UNIVERSIDADE CATÓLICA DE PELOTASCENTRO POLITÉCNICO

PROGRAMA DE PÓS-GRADUAÇÃO EM INFORMÁTICA

Visualização de Informações Fuzzy paraauxílio em diagnósticos médicos

porAndré Luiz Silva de Moraes

Dissertação apresentada comorequisito 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 asua glória. De forma alguma poderia deixar de agradecer a ajuda dos que sempre torcerammesmo que sem poder demonstrar a expectativa, em especial:

A Deus, por iluminar o caminho na pior das situações, sempre encontrando ummomento único em nossas vidas para lembrar de coisas que devemos dar valor e mostraro melhor caminho para seguir em frente.

A meus pais, por me educarem com responsabilidade e respeito, e me ensinaram adar valor as pequenas coisas e a coisas intangíveis como o carinho, a meu pai que sempreme orientou nos momentos de desorientação e preocupação e a minha mãe por me daro amor de quem sempre torce pelas minhas conquistas mostrando que a distância não énada comparado ao amor de mãe.

A minha companheira Betina e seus familiares, que me permitiram recuperar for-ças nos dias em que pensei que iria desistir, sempre me incentivando e acompanhando osbons 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 extrematensão e ausência incentivando a prosseguir sem desistir apesar das diversidades e por memostrarem que o profissionalismo e a reponsabiidade sempre servirá de exemplo no meioacadêmico, e demais colegas de trabalho, em especial Daniela Campos, minha grandeamiga, que acompanharam esta caminhada e sempre acreditaram na conclusão desta.

Ao meus grandes mestres profissionais Eduardo Cassal, Mariângela Itturiet, Ma-ristela Kellermann por acompanharem cada passo de minha carreira profissional e confi-arem em meu trabalho e dedicação.

Ao meu orientador Marilton Sanchotene, por me aceitar em um momento difícile de transição ao longo do curso e me incentivar a não desistir do curso, e aos profes-sores que integram ou integraram a PPGINF - Adenauer Yamin, Andre Du Bois, RenataRaiser Graçaliz Dimuro, Paulo Luzzardi, Antônio Carlos Rocha, Graçaliz Dimuro pelosconhecimentos 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 pelasjogatinas nos momentos de relax, mostrando que estudar sob pressão também pode serdivertido quando temos consciência do objetivo final.

A UCPEL por fornecer os meios para a pesquisa e publicações de trabalhos emeventos.

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 destaconquista.

“ 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

2 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

3 LÓGICA FUZZY PARA VISUALIZAÇÃO DE INFORMAÇÕES E DEDADOS IMPRECISOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.1 Conceitos Básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.1.1 Definição de Incerteza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.1.2 Representações de Incertezas . . . . . . . . . . . . . . . . . . . . . . . . 44

3.1.3 Lógica Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 443.1.4 Sistemas de Controle Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . 513.2 Visualização de Incertezas . . . . . . . . . . . . . . . . . . . . . . . . . . 533.3 Requisitos para a Visualização de Incertezas com a Lógica Fuzzy . . . . 553.4 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

4 AQUISIÇÃO DE IMAGENS E DENSITOMETRIA ÓSSEA . . . . . . . . 614.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 614.2 Diagnóstico por Computador . . . . . . . . . . . . . . . . . . . . . . . . 614.3 Armazenamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 634.4 Modalidades de Aquisição . . . . . . . . . . . . . . . . . . . . . . . . . . 644.4.1 Raio-x . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 654.4.2 Tomografia Computadorizada . . . . . . . . . . . . . . . . . . . . . . . . 674.4.3 Ultra-Sonografia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 694.4.4 Densitometria Óssea . . . . . . . . . . . . . . . . . . . . . . . . . . . . 694.5 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

5 PROPOSTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 795.1 As Finalidades Propostas do Projeto . . . . . . . . . . . . . . . . . . . . 795.2 Modelos Propostos para Visualização . . . . . . . . . . . . . . . . . . . 805.2.1 Modelo Radar Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 825.2.2 Modelo Radial Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 835.3 Estudos de Caso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 865.3.1 Visualização de Fatores de Risco utilizando o Fuzzy View Radar . . . . . 875.3.2 Visualização de Densitometria Fuzzy . . . . . . . . . . . . . . . . . . . . 925.3.3 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

6 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

ANEXO A PROJETO M-IPE . . . . . . . . . . . . . . . . . . . . . . . 107A.1 Arquitetura Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108A.2 Módulos da Camada Cliente . . . . . . . . . . . . . . . . . . . . . . . . . 112A.2.1 Funcionalidades de Especialistas da Área das Ciências Exatas . . . . . . . 112A.2.2 Funcionalidades de Especialistas da Área da Saúde . . . . . . . . . . . . 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

Figura 2.6 Chernoff Faces - Ilustrando variações dos valores de atributos (LUZ-ZARDI, 2003) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

Figura 2.7 O Uso de Glifos para a representação de posições e deslocamentos(BERNARDES, 2004) . . . . . . . . . . . . . . . . . . . . . . . . . 32

Figura 2.8 Perspective Wall - Estruturas temporárias interativas (MACKINLAY;ROBERTSON; CARD, 1991) . . . . . . . . . . . . . . . . . . . . . 33

Figura 2.9 Técnica TreeMaps com Informações em Excesso (JOHNSON; SH-NEIDERMAN, 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

Figura 2.13 Coordenadas Paralelas (INSELBERG, 1990). . . . . . . . . . . . . 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 da-dos 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 Exemplo de Variável Linguística . . . . . . . . . . . . . . . . . . . . 47

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, osteopo-rose e dados normais . . . . . . . . . . . . . . . . . . . . . . . . . . 95

Figura 5.18 Visualização Radial Fuzzy - indícios visuais de osteoporose . . . . . 95Figura 5.19 Visualização de Densitometria padrão . . . . . . . . . . . . . . . . . 96

Figura 6.1 Visualização MIPE . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

LISTA DE TABELAS

Tabela 2.1 Classificação de Informações - (FREITAS, 2001) . . . . . . . . . . . 27Tabela 2.2 Classes de representações visuais - (FREITAS, 2001) . . . . . . . . 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 grandequantidade de dados gerados no meio digital excedem a capacidade de compreensão hu-mana nos dias atuais e repercute na necessidade do desenvolvimento de aplicações quepossam transformar os dados em informações relevantes. Na medicina o crescente uso deprogramas de computador para auxílio ao diagnóstico médico impulsiona o volume de in-formações produzidas nos hospitais e centros médicos, resultantes do armazenamento dedados dos pacientes. Estas informações necessitam ser armazenadas e indexadas de formainteligente e segura, caracterizando-se como peças fundamentais no diagnóstico clínico.São diversos fatores que podem alterar os resultados de análises clínicas, como por exem-plo o estresse gerado pelo volume de análises realizadas diariamente pelos profissionaisda medicina, e é evidente que os diagnósticos podem sofrer riscos de imprecisão porparte do especialista (MCMANUS IC., 2004). Técnicas que possam auxiliar a diagnosti-car doenças de forma preditiva e melhor aproveitar dados armazenados em computadorespodem também reduzir a taxa de possíveis falhas humanas neste processo. A área de Vi-sualização de Informações vai ao encontro destas premissas tendo como finalidade atingiruma representação visual que permita ao mesmo tempo aproveitar e visualizar a maiorquantidade 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 In-

formation Processing Environment), que propõe o desenvolvimento de um ambiente parao processamento de informações médicas para inicialmente realizar a análise de imagensde raio-x e definir através destas a extração das características de doenças como a osteo-porose e osteopenia. Neste contexto, a presente dissertação tem como objetivo principalpropor um modelo para a visualização de informações fuzzy de imagens médicas, atravésdo estudos de caso sobre as técnicas de visualização de informações agregadas às técni-cas de visualização de incertezas. O modelo desenvolvido neste trabalho contribui paraa 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 computaçãoque atingir novos resultados de diagnóstico para a medicina.

Palavras-chave: Visualização de Informações, Conjuntos Fuzzy, Informática Médica,Sistemas de Informação, Imagens Médicas.

ABSTRACT

TITLE: “A PROPOSAL OF A METHOD FOR THE VISUALIZATION OF FUZZYINFORMATION FROM IMAGE PROCESSING”

The growth of technological innovations in computer science and large amountof data generated in the digital environment exceeds the capacity of human understand-ing today and echoed the need for development of applications that can transform datainto relevant information. In medicine the increasing use of computer programs to aidmedical diagnosis drives the volume of information generated in hospitals and medicalcenters, resulting from the storage of data of patients. This information needs to be storedand indexed in a smart and safe way, characterizing themselves as key components inthe 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 inmedicine, and it is clear that the diagnosis may have risk of inaccuracy by the special-ist. Techniques that can help diagnose diseases in predictive and better use data stored incomputers can reduce the rate of possible human error in this process. The area calledvisualization of information has the premisse of to achieve a visual representation allow-ing at the same time enjoy and see the greatest amount of information possible withoutexceeding human understanding visually, allowing the greatest possible interaction of theuser.

This work refers to a larger project called M-IPE (Medical Information Process-ing Environment), which proposes the development of an environment for the processingof medical information to initially carry out the analysis of x-ray images defined by theextraction of these features of diseases such as osteoporosis and osteopenia. In this con-text, this dissertation aims to propose a model for the visualization of fuzzy informationof medical images through the case studies on techniques for display of aggregate infor-mation on techniques of visualization of uncertainties. The model developed contributesto the efficient operation of the Computer Aided Diagnosis (CAD), with new models forthe area of computer science and new tools of diagnosis for medicine.

Keywords: Information Visualization, Fuzzy Sets, Image Processing, Medical Informat-ics, Information Systems.

16

1 INTRODUÇÃO

Nos dias atuais o computador tem estado presente em praticamente todas as ciên-cias, e é comum a produção e disponibilização exponencial de conteúdo digital nos maisvariados formatos. Repositórios com volumes de dados cada vez maiores foram dispo-nibilizados pelo desenvolvimento tecnológico, criando importantes fontes de informaçãoem diversas áreas da atividade humana. O excesso de informações é considerado um dosprincipais problemas da HCI ( Interaction Human Computer) nos dias atuais. A internetprovê o acesso a milhões de documentos, dados, informações dos mais variados assuntosem poucos segundos (CARR, 1999). Em (VALIATI, 2008) estima-se que o volume deinformações produzidas nos últimos trinta anos é maior do que o volume inteiro de dadosna história da civilização e um dos problemas que os usuários de computador enfrentamdiariamente 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 ob-jeto de estudo em diversas áreas, dentre elas a Visualização de Informação, cujas técnicasvisam contemplar as diversas etapas do processo de representação visual de volumes dedados. As técnicas de visualização de informação podem ser utilizadas em inúmeras ati-vidades de análise visual e exploração de dados, em diferentes domínios. Combinandoaspectos de computação gráfica e interfaces HC(Human Computer), as técnicas de visua-lização permitem a apresentação de dados de forma gráfica de modo que o usuário possautilizar a sua percepção visual para melhor compreender e analisar as informações. Taisrepresentações buscam não apenas divulgar ou apresentar dados e resultados, mas provermecanismos que possibilitem ao usuário interagir com a informação, explorando-a visu-almente. Assim, a partir das relações espaciais exibidas e dos mecanismos de interaçãodisponibilizados, o usuário poderá interpretar e compreender as informações apresenta-das, agregando novas descobertas de conhecimentos antes não perceptíveis (VALIATI,2008).

Na área médica a tecnologia permite a geração e disponibilização de informaçõesdigitais muito rapidamente. Centros clínicos visam melhorar a qualidade dos serviçose 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 en-

volvendo imagens é a área da radiologia, onde o diagnóstico por imagem e prognósticodos estados de saúde e doença são buscados com o uso de tecnologias de produção e aná-lise de imagens e, atualmente, existem inúmeros equipamentos capazes de produziremimagens, tais como a Radiografia, a Mamografia, Ultra-Sonografia, Tomografia Com-putadorizada, Ressonância magnética, Angiografia e a Densitometria Óssea, tornando aespecialidade bastante complexa. Mesmo que estes equipamentos possuam softwares queanalisam os resultados de análises demonstrando aos profissionais informações de deta-lhes nos exames, muitos destes sistemas carecem de recursos que viabilizem uma melhorvisualização das informações geradas pelo computador para auxiliar em diagnósticos nosprocedimentos médicos (NETTO; OLIVEIRA, 2004). Muitos destes métodos utilizamparâmetros considerados padrões para a visualização de resultados desconsiderando vari-antes externas que, quando agregadas aos resultados, podem produzir diagnósticos maisprecisos (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 Osteopo-rose em diferentes faixas etárias de pacientes. Para análises deste tipo, grandes centrosde tratamento utilizam um equipamento denominado densitômetro que mede a densidadeóssea com precisão revelando fatores que implicam em diagnósticos de osteopenia e pos-teriormente 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, es-tágio inicial da osteoporose, surgiu a proposta do desenvolvimento de uma ferramentacomputacional alternativa a este equipamento utilizando imagens adquiridas a partir deraio-X convencional viabilizando o diagnóstico e a administração de terapia com custooperacional reduzido e, ao mesmo tempo, uma ferramenta que pudesse visualizar os re-sultados obtidos no processamento das imagens levando em consideração fatores clínicos,que hoje ainda não são considerados em equipamentos tradicionais, a exemplo a avaliaçãoda 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 àDireção Técnica do HUSFP, especialmente no Dr. Ernesto Nunes, a disponibilização e acolaboração 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 calibraçãofeita inicialmente pelos profissionais. São empregados algoritmos genéticos paraas análises, ou seja, métodos baseados na teoria da evolução nos quais as variáveissão representadas como genes de um cromossomo, buscando resolver problemas deotimização onde o espaço de busca é muito grande e os métodos convencionais nãose demonstram eficientes. Estes métodos se mostram bastante eficazes para a buscade 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 deacordo com as imagens em questão

• Visualização das Informações e o Tratamento das Incertezas:Constitui o escopodeste trabalho, as técnicas de visualização usam atributos visuais que possibilitamo aproveitamento da informação armazenada, provendo aos profissionais recursosvisuais como por exemplo a visualização das regiões críticas que demonstrem indí-cios de osteoporose, comparativos com imagens onde o nível de cálcio é alto, his-tórico de análises anteriores, comparativos de exames periódicos para um dado pa-ciente, recursos que os auxiliem na elaboração de diagnósticos mais precisos. Paraisso, foram pesquisadas técnicas de visualização de informação que visam tratarinformações incertas e imprecisas com o uso de técnicas da lógica fuzzy. Existemdiversos métodos em desenvolvimento que adotam a visualização de informaçõescomo coordenadas paralelas (BERTHOLD; HALL, 2003), visualização de clus-

ters 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 destetipo de análise, possibilitando ao HUSFP e outras unidades básicas de saúde a teremacesso a esta tecnologia, uma vez que equipamentos de raio-X estão bastante difundidosna Rede de Saúde. A participação do HUSFP no desenvolvimento deste trabalho, foi desuma importância para agregação de conhecimento relativo ao uso e disponibilização deimagens do setor de Radiologia. A partir deste trabalho, pode-se obter um conjunto deimagens para a parametrização dos modelos e para o estabelecimento das classes e dosgraus de radiação emitidas pelos equipamentos de raio-x. Além disso uma ferramentacomputacional desempenharia tarefas de armazenamento e diagnóstico clínicos equipara-dos aos métodos tradicionais, servindo como alternativa ao densitômetro e contribuindopara a otimização de atendimentos em pequenos centros clínicos.

19

1.1 ObjetivosEste trabalho tem como objetivo o estudo das técnicas de visualização de informa-

ções e o desenvolvimento de um método para a visualização de informações utilizandotécnicas de visualização fuzzy para o tratamento de incertezas e atributos visuais pararepresentar componentes de diagnósticos comportamentais tais como estilo de vida dospacientes 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 âm-bito 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 textoEsta dissertação está organizada em 6 capítulos: no capítulo 2 são demonstrados

conceitos sobre a visualização de informações e algumas técnicas existentes de visualiza-ção. No capítulo 3 são apresentados conceitos sobre a visualização de informações paradados imprecisos com o uso de lógica fuzzy, incluindo conceitos sobre sistemas fuzzy. Nocapítulo 4 são demonstradas operações realizadas com imagens na medicina com um en-foque no método de densitometria óssea e demais métodos de aquisição de imagens. Nocapítulo 5 é apresentada a proposta juntamente com os estudos de caso propostos. E, porfim, são apresentadas as conclusões e as referências bibliográficas pesquisadas durante arealização 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, euma descrição sobre métodos de visualização existentes atualmente que servirão de basepara uma melhor compreensão deste trabalho.

2.1 Introdução

O avanço das tecnologias de informação, dos equipamentos de imagens em gerale dos computadores, possibilita a construção de sistemas cada vez mais complexos, quepodem oferecer informações mais precisas e ricas em relação a sua qualidade de apresen-tação, ao utilizarem recursos gráficos semelhantes aos do mundo real. Usuários acessam,todos os dias, grandes volumes de informação, dentre elas, muitas se tornam irrelevantese desnecessárias ao seu contexto de interesse. Dessa forma, a sobrecarga de informa-ções é uma das principais preocupações na representação dos resultados obtidos por meiode mecanismos de busca e recuperação de informações. Há necessidade não só de umaanálise seletiva anterior, em relação às informações necessárias a serem obtidas, como,também, da qualidade dos dados a serem trabalhados para a representação em estruturasde Visualização da Informação.

A visualização de Informações é uma área da Computação Gráfica que procura re-presentar informações graficamente, permitindo uma melhor compreensão de um grandevolume de informações, geralmente obtidas a partir da mineração de dados em enormesbancos de dados, textos, hiperdocumentos, etc. (IEPSEN, 2008). Permite também iden-tificar padrões ou ainda detectar novas informações até então desapercebidas devido suaforma de apresentação. A visualização gerada deve permitir a interação do usuário –sendo ele o sujeito da operação. Também, de acordo com (CARR, 1999) a Visualizaçãoda Informação é a apresentação de dados abstratos em uma forma vívida, de modo que ousuário possa utilizar a sua percepção visual para avaliar e analisar os dados. A princi-pal 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 con-junto de uma ou mais técnicas de visualização que geram representações ou metáforasvisuais para exibir um conjunto de informações associado a um conjunto de mecanismosde interação, os quais permitem operar sobre estas representações visuais numa interfacegráfica.

Paralelamente a área de Visualização de Informações frequentemente é utilizado otermo Visualização Científica onde, particularmente, os modelos gráficos são construídosa partir de dados mensurados ou simulados representando objetos físicos ou fenômenosassociados a posições em um domínio espacial (VALIATI, 2008). Neste contexto, osdados científicos podem constituir valores numéricos, não possuindo uma forma de re-presentação padrão. Uma vez que não exista uma geometria definida para a representaçãode grandezas físicas (CARMO, 2002).

Ambos os tipos de visualização estão voltados para o processo de descoberta, depercepção e de tomada de decisão, mais do que para uma simples observação de figu-ras. Seus objetivos são ampliar as atividades cognitivas, melhorando o entendimento eaproveitamento do que é exposto e levando à aquisição e solidificação do conhecimento.

Apesar da similaridade, na Visualização de Científica os dados a serem apresenta-dos geralmente correspondem a medidas de objetos físicos, fenômenos da natureza ou po-sições em um domínio espacial, possuindo, assim, uma representação geométrica. Comoexemplo de visualizações nessa linha, pode-se citar a visualização de orgãos do corpo hu-mano, de fluidos em movimento e, até mesmo, de funções matemáticas (NASCIMENTO;FERREIRA, 2005). Já na Visualização de Informações, os dados são abstratos, não ha-vendo necessariamente uma representação geométrica inerente aos mesmos. Neste caso,uma imagem deve ser gerada com base nos relacionamentos ou informações que podemser inferidas acerca dos dados. Alguns autores indicam a necessidade de se utilizar umlimiar entre as duas classes de aplicações (LUZZARDI, 2003).

O processo de visualização de informações pode ser generalizado em um processoautomatizado, onde uma imagem é produzida através da coleta de dados abstratos; umprocessamento por meio de uma ferramenta computacional de visualização de informa-ções; e, a geração da representação visual a ser apresentada pelo usuário. Este processo éapresentado na Figura 2.1.

A ferramenta de visualização possui um importante papel no processo de interpre-tação das informações por parte do usuário, pois deverá utilizar metáforas visuais que me-lhoram 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 dousuário para uma melhor análise dos resultados.

Pode-se classificar os dados abstratos a serem visualizados nas seguintes catego-rias (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 osmesmos.

• 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 visualizaçãode informações podem apresentar diversos problemas de usabilidade inerentes aos sis-temas interativos, muitos deles decorrentes de aspectos da representação visual (como aoclusão de objetos, desorientação espacial, sobrecarga visual, etc). Estes problemas po-dem prejudicar a interpretação das informações por parte dos usuários. Para conter estes eoutros problemas, existe a constante preocupação em aplicar e, eventualmente definir, mé-todos de avaliação que permitam melhor analisar as principais características fornecidaspelas técnicas de visualização de informações.

Projetar um software capaz de retornar informações relevantes em sua totalidadepode tornar-se um desafio quando levado em conta aspectos como a usabilidade. O projetode sistemas de visualização de informações é uma atividade complexa, pois envolve pelomenos dois aspectos fundamentais. No primeiro aspecto tem-se os ítens: a) identificara melhor forma de mapear as informações para uma representação visual que facilite acompreensão e a interpretação dos dados por parte dos usuários e b) fornecer mecanismosde interação aos usuários, para que esses tenham condições de manipular de forma fácile eficiente a representação visual. O segundo aspecto está ligado diretamente às questõesde projeto de interfaces e de avaliação da usabilidade de sistemas (VALIATI, 2008).

Diversos autores utilizam taxonomias para classificarem os diferentes sistemas devisualização 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 avisualização de forma a aproveitar a maior quantidades de dados possível.

2.2.1 Modelos de Referência para Sistemas de Visualização de Infor-mações

A criação de visualizações tem sido feita sem a utilização de quaisquer métodosformais de projeto, engenharia ou avaliação (VALIATI, 2008), embora algumas tentativasde formalizar este processo tenham sido propostas por diversos autores como (CARD;M.; SHNEIDERMAN, 1999). O emprego de modelos pode oferecer referências impor-tantes de como criar visualizações a partir de dados brutos, identificando-se componentesessenciais a serem considerados na utilização de uma determinada técnica ou no desenvol-vimento de uma nova, como também, pode prover uma base objetiva para a comparaçãode efetividade de diferentes visualizações no cumprimento de certas tarefas.

Em (HABER; MCNABB, 1990) é demonstrado um modelo de visualização quepermite a identificação dos componentes essenciais a serem considerados na utilização deuma 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 umprocesso de geração de imagem (rendering).

Em (CARD; MACKINLAY, 1997; VALIATI, 2008), é sugerido um modelo deestrutura para o processo de visualização, descrevendo-o como um mapeamento dos da-dos brutos para uma representação visual, controlado por meio de interações do usuárionas diferentes etapas do processo. O processo é demonstrado de forma sucinta na Figura2.3.

24

Figura 2.3: Modelo proposto por (CARD; MACKINLAY, 1997; VALIATI, 2008)

Como demonstrado na Figura 2.3, a concepção de estruturas de Visualização daInformação é iniciada pela Organização dos dados brutos em uma tabela de dados, cha-mada de entidade, a partir da qual se constrói uma estrutura visual a fim de representar asinformações presentes na entidade, como: gráficos de barra, setores, diagramas, esque-mas e mapas. Esta organização pode envolver a eliminação de dados redundantes, erradosou 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 aná-lises 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 euma coluna para cada atributo diferente dos dados. Dessa forma, a quantidade de linhasinforma o número total de dados a serem visualizados, e o total de colunas representa adimensão dos dados.

A segunda etapa, denominada de Mapeamento Visual, possui a tarefa de construiruma estrutura visual que represente visualmente os dados da tabela. Toda a estruturavisual pode ser decomposta em três partes:

• Substrato Espacial: caracteriza o espaço para a visualização, normalmente repre-sentado por eixos, tais como os eixos X e Y do plano cartesiano. E é composto por4 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 mesmastem importância)

25

– Q: eixo quantitativo (a região tem uma métrica).

• Marcas Visuais: consistem em símbolos gráficos utilizados para representar ositens de dados, como pontos (figuras geométricas simples), linhas, áreas, volumes efiguras complexas (também chamadas de ícones e glyphs), demonstradas na Figura2.4.

Figura 2.4: Tipos de Marcas Visuais (NASCIMENTO; FERREIRA, 2005)

• Propriedades Gráficas das Marcas: são atributos visuais que caracterizam asmarcas. Consiste em associar ítens de dados a marcas visuais em um substratovisual. Alguns exemplos de propriedades gráficas das marcas são demonstrados naFigura 2.5.

A última etapa consiste nas Transformações Visuais, onde é possível modificar eestender as estruturas visuais interativamente através de operações básicas como:

• Testes de localização, que possibilitam obter informações adicionais sobre um itemda tabela de dados;

• Controles de ponto de vista, os quais permitem ampliar, reduzir e deslocar a imagemcom o objetivo de oferecer visões diferentes;

• Distorções da imagem, visando criar ampliações de uma região específica em de-trimento de outra.

26

Figura 2.5: Propriedades Gráficas das Figuras (NASCIMENTO; FERREIRA, 2005)

Os mecanismos de interação implementados nesta etapa permitem ao usuário ex-plorar diferentes cenários para um melhor entendimento dos dados visualizados. Alémdisso, o esforço de exploração dos dados é repassado em parte para o computador, umavez que os cálculos e o redesenho de imagens são realizados pela máquina, deixando parao usuário a tarefa de observar o que acontece quando a visualização se modifica. Emtese, após todo o processo de geração de uma visualização pode-se afirmar que o sistemade visualização deverá conseguir gerar uma imagem, que acione o sistema perceptivo dousuário. Este pode manipular a estrutura visual de várias maneiras (transformações de vi-sões), ou seja, criam-se as visões que permitem ao usuário observar as estruturas visuaissob algum enfoque específico e tomar alguma decisão ou realizar alguma ação (Tarefa).

Alguns autores como (SHNEIDERMAN, 2006) e (VALIATI, 2008) exploramestudos que visam abordar métodos de visualização de informações multidimensionais.Para o projeto em questão, são utilizadas técnicas de visualização de informações com ouso de Lógica Difusa (Lógica Fuzzy), detalhadas mais adiante neste trabalho. A seguir,serão demonstradas algumas das técnicas de visualização de informações existentes parauma melhor compreensão do projeto em questão.

2.2.2 Caracterização das Informações

Informações descrevem fenômenos (ou processos) ou entidades que são objeto deestudo ou análise. Desta forma, informações correspondem a atributos que podem ser

27

caracterizados de acordo com diferentes critérios. A identificação destas características éa consideração inicial a ser feita na escolha de uma técnica de visualização para um dadodomínio de aplicação.

Ao considerar uma entidade ou elemento de um domínio de aplicação como ca-racterizado por um conjunto de dados(ou informações), estes correspondem a atributosque podem ser classificados de acordo com os seguintes critérios: classe de informação,tipo de valores, natureza e dimensão do domínio. Estas propriedades estão dispostasde acordo com a Tabela 2.1 e serão detalhadas a seguir.

Tabela 2.1: Classificação de Informações - (FREITAS, 2001)

Critério Classe ExemploClasse de Informação Característica Gênero

Escalar TemperaturaVetor Grandeza física associada a um fluidoTensor Grandeza física associada a um fluidoRelacionamento Link em um hiperdocumento

Tipos dos valores Alfanumérico GêneroNumérico TemperaturaSímbolo Link em um hiperdocumento

Natureza do domínio Discreto Marcas de automóvelContínuo Superfície de um terrenoContínuo-Discretizado Anos (tempo discretizado)1D Medida de uma grandeza de tempo2D Superfície de um terreno3D Volume de dados médicosn-D Dados de uma população

No critério Classe de informação, pode-se perceber na Tabela 2.1 que existematributos representando: Uma característica, simbolizando valores de um grupo restrito deelementos, podendo ou não apresentar uma ordem natural entre os seus elementos; umapropriedade com valores escalares, vetoriais ou tensoriais, que assumem valores inteirosou reais, dentro de um certo intervalo; ou a existência de relacionamentos (hierarquia ouligação) entre as entidades.

No critério Tipos de valores, atributos assumem valores alfanuméricos ou numé-ricos, 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, restritoa um conjunto finito ou infinito de elementos ou em um domínio contínuo, onde existemvalores 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 Dimen-são, refletindo o número de dimensões do espaço-domínio onde determinado objeto estádefinido. O espaço pode ainda ser unidimensional (1D), bidimensional (2D) ou tridimen-sional (3D). Quando as dimensões variam ou constituem mais de 3, são referidos comon-dimensional, multidimensional ou multivariável conforme (CARD; M.; SHNEIDER-MAN, 1999).

2.2.3 Representação Visual

No desenvolvimento de sistemas de visualização de informações, o grande desa-fio é criar metáforas visuais que efetivamente representem claramente as informações,pois representações visuais correspondem a modelos gráficos, figuras ou imagens utili-zadas para mapear graficamente conjuntos de dados a serem explorados e/ou analisados,e podem variar desde gráficos tradicionais a complexos diagramas fazendo referência arelacionamentos e conceitos abstratos (VALIATI, 2008).

Uma representação visual é uma figura ou imagem que representa graficamenteum conjunto de dados e que, portanto, auxilia o usuário a perceber visualmente caracterís-ticas desses dados. São objetos visuais necessários nas tarefas de exploração e análise dainformações. Uma representação visual deve ser adequada ao tipo de informação que seráexibida. De acordo com (GERSHON; EICK, 1995), as representações visuais podem serclassificadas nas categorias: gráficos, glifos e objetos geométricos, mapas e diagramas,conforme Tabela 2.2.

2.3 Classificação das Técnicas de VisualizaçãoDiversos autores apresentam diferentes classificações para as técnicas de visua-

lização como: as taxonomias apresentadas por (NORTH, 1998) e (OLIVEIRA; LEV-KOWITZ, 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 epor (WONG; BERGERON, 1997) específicas para técnicas de visualização científica.

No contexto do desenvolvimento da ferramenta deste trabalho a abordagem pro-posta por (CARD; M.; SHNEIDERMAN, 1999) agrupa as aplicações em quatro níveis.No primeiro nível estão ferramentas que proveem aos usuários o acesso visual a coleçõesde informações externas ao seu meio imediato, como dados da internet ou de base dedados on-line em um servidor. No segundo nível estão as ferramentas que visam apoiaros 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 UtilizaçãoGráficos 2D, 3D de pontos Representação da distribuição

circulares dos elementos no espaço domíniode linhas ou representação da

dependência-correlaçãode barrasde superfícies (para 3D)

Ícones Elementos geométricos2D

Representação de entidades num con-texto ou representação de grupos deatributos de diversos tipos

ou 3D diversos

GlifosObjetos GeométricosMapas de pseudo-cores Marcas de automóvel

de linhas Superfície de um terrenode superfícies Anos (tempo discretizadode ícones, símbolos diver-sos

Representação de grupos de atributos(categorias, escalares, vetoriais, tenso-riais

Diagramas Nodos e Arestas Representação de relacionamentos di-versos:É-um, É-parte-de, Comunicação,Sequência, Referência, etc.

30

descrevem representações, de forma que os usuários possam determinar e extrair relaci-onamentos dos dados. No quarto nível, enquadram-se aplicações que mostram objetosvisualmente realçados, cujo foco é revelar mais informações sobre um objeto usando umaforma visual intrínseca (VALIATI, 2008).

Para ilustrar o terceiro nível são detalhadas as ferramentas que referem-se à di-mensionalidade das representações de dados utilizada, que segundo (VALIATI, 2008)são:

• Físicas (ou naturais): referentes à representação de dados típicos da VisualizaçãoCientífica, que possuem uma correspondência direta com objetos, fenômenos ouposições do mundo real. Desta categoria fazem parte todas as técnicas destinadasà construção e visualização de representações 3D de objetos do mundo físico, taiscomo: visualização de moléculas e proteínas, imagens do corpo humano, mapastopográficos, etc.

• 1D, 2D, 3D: relativas a representações visuais, que codificam informações atravésdo 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, en-contradas em gráficos tradicionais (de barras, pontos, linhas e círculos) e utilizadaspara representar dados físicos, como também, informações abstratas.

• Árvores e Redes: correspondem às técnicas que estabelecem uma hierarquia para aexibição dos dados, independente destes apresentarem ou não uma estrutura hierár-quica inerente. Constituem, geralmente, de nodos representando dados e ligaçõesindicando o relacionamento nodos. Tais estruturas são empregadas para represen-tar, por exemplo, taxonomias, organizações, gerenciamento de tráfego espaço emdisco ou estruturas de informações na web.

• Multidimensionais: caracterizadas por ambientes de visualização que manipulamdados geralmente abstratos contendo vários atributos a serem mapeados em estru-turas visuais 1D, 2D ou 3D. Nesta categoria enquadram-se técnicas de projeçãogeométrica, iconográficas e orientadas a pixel.

2.4 Técnicas de VisualizaçãoA seguir serão apresentadas diversas técnicas de visualização que se encaixam no

contexto deste trabalho e demais técnicas que demonstram o avanço da área de visuali-zação de informações, fundamentando os princípios demonstrados até o momento. Paratanto, foram pesquisadas técnicas que reúnem características de visualização direcionadas

31

para a área de Visualização de Informações, e também técnicas que possam ser utilizadasna área médica e dentro do propósito deste trabalho.

Visualização de Características e Valores Diversos: Segundo (LUZZARDI, 2003) emgeral, características e valores diversos são exibidos em gráficos ou mapas dos maisvariados tipos, desde os tradicionais gráficos de pontos ou linhas e mapas utilizandocores, conjunto de ícones, ou glifos, dispostos de acordo com o espaço-domínio.Glifo constitui um objeto geométrico que, representando uma entidade ou elementode amostragem, tem a forma e outros atributos visuais determinados pelos valoresdos atributos da entidade.

O conjunto de Faces de Chernoff (Chernoff Faces) (CHERNOFF, 1973) é umexemplo 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 po-sições e deslocamentos de vórtices discretos formando uma esteira. Glifos podemainda ser utilizados para representar valores associados a fenômenos da naturezacomo vento, água, etc., desde que estes possam ser discretizados.

Cada ícone corresponde às linhas irregulares dispostas de forma circular que são, narealidade, gráficos de linha mostrando a variação de determinados valores ao longodo tempo (indicado pelas setas). Exemplos de tais valores são número de linhas-fonte adicionadas ao código do sistema, número de linhas removidas, número deerros 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 (BER-NARDES, 2004)

que sistemas que sofrem contínuas alterações, o que pode ser facilmente observadopelo usuário.

Perspective Wall: Desenvolvido por (MACKINLAY; ROBERTSON; CARD, 1991) uti-liza diferentes formas de visualização em 2D e 3D, integrando uma região para vi-sualização de detalhes com regiões em perspectiva para visualização de contexto.Demonstrado em (LUZZARDI, 2003), este método foi proposto para visualizar vá-rios tipos de estruturas temporárias de informações, incluindo sistemas de arquivose documentos. A técnica suporta animações interativas 3D e efeitos visuais comobrilho (highlighting) e sombreamento (shading) que auxiliam a percepção visual3D e a localização do usuário na estrutura linear. Tem como vantagem manter sem-pre 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 mea-dos de 1990 (JOHNSON; SHNEIDERMAN, 1991; SHNEIDERMAN, 1992), veiocom a finalidade de produzir uma visualização de estruturas de árvores de diretórioscompactas. Demonstrada em (LUZZARDI, 2003) é utilizado o espaço da tela pararepresentar elementos de informação ao invés da utilização de objetos geométricos.

33

Figura 2.8: Perspective Wall - Estruturas temporárias interativas (MACKINLAY; RO-BERTSON; CARD, 1991)

É bastante interessante para a representação de estruturas hierárquicas, como a ár-vore de diretórios de um sistema operacional. Os diretórios são representados peladivisão sucessiva dos espaço de tela. Cada sub-espaço representa um diretório e ésub-dividido em função dos sub-diretórios e arquivos que o compõem, a técnica éilustrada na Figura 2.9.

A técnica é conhecida também como Preenchimento de Espaços (Space-Filling) evale-se de parâmetros de mapeamento como posição espacial, área, cor e texturas.É uma técnica eficiente para a amostragem de dados hierárquicos porém quando osdados são demonstrados em excesso sua visualização torna-se confusa, dificultandoa visualização da topologia das informações e também a visualização de detalhessob demanda. Uma vez que a medida que os dados aumentam a possibilidade deselecionar um único elemento aumenta.

Information Slices: Ilustrada em (ANDREWS; HEIDEGGER, ????) é uma técnica devisualização para dados hierárquicos em duas dimensões. A técnica utiliza umou mais discos semicirculares para visualizar compactamente hierarquias com vá-rios níveis em duas dimensões. Cada disco representa uma hierarquia de múltiplos

34

Figura 2.9: Técnica TreeMaps com Informações em Excesso (JOHNSON; SHNEIDER-MAN, 1991)

níveis normalmente com 5 a 10 níveis sendo visualizados em cada disco (Figura2.10).

Figura 2.10: Técnica Information Slices (ANDREWS; HEIDEGGER, ????)

35

Em cada nível da hierarquia, os filhos são dispostos no espaço de acordo com otamanho de cada filho. Grandes hierarquias são representadas usando uma série dediscos em cascata. Uma fatia do disco semicircular é expandida para uma área àdireita da primeira, também como semicírculo. Esta visualização permite obter umpanorama da dimensão relativa de partes de uma árvore.

Panoramas Cilíndricos: Panoramas Cilíndricos ou Cylindrical Panoramas (OLI-VEIRA, 2002) são utilizados para fornecer orientação horizontal independentequando se explorar um ambiente a partir de um único ponto. Possui a característicade fácil implementação devido a simplicidade de se obter as imagens e tambémpor um mapa cilíndrico possuir curvas apenas para uma única direção, simplifi-cando grandemente a tarefa de curvar imagens para se obter novos pontos de vista.Panoramas cilíