagao tpico:

Figura 2.5 Rede multicamada Fonte: adaptado de AZEVEDO et al. (2000)


32

Seja A, o nmero de neurnios da camada de entrada, conforme determinado pelo comprimento dos vetores de entrada de treinamento, C, o nmero de neurnios da camada de sada. Escolha B, o nmero de neurnios da camada intermediria. Conforme a Figura 2.5., as camadas de entrada e intermediria tm, cada uma, um neurnio extra, usado como bias 1 (limiar). Portanto, usa-se os intervalos (0, ..., A) e (0, ..., B) para estas camadas, respectivamente.

1. Inicialize os pesos da rede. Cada peso deve ser inicializado aleatoriamente. 2. Inicialize as ativaes dos neurnios com bias, ou seja, u0=1 e h0=1. 3. Escolha um par entrada-sada. Suponha que o vetor entrada seja ul, e que o vetor de sada seja yl. Atribua nveis de ativao, aos neurnios da camada de entrada. 4. Propague a ativao dos neurnios da camada de entrada para a camada intermediria, usando-se como sugesto, a funo sigmide unipolar.

Onde: )

(

5. Propague a ativao dos neurnios da camada intermediria para os da camada de sada.

Onde )

(

1

O bias um parmetro opcional que pode ser obtido pela simples adio de uma entrada constante (normalmente com valor unitrio) e um peso apropriado (AZEVEDO et al., 2000)


33

7. Compute os erros dos neurnios da camada de sada, denotada por ( )( )

.

8. Compute os erros dos neurnios da camada intermediria, denotada por ( )

.

9. Ajuste os pesos, entre a camada intermediria e a de sada.

10. Ajuste os pesos entre a camada de entrada e a intermediria.

11. V para a etapa 4 e repita. Quando todos os pares entrada-sada tiverem sido apresentados rede, uma poca ter sido completada. Repita as etapas 4 a 10, para tantas pocas quantas forem desejadas.


34

3 PROCESSAMENTO DE IMAGENS

A realidade apenas uma iluso, ainda que muito persistente. ALBERT EINSTEIN

3.1 IMAGEM DIGITAL SCURI (1999) afirma que existem basicamente dois tipos de informao: visual e descritiva. Informao visual , por exemplo, a imagem vista na tela do computador. Informao descritiva referente ao modelo matemtico que representa os objetos visualizados. Simes, ainda sobre o modelo matemtico de representao da realidade, diz:

Da modelagem matemtica do mundo fsico sabido que a luz refletida de um ponto de uma superfcie pode ser descrita como uma funo nele incidente e da reflectncia2 desse ponto (SIMES, 2000, p. 10).

Segundo GONZALEZ e WOODS (2000) afirmam, o termo imagem refere-se a uma funo de intensidade luminosa, denotada por f(x,y), em que o valor ou amplitude f nas coordenadas espaciais (x,y) d a intensidade (brilho) da imagem naquele ponto. Como a luz uma forma de energia, f(x,y) deve ser positiva e finita, isto :

0 < f (x, y) <

A funo imagem digital uma ocorrncia especfica da funo imagem. Como SIMES (2000) bem destaca, nelas, os argumentos e o valor da funo so sempre inteiros. SCURI (1999), de forma pertinente, esclarece que o computador trabalha sempre com2

Reflectncia uma medida de como se comporta a energia emanada de um ponto, com relao ao fluxo incidente (SIMES, 2000, pg. 9).


35

nmeros inteiros ou na melhor das hipteses com uma aproximao de um nmero real, chamada de ponto flutuante. Por consequncia, no possvel representar uma funo contnua no computador. Podemos apenas simul-la. Alves bem preciso quando, a respeito da representao matemtica, escreve:

Uma imagem digital pode ser entendida como uma matriz onde os ndices de linha e coluna identificam um ponto na imagem e o valor do elemento da matriz identifica o nvel de cinza daquele ponto. Dessa forma, uma imagem digital normalmente definida como uma funo bidimensional f(i,j), com i, j Z. Uma imagem em nveis de cinza Gy pode ser descrita como uma funo cujo contra-domnio representa diferentes nveis de cinza, por exemplo, o intervalo real de 0 a 1. Esse intervalo geralmente discretizado inteiro de 0 a 255 (AVES et al. apud GONZALEZ e WOODS, 2010).

Gy : Z

[0, ..., 255]

Para TORRES (2006): Imagens em nveis de cinza costumam ser utilizadas em sistemas de processamento. Sabe-se que o olho humano consegue separar 64 nveis de cinza. Sistemas computacionais utilizam, na maioria dos casos, imagens com 256 nveis de cinza. Esta escala de 256 nveis (8bits) considerada suficiente para processamento.

Figura 3.1.1 Imagens em nveis diferentes de cinza Fonte: adaptado de TORRES (2006)


36

A figura 3.1.1.(a) apresenta 256 nveis de cinza, o suficiente para processamento, enquanto a figura 3.1.1.(b) apresenta apenas 8 nveis de cinza. A diferena de especiao tecidual evidente. Scuri, sobre o processo de discretizao de uma funo contnua, escreve:

O processo para trazer uma funo contnua para o computador discretizando-a (ou digitalizando-a), ou melhor, tomando valores pontuais ao longo de x e guardando o valor f(x) correspondente ( claro que o eixo f(x) tambm contnuo, assim tambm precisaremos discretiz-lo). O processo de discretizao do eixo x (o domnio) chamado de amostragem, o do eixo f(x) (o contradomnio) chamado de quantizao (SCURI, 1999, p. 10).

Figura 3.1.2 Funo contnua, discreta e amostragem Fonte: adaptado de SCURI (1999)

Mais uma vez, SCURI (1999) bem claro quando diz que a imagem digital obtida a partir de uma amostragem e de uma quantizao da funo contnua, como j foi visto, e poder ser representada pela mesma funo, s que neste caso, x e y so nmeros inteiros. Uma


37

vez amostrado o plano temos uma matriz de valores que representam a cor. Cada elemento dessa matriz chamado de pixel (abreviao de picture element). E SIMES (2000) conclui: A modelagem do mundo fsico atravs da imagem discreta, como o proposto, possibilita uma forma finita de representao de grandezas contnuas.

3.2 PRINCIPIOS DE PROCESSAMENTO DIGITAL DE IMAGEM O processamento de imagens digitais envolve procedimentos que so geralmente expressos em forma algortmica. Assim, com exceo da aquisio e exibio de imagens, a maioria das funes de processamento de imagens pode ser implementada em software. (TORRES, 2006) Segundo Gonzalez h trs nveis de anlise de imagens:

Processamento de baixo nvel: trata das reaes automticas que no requerem qualquer inteligncia por parte do sistema de anlise de imagens. Processamento de nvel intermedirio: trata da tarefa de extrao e caracterizao de componentes de imagem. Processamento de alto nvel: envolve o reconhecimento e a interpretao (GONZALEZ E WOODS, 2000, p. 408).

As redes neurais artificiais, por sua elevada capacidade de reconhecimento e interpretao, atuam dentro do contexto do processamento de alto nvel, podendo, em casos especficos, serem empregadas tambm no processamento de nvel intermedirio.

3.3 TCNICAS DE PR-PROCESSAMENTO DE IMAGEM Aps a obteno de uma imagem digital, o prximo passo trata de pr-processar aquela imagem. A funo chave no pr-processamento melhorar a imagem de forma a aumentar as chances para o sucesso dos processos seguintes (GONZALEZ E WOODS, 2000). Conforme observa PEREIRA et al. (2010) esse procedimento tem por funo corrigir os nveis de cinza dos pixels, melhorando a qualidade das imagens e eliminando rudos. Para Torres:


38

A imagem digital uma imagem que sofreu processo de digitalizao tanto das coordenadas espaciais quanto da intensidade. A digitalizao das coordenadas refere-se amostragem da imagem e a digitalizao da intensidade refere-se quantificao dos nveis de cinza (TORRES, 2006, p. 16).

As imagens, ao serem digitalizadas sempre sofrem degradaes, para a obteno de imagens com boa qualidade, pode-se recorrer s tcnicas de realce.

3.3.1 REALCE A definio de qualidade de imagem deve levar em conta o sistema a que esse elemento servir, o objetivo principal das tcnicas de realce processar uma imagem j digitalizada, de modo que o resultado seja mais adequado para o trabalho de uma aplicao especfica do que a imagem original era antes de ser submetida ao processo.

Figura 3.3 Imagem submetida Tcnica de Realce: (a) imagem mamogrfica original (b) imagem mamogrfica submetida tcnica de realce Fonte: adaptado de TORRES (2006)

Segundo Torres, os mtodos de realce dividem-se em duas grandes categorias:

[...] mtodos do domnio espacial e mtodos do domnio de freqncia. O domnio espacial refere-se ao prprio plano da imagem, e as abordagens nesta categoria so baseadas na manipulao direta dos pixels das imagens.


39

Tcnicas de processamento no domnio da freqncia so baseadas na modificao das transformadas de Fourier das imagens (TORRES, 2006, p. 20).

A conjugao das tcnicas, as de realce por domnio e as por freqncia, no rara.

3.4 ANLISE DE IMAGEM A segmentao subdivide uma imagem em suas partes ou objetos constituintes. O nvel at o qual essa subdiviso deve ser realizada depende do problema sendo resolvido. Ou seja, a segmentao deve parar quando os objetos de interesse tiverem sido isolados (GONZALEZ e WOODS, 2000). Para TORRES (2006), a segmentao autnoma considerada uma das mais difceis tarefas em processamento de imagens. Este processo geralmente determina o sucesso ou fracasso da anlise. Gonzalez bem claro quando pondera:

Os algoritmos de segmentao para imagens monocromticas so geralmente baseados em uma das seguintes propriedades bsicas de valores de cinza: descontinuidade e similaridade (GONZALEZ E WOODS, 2000, p. 295)

Na descontinuidade, a abordagem particionar a imagem baseando-se em mudanas bruscas nos nveis de cinza. Na similaridade, as bases so limiarizao, crescimento de regies e diviso e fuso de regies (TORRES, 2006).

3.4.1 DETECO DE CONTORNOS Um contorno uma mudana brusca de nvel de cinza entre duas regies relativamente homogneas. Ela pode aparecer como uma sequncia de pontos, uma linha, um segmento, uma curva ou uma forte variao do nvel de cinza (TORRES, 2006). GONZALEZ E WOODS (2000) especificam a ideia agrupando essas ocorrncias em trs tipos bsicos de descontinuidade em imagens digitais: pontos, linhas e bordas.


40

Para Torres:

Um exemplo de segmentao de uma imagem sob forma de pontos particulares quando se usa o operador de Moravec. Ele representa um algoritmo interessante de deteco de pontos que traduzem zonas locais particulares ou que podem construir o centro de regies de grande varincia segundo algumas direes (TORRES, 2006, p. 25).

Figura 3.4.1.1 Exemplo de segmentao pelo operador de Moravec: (a) imagem original, (b) imagem segmentada Fonte: adaptado de TORRES (2006)

Sobre a deteco de bordas, GONZALEZ E WOODS (2000) escrevem: Uma borda o limite entre duas regies com propriedades relativamente distintas de nvel de cinza. E TORRES (2006) ainda observa que uma das tcnicas mais usadas consiste no processamento de uma imagem a partir de um operador de derivada local. Operadores de derivada, tais como gradiente3, so altamente utilizados. TORRES (2006) demonstra de forma bastante simples o operador de um gradiente 2D deste modo:

O gradiente de um sinal 2D identifica mudanas da funo em vrias direes (derivadas parciais em torno dos eixos x e y, por exemplo). Neste caso, definimos um vetor gradiente do tipo:

3

O gradiente de f est sempre dirigido tangencialmente s curvas de maior declive da funo, apontando no sentido em que f cresce mais rapidamente (VILA, 1995).


41

A magnitude do vetor :

Esta equao define a intensidade de gradiente cuja direo, perpendicular direo do contorno, dada por:

Figura 3.4.1.2 Exemplo de deteco de bordas utilizando um operador de gradiente: (a) imagem original, (b) imagem processada Fonte: adaptado de TORRES (2006)

A etapa final envolvida no processo de imagens a extrao de atributos, que envolve basicamente a quantificao de elementos que compem os objetos segmentados da imagem original. Depois de concluda essa primeira parte do processo, os atributos quantificados so utilizados para a classificao das estruturas identificadas na imagem, sendo normalmente empregados mtodos de Inteligncia Artificial (AMBROSIO, 2007, p. 26). E, por fim, Ambrosio muito pertinente quando diz que grande parte dos trabalhos envolvendo a anlise e o desenvolvimento de sistemas de apoio ao diagnstico na rea de imagens baseadas em redes neurais artificiais refere-se a sistemas que tem como objetivo a


42

classificao de padres em imagens (AMBROSIO, 2002). Sob este prima, o processamento de imagens digitais de fundamental importncia para assegurar a qualidade da imagem tratada pela rede neural, sua eficcia, quando considerada no encadeamento lgico do sistema de apoio ao diagnstico mdico, essencial para o sucesso da aplicao das redes neurais artificiais no reconhecimento de padres.


43

4 REDES NEURAIS ARTIFICIAIS NO DIGNSTICO MDICO

Ele testemunha uma inquietude persistente, a de ver a obra se tornar independente do seu criador, inquietude tanto mais forte na medida em que traduz a ambivalncia de toda obra destinada por natureza a existir para alm do ato que a executa e, portanto, a sobreviver a seu criador. GANASCIA (1997)

Entre as principais tarefas do profissional da rea mdica est a tomada de decises. Uma atividade em que a tomada de decises claramente identificada a de diagnstico. Segundo AMBROSIO (2002): O diagnstico se baseia na anlise de uma srie de dados e informaes coletadas pelo profissional em diversas fontes de diferentes tipos, inclusive toda a experincia j vivenciada pelo mdico em outros diagnsticos do mesmo tipo. O volume desses dados, informaes e conhecimentos vem crescendo

exponencialmente, para cumprir bem suas funes, o mdico deve estar sempre atualizado sobre as novas tecnologias que surgem. A aplicao da informtica mdica vem se tornando cada vez mais intensa. Para AMBROSIO (2002): O objetivo dessa disciplina oferecer ao mdico a informao de que ele necessita, de forma rpida, no momento e local onde ela necessria. Portanto, o uso do computador em medicina vem se tornando, em certos aspectos, indispensvel. Qualquer programa de computador que tenha como objetivo auxiliar o mdico na resoluo de algum tipo de problema e na elaborao de um diagnstico pode ser classificado como sistema de apoio ao diagnstico (SHORTLIFFE et al., 1990). Esses sistemas tm, portanto, como funo bsica auxiliar o profissional quanto aos aspectos de processamento e armazenamento do grande volume de informaes envolvido no diagnstico. O diagnstico do radiologista normalmente baseado em interpretao qualitativa dos dados analisados, que pode ser influenciada e prejudicada por diversos fatores, como baixa qualidade da imagem, fadiga visual, distrao, sobreposio de estruturas, dentre outros


44

(AZEVEDO E MARQUES, 2001). Alm disso, os seres humanos possuem limitaes em sua habilidade visual, que podem prejudicar a anlise de uma imagem mdica, principalmente na deteco de determinados padres apresentados (GIGER, 2002). Como escreve, de forma bem clara, Giger:

A revoluo da tecnologia da informao est mudando os mtodos para interpretao de imagens mdicas. Cada nova edio de peridicos de imagens mdicas traz novas tcnicas de imagem, novas aplicaes ou novos resultados de estudos de observao e de testes clnicos e pr-clnicos de tais mtodos. No futuro, provvel que todas as imagens mdicas tenham alguma forma de diagnstico apoiado por computador executado para beneficiar os cuidados com pacientes e resultados (GIGER, 2002, p. 3).

Para AMBROSIO (2007), os sistemas de auxlio ao diagnstico normalmente so desenvolvidos com base em tcnicas de Inteligncia Artificial, para auxiliar o profissional na classificao de padres. E AZEVEDO E MARQUES (2001) concluem de forma clara dizendo que os sistemas de auxlio ao diagnstico podem utilizar como entrada atributos extrados e quantificados automaticamente, ou por inspeo visual, pelo profissional.

4.1 REDES NEURAIS ARTIFICIAIS EM SISTEMAS DE DIAGNSTICO MDICO O modelo proposto por este trabalho baseia-se no perceptron multicamadas que, como j mencionado, uma srie de neurnios artificiais interligados entre si e com peso determinado associado a cada conexo. Cada aplicao exigir o clculo especfico do nmero de camadas ocultas e do nmero de neurnios que formaro a camada de entrada e sada, levando, obrigatoriamente, em considerao para o clculo que o nmero de neurnios das camadas de entrada e sada esto em ntima ligao com o nmero de padres a serem classificados. Para o treinamento da rede, trabalha-se com o paradigma do aprendizado supervisionado, por meio do algoritmo de aprendizado backpropagation que, segundo AMBROSIO (2002), baseado numa anlise dos erros de resposta do sistema para os ajustes necessrios na rede. Os conceitos de desenvolvimento e aplicao de sistemas de apoio ao diagnstico mdico baseados em redes neurais artificiais vem sendo largamente pesquisados nos ltimos


45

anos. No processamento de informaes mdicas, a aplicao desses sistemas, segundo AMBROSIO (apud KELLER, 2002), apresenta como principais benefcios: . ser treinada por exemplos obtidos de regras genricas; . ser automtica; . eliminar processos da fadiga humana (por exemplo, na anlise excessiva de dados); . apresentar rpida identificao; . apresentar anlise de condies e diagnsticos em tempo real. Na aplicao no apoio ao diagnstico, objeto desta monografia, os trabalhos publicados, em sua maioria, se relacionam determinao e classificao de padres.

4.1.1 O SISTEMA DE APOIO AO DIAGNSTICO O sistema computacional de apoio ao diagnstico baseado em redes neurais composto por duas partes principais: o mdulo de aprendizado e o mdulo de diagnstico.

O mdulo de aprendizagem utilizado para o treinamento da rede neural, onde base de dados apresentada exaustivamente ao programa para que os pesos das conexes entre os ns sejam ajustados, at que a rede apresente uma taxa de erro aceitvel. O mdulo de diagnstico o programa efetivamente apresentado ao usurio final, com pesos e conexes j fixados, onde o usurio entra com os dados de um determinado caso e o programa faz a classificao em uma das possveis patologias (AMBROSIO, 2002, p. 65).

Essa diviso em mdulos, apesar de extremamente simples, conceitualmente fundamental para apreender o funcionamento dos sistemas de apoio ao diagnstico baseados em redes neurais artificiais. preciso compreender que o aprendizado e a aplicao do conhecimento ocorrem em momentos distintos e este s existir se os dados histricos para o treinamento tiverem sido bem selecionados e corretamente apresentados rede.


46

4.1.2 TREINAMENTO A primeira coisa a fazer analisar a srie de dados que ser usada para o treinamento em termos de tendncia e padres. Neste ponto, deve-se estabelecer quais as classes de padres que a rede neural reconhecer. Na medicina, isso se refere aos tipos de leses ou tecidos que a rede deve perceber. Segundo VALENA (2005), apesar dos modelos neurais serem ditos como capazes de lidar com dados ruidosos, incompletos e no estacionrios, o pr-processamento dos dados pode melhorar substancialmente o desempenho do modelo. Assim, dentro do universo possvel de padres para o qual a rede neural artificial ser treinada, deve-se selecionar para o conjunto de treinamento aquelas entradas com melhor qualidade e que melhor exemplifiquem as classes de padres que devem ser reconhecidas. O conjunto de treinamento deve ser apresentado de forma aleatria e por quantas pocas forem necessrias, as classes no devem ser agrupadas sequencialmente, isto prejudicaria o aprendizado, a rede neural, tampouco, deve ser treinada com um conjunto de dados demasiado grande, isso a tornaria lenta e pouco eficiente. SIMES (2000) explica: O aprendizado da rede deve ser quantificado pela funo de erro de cada sada, ou seja, mede-se a acuidade de classificao da RNA com relao a cada uma das classes. E o autor ainda complementa a ideia dizendo que uma vez iniciada a fase de treinamento, esta somente deve ser suspensa quando o erro das sadas for satisfatoriamente pequeno para cada uma das interaes. Como demonstrado matematicamente no Captulo 2, seo 2.5.1, desta monografia, o algoritmo de treinamento utilizado no aprendizado deve ser o de retropropagao do erro. Aps a etapa de treinamento, j no mdulo de diagnstico, imagens de classes de padres aleatrios devem ser oferecidas a rede, baseadas no levantamento estatstico das respostas, ou seja, na performance do sistema de auxlio ao diagnstico, os especialistas decidiro se a rede neural est pronta para o uso no diagnstico mdico, se o desempenho do sistema for baixo, todo o processo de aprendizado deve ser redimensionado e reiniciado.

4.2 VANTAGENS E DESVANTAGES A natureza do conhecimento, as caractersticas da arquitetura e do treinamento das redes neurais artificiais as tornam extremamente versteis e poderosas, mas, por outro lado,


47

essas mesmas peculiaridades e a interao delas criam empecilhos aplicao da tcnica, sendo necessrio o cumprimento de condies bsicas para sua implantao, essas particularidades devem ser consideradas quando do desenvolvimento de um sistema de apoio ao diagnstico mdico baseado em redes neurais artificiais. As vantagens na aplicao das redes neurais artificiais, para AMBROSIO (2002, 37), so: . qualidade superior: as redes permitem qualidade superior do que as conseguidas com clculos estatsticos; . auto-aprendizado: no necessitam de conhecimento de especialistas para tomar decises; elas se baseiam unicamente nos exemplos histricos que lhes so fornecidos; . imunidade falhas: como as unidades da rede operam em paralelo, a destruio ou defeito em um de seus ns no torna a rede inoperante, podendo at no causar grandes problemas em seu funcionamento; . capacidade de generalizao: mesmo com dados incompletos ou imprecisos, as redes podem preencher as lacunas sem sofrer degradao; algo parecido com a extrapolao e interpolao da estatstica, porm, operacionalmente diferente; . imunidade a rudos: os dados reais sempre contm rudos; as redes conseguem separar o rudo da informao relevante, tendo sido utilizadas at como filtro de dados; . adaptabilidade: uma vez construda uma rede eficiente em dada aplicao, ela pode ser utilizada em aplicaes de tempo real sem necessidade de ter sua arquitetura alterada cada atualizao; basta que seja retreinada com base nos novos dados histricos que forem surgindo. Mas, tambm segundo AMBROSIO (2002), h desvantagens que limitam a tcnica e, que por sua vez, so: . treinamento demorado: o treinamento de uma rede, dependendo da aplicao, pode ser demorado (horas ou mesmo dias); . resultados desconcertantes: as redes podem chegar a concluses que contrariem as regras estabelecidas, bem como considerar dados irrelevantes como bsicos; somente o bom senso do profissional experiente saber tratar tais casos;


48

. caixa preta: impossvel saber o motivo que levou a rede a uma concluso; seus critrios decisrios so encriptados, no se sabendo que valores so relevantes tomada de uma deciso; . volume grande de dados: para uma rede poder aprender corretamente, necessita-se de um grande volume de dados histricos; a carncia de dados relevantes em quantidade suficiente torna a rede inaplicvel; . preparao dos dados: os dados de entrada necessitam de tratamento prvio; devem ser normalizados e cuidadosamente selecionados para que a rede seja corretamente ensinada a agir; dados de m qualidade produzem resultados falhos.

4.3 O ESTADO DA ARTE Para AMBROSIO (2007), um dos propsitos de se desenvolver um sistema de apoio ao diagnstico reside no fato de que, reconhecidamente, a deteco e consequente quantificao de padres pelos radiologistas, mesmo os mais especializados, est sujeita a grandes variaes interpessoais. Devido ao carter extremamente subjetivo das anlises. Tambm importante esclarecer que, mesmo em profissionais experientes, a fadiga e o grande volume de dados e informao podem comprometer o diagnstico, nesse contexto, os sistemas de apoio ao diagnstico servem como instrumento de reflexo ou como uma segunda opinio tcnica. A seguir, so tratadas algumas linhas promissoras de pesquisa na rea do auxlio ao diagnstico mdico por imagem.

4.3.1 DO DIAGNSTICO DE NDULOS MAMRIOS SILVA (2005), em Classificao de ndulos mamogrficos utilizando um comit de redes neurais artificiais, pela Universidade de So Paulo, destaca:

O cncer de mama o tipo de cncer que se manifesta com maior frequncia entre as mulheres brasileiras, nas quais a maior incidncia ocorre em mulheres entre 35 e 50 anos (SILVA apud INCA, 2005). Desde o incio das pesquisas sobre cncer de mama, a melhor maneira para a cura da doena uma rpida deteco. A deteco precoce pode ser conseguida atravs do exame de mamografia, que uma forma particular de radiografia capaz de registrar imagens da mama com finalidade de


49

diagnosticar a presena ou ausncia de estruturas que possam indicar a doena (SILVA, 2005, p. 1).

O autor pretende apresentar uma nova proposta de classificao de caractersticas extradas de mamografias utilizando redes neurais artificiais. Desta maneira, pretende melhorar os resultados de discriminao entre ndulo benigno e maligno, utilizando um comit de redes neurais artificiais de perceptrons de multicamadas. SILVA (2005) verificou uma acuidade de 95% nos resultados obtidos pelo comit de redes neurais, demonstrando a eficcia da tcnica. O pesquisador ainda sugere que trabalhos futuros realizem diferentes experimentos utilizando a mquina comit de redes neurais visando melhorar a capacidade de classificao dos ndulos mamogrficos. Em outro trabalho importante, Classificao por anlise de contornos de ndulos mamrios utilizando redes neurais artificiais, pela Universidade de So Paulo, RIBEIRO (2006) utiliza a tcnica das redes neurais artificiais para classificar imagens de ndulos mamrios por contorno. Segundo o autor, distores na interpretao e classificao de leses suspeitas por especialistas implicam um nmero de bipsias desnecessrias (RIBEIRO apud BURREAL et al., 2006). Ou seja, entre 65% a 85% das bipsias de mama so realizadas em leses benignas (RIBEIRO apud MEYER et al., 2006). O autor se props a desenvolver um mdulo classificador, que utiliza tcnicas de extrao e seleo de caractersticas e Redes Neurais Artificiais para classificar imagens de ndulos atravs de seu contorno, utilizando como base caractersticas em comuns que representam a diversidade de contornos descritos nos laudos radiogrficos. Para tanto, o autor conjugou Redes Neurais do tipo SOM e do tipo MLP (Perceptron Multicamadas), atingindo um total de acerto de 89%.

4.3.2 DO DIAGNSTICO DE LESES PULMONARES Muitos fatores diferentes podem afetar o aparelho respiratrio e provocar dificuldades respiratrias. Os mais comuns so as infeces provocadas por vrus e bactrias, tais como as gripes, que afetam o nariz e a garganta, a laringite e a bronquite. Outros vrus so responsveis pela tuberculose e pela pneumonia, que afetam os pulmes e os tecidos que os rodeiam. Existem ainda as infeces recorrentes, por exposio ao p e ao fumo, que podem


50

afetar o funcionamento dos pulmes, levando a aumento da acumulao de ar nos alvolos pulmonares (AMBROSIO, 2002). Um dos principais mtodos para a deteco de doenas pulmonares o exame radiolgico do trax. AMBROSIO (2002), em Redes neurais artificiais no apoio ao diagnstico diferencial de leses intersticiais pulmonares, pela Universidade de So Paulo, desenvolve um sistema computacional de apoio ao diagnstico de um grupo de patologias classificadas como leses intersticiais pulmonares, com o intuito principal de se verificar a validade da utilizao da tcnica de redes neurais artificiais para esse fim. O autor, aps os testes de desempenho do sistema, aferiu o ndice de acerto em 91,67% dos diagnsticos. Alguns anos mais tarde, AMBROSIO (2007), em Redes neurais auto-organizveis na caracterizao de leses intersticiais de pulmo em radiografia de trax, pela Universidade de So Paulo, estudou a utilizao de redes neurais auto-organizveis como tcnica de extrao de atributos e reduo de dimensionalidade de imagens radiogrficas de trax, para caracterizao de leses intersticiais de pulmo, visando sua posterior aplicao em um sistema de auxlio ao diagnstico. O autor demonstra que o sucesso do sistema varia de acordo com a classe de padro estudada, no entanto, Ambrosio afirma que essa tarefa se revela complexa at mesmo para mdicos radiologistas, informao que, segundo o pesquisador, corrobora para o desenvolvimento de um sistema de auxlio ao diagnstico.

4.3.3 DO DIAGNSTICO DE LCERAS CUTNEAS TARALLO (2007), em Segmentao e classificao de imagens digitais de lceras cutneas atravs de redes neurais artificiais, pela Universidade de So Paulo, afirma:

lceras cutneas so um problema de sade pblica de carter endmico que atinge de 3% a 5% da populao acima de 65 anos, e 1% da populao adulta (apud DEALEY, 2007). O tratamento possui algumas complicaes devido ao longo perodo, ao desconforto dos curativos, alm das incertezas quanto ao sucesso.


51

Segundo o autor, quando no so aplicadas medidas profilticas adequadas, cerca de 30% das lceras venosas curadas ressurgem, ou seja, so recorrentes no primeiro ano e, aps dois anos, o percentual atinge 70%. O autor props o desenvolvimento de uma metodologia para segmentar e classificar os tecidos do leito das lceras utilizando uma rede neural artificial e tcnicas de processamento de imagens. Essa investigao resultou numa metodologia para qualificar tecidos de lceras, assim classificadas como: granulao e fibrina, alm do clculo da rea total da ferida. (TARALLO, 2007, 3)


52

5 CONSIDERAES FINAIS

Muitos utilizam as ferramentas. Porm, poucos so os inspirados. PLATO

Os sistemas especialistas de apoio ao diagnstico mdico baseados em redes neurais artificiais so, como demonstrado ao longo do trabalho, muito adaptativos e extremamente poderosos quando no processamento de padres e emprego do conhecimento adquirido, a Inteligncia Artificial, e mais precisamente as redes neurais artificiais, se revela, em casos especficos de aplicao, fundamental para a medicina. Em vrios momentos, a tcnica tem revolucionado o trabalho e o diagnstico mdico. O grande volume de informao, principalmente na medicina por imagem, encontra o tratamento, o armazenamento, a distribuio e o processamento adequados nessas aplicaes, liberando o mdico para atividades em que os nveis de abstrao sejam mais elevados, sem, no entanto, priv-lo do direito de intervir no processo de diagnstico. O emprego das redes neurais em sistemas de apoio ao diagnstico mdico, como demonstram os trabalhos de pesquisa descritos no Captulo 4, seo 4.3, responde aos desejos por anlise, categorizao e interpretao de dados, e oferece ao mdico dimenses e perspectivas que influenciam positivamente na qualidade do diagnstico mdico. Mas como acontece em toda a tcnica, exige mtodo e disciplina no engenho e aplicao dos conceitos. Portanto, devido aos resultados prticos aferidos nos trabalhos j desenvolvidos e a poderosa capacidade e versatilidade das redes neurais artificiais aplicadas no apoio ao diagnstico mdico, a tcnica tratada nesta monografia cumpre os preceitos necessrios para sua aplicao em medicina por imagem e sua extenso a outras reas do diagnstico mdico, como a diagnstico dos males neurolgicos, dos fisiolgicos, dos gastrointestinais, dos oncolgicos, dos cardiovasculares, dos hormonais e etc..


53

5.1 TRABALHOS FUTUROS O emprego das redes neurais artificiais, por sua poderosa capacidade de adaptabilidade e aprendizado, pode ser disseminado por praticamente todas as reas da medicina. No entanto, dentro ainda do diagnstico por imagem, h tcnicas que poderiam, em conjunto com as abordadas nesta monografia, ampliar a eficincia e eficcia dos sistemas de apoio ao diagnstico mdico, so elas: . Redes auto-organizveis; . Redes Binrias de Hopfield; . Mapas de Kohonen; . Redes ART (Adaptative Resonance Theory); . Tcnicas para extrao de regras para RNA; . Viso computacional; . Segmentao de imagens; . Algoritmos para extrao de atributos. Vrias linhas de pesquisa vm desenvolvendo estes princpios, aplicando-os de forma coordenada, de forma isolada ou num encadeamento lgico com as tcnicas descritas nesta monografia, podendo, em casos especficos, duas ou trs delas constiturem um sistema especialista, mas, no entanto, exercerem funes distintas no contexto. Trabalhos futuros de graduao em um ou vrios destes campos seriam teis comunidade acadmica.


54

REFERNCIASALVES, Wonder Alexandre Luz; ARAJO, Sidnei Alves de; LIBRANTZ, Andr Felipe H.. Reconhecimento de padres de textura em imagens digitais usando uma rede neural hbrida. So Paulo: Uninove, 2010.

AMBRSIO, Paulo Eduardo. Redes neurais artificiais no apoio ao diagnstico diferencial de leses intersticiais pulmonares. Ribeiro Preto: Universidade de So Paulo, 2002.

AMBRSIO, Paulo Eduardo. Redes neurais auto-organizveis na caracterizao de leses intersticiais de pulmo em radiografia de trax. Ribeiro Preto: Universidade de So Paulo, 2007.

AZEVEDO, Fernando Mendes de; BRASIL, Lourdes Mattos; OLIVEIRA, Roberto Clio. Redes Neurais com Aplicaes em Controle e em Sistemas Especialistas. Florianpolis, SC: Bookstore, 2000.

AZEVEDO; MARQUES. Diagnstico auxiliado por computador na radiologia. Radiologia Brasileira, V.34, n.5, pg. 285-293, 2001. VILA, Geraldo. Clculo: funes de vrias variveis. Vol. II. 5 ed. Rio de Janeiro: LTC Livros Tcnicos e Cientficos Editora S.A., 1995.

BRAGA, Antnio de Pdua; CARVALHO, Andr Carlos Ponce de Leon Ferreira; LUDERMIR, Teresa. Redes Neurais Artificiais: teoria e aplicaes. Rio de Janeiro: Livros Tcnicos Cientficos, 2000.

BIZARRO JR., Fernando Faria. Redes neurais artificiais: Modelo de Hopfield. Ourinhos: Faculdade de Tecnologia de Ourinhos, 1999.

CARELLI, Pedro Valado. Modelagem estocstica de neurnios e sua interao em tempo real com neurnios biolgicos. So Paulo: Universidade de So Paulo, 2008.

CHORAFAS, Dimitris. Sistemas Especialistas: Aplicaes Comerciais. So Paulo: McGraw-Hill, 1988.

CONDELES JUNIOR, Rubens Antonio. Simulao Computacionais Biologicamente Plausveis de Neurnios do Crtex. Ribeiro Preto: Universidade de So Paulo: 2006.


55

COSTA, Ernesto; SIMES, Anabela. Inteligncia Artificial: fundamentos e aplicaes. Lisboa: FCA Editora de Informtica, 2004.

DONIQUE, Julcilia. Redes neurais artificiais aplicadas em medicina. Ourinhos: Faculdade de Tecnologia de Ourinhos, 2002.

ESPINDOLA, Evandro Camarini. Redes neurais artificiais: neurocomputao. Ourinhos: Faculdade de Tecnologia de Ourinhos, 2007.

conhecendo

a

FERREIRA, Aurlio Buarque de Holanda. Novo dicionrio Aurlio da lngua portuguesa. 4 Ed. Curitiba: Positivo, 2009.

FIGUEIREDO, Daniel. Viso artificial: compreendendo as imagens. Ourinhos: Faculdade de Tecnologia de Ourinhos, 1999.

GANASCIA, Jean-Gabriel. Inteligncia Artificial. So Paulo: tica, 1997.

GIL, Antnio Carlos. Como Elaborar Projetos de Pesquisa. 4 Ed. So Paulo: Atlas, 2009.

GIGER, M. L.. Computer-aided diagnosis in radiology. Academic Radiology. Vol. 9, n.1, pg. 1-3, 2002.

GONZALEZ, Rafael C.; WOODS, Richard E.. Processamento de imagens digitais. So Paulo: Edgard Blucher Ltda., 2000.

GOUVEIA, Wellington da Rocha. Deteco de faces humanas em imagens coloridas utilizando redes neurais artificiais. So Carlos: Universidade de So Paulo, 2010.

HAYKIN, S. Redes neurais: princpios e prtica. 2 Ed. Porto Alegre: Bookman, 2001.

HATTORI, Helio Satoshi. Processamento de imagens digitais como auxlio aos diagnsticos clnicos em medicina. Ourinhos: Faculdade de Tecnologia de Ourinhos, 2007.

IRIKAWA, Alexandre Kaji. Redes neurais: reconhecimento tico de imagens. Ourinhos: Faculdade de Tecnologia de Ourinhos, 1997.


56

LAKATOS, Eva Maria; MARCONI, Marina de Andrade. Fundamentos de metodologia cientfica. 6 Ed. So Paulo: Atlas, 2007.

LOPES, Helder Frederico da Silva. Aplicao de redes neurais paraconsistentes como mtodo de auxlio no diagnstico da doena de Alzheimer. So Paulo: Universidade de So Paulo, 2009.

LUGER, George F.. Inteligncia Artificial: estruturas e estratgias para a soluo de problemas complexos. 4 Ed. Porto Alegre: Bookmann, 2004.

MIGUEL, Cesar Gomes. Evoluo estrutural e paramtrica de redes neurais dinmicas em vida artificial. So Paulo: Universidade de So Paulo, 2009.

NASCIMENTO JR., Cairo L.; YONEYAMA, Takashi. Inteligncia Artificial em Controle de Automao. So Paulo: Edgard Blucher, 2004.

PEREIRA, Rafael M.; WU, Feng C.; MACHADO, Renato B.; LEE, Huei D.; DALMS, Srgio; FAGUNDES, Joo J.; GES, Juvenal R. N.. Um subsistema de processamento de imagens digitais para extrao de atributos em grficos de experimentos mdicos. Unioeste; Unicamp; Itaipu Binacional, 2010.

PERETTI, Antnio Augusto Ferreira. Cincia forense: a aliana entre as ferramentas de coleta de evidncias, o perito e o usurio. Ourinhos: Faculdade de Tecnologia de Ourinhos, 2008.

RIBEIRO, Patricia Bellin. Classificao por anlise de contornos de ndulos mamrios utilizando redes neurais artificiais. So Carlos: Universidade de So Paulo, 2006.

RICH, Elaine; KNIGHT, Kevin. Inteligncia Artificial. So Paulo: Makron Books, 1993.

RUSSELL, Stuart J.; NORVING, Peter. Inteligncia Artificial. Rio de Janeiro: Elsevier, 2004.

SAMPAIO, Luis Henrique Negri. Tcnicas de redes neurais aplicadas ao aperfeioamento de imagens em medicina. Ourinhos: Faculdade de Tecnologia de Ourinhos, 2008.

SCURI, Antnio Escamo. Fundamentos da imagem digital. Rio de Janeiro: Tecgraf/PUCRIO, 1999.


57

SEVERINO, Antnio Joaquim. Metodologia do Trabalho Cientfico. 23 Ed. So Paulo: Cortez, 2007.

SHILDT, Herbert. Inteligncia Artificial Utilizando a Linguagem C. So Paulo: McGrawHill, 1989.

SHORTLIFFE, E. H.; PERREAULT, L. E.; WEIDERHOLD, G.; FAGAN, L. M.. Medical informatics, computer applications in health care. Reading, Mass.: Addison-Wesley, 1990.

SILVA, Leandro Augusto. Classificao de ndulos mamogrficos utilizando um comit de redes neurais artificiais. So Paulo: Universidade de So Paulo, 2005.

SILVA FILHO, Joo Incio da; ABE, Jair Minoro. Fundamentos das redes neurais paraconsistentes. So Paulo: Arte e Cincia, 2000.

SIMES, Alexandre da Silva. Segmentao de Imagens por classificao de cores: uma abordagem neural. So Paulo: Universidade de So Paulo, 2000.

SOUZA, Marcelo Jos. Redes neurais artificiais: disposio desta tecnologia. Ourinhos: Faculdade de Tecnologia de Ourinhos, 1998.

TAFNER, Malcon A.; XEREZ, Marcos de; RODRIGUES FILHO, Ilson W.. Redes neurais artificiais: introduo e princpios de neurocomputao. Blumenau, Ed. Da Furb, 1995.

TARALLO, Andr de Souza. Segmentao e classificao de imagens digitais de lceras cutneas atravs de redes neurais artificiais. So Carlos: Universidade de So Paulo, 2007.

TORRES, Guilherme Vaz. Nova abordagem para processamento e anlise de imagens topogrficas de crnea humana. Ribeiro Preto: Universidade de So Paulo, 2006.

VALENA, Muser. Aplicando Redes Neurais: um guia completo. Olinda, PE: Editora do Autor, 2005.

VALERIO NETTO, Antonio. Processamento e anlise de imagens para medio de vcios de refrao ocular. So Carlos: Universidade de So Paulo, 2003.


58

VIEIRA, Diogo Porfrio de Castro. Anlise de estabilidade e de sensibilidade de modelos biolgicamente plausveis do crtex visual primrio. Ribeiro Preto: Universidade de So Paulo, 2008.

WHITBY, Blay. Inteligncia Artificial. So Paulo: Madas, 2004.

Documents

Redes Neurais Artificiais no Diagnóstico Médico - Andre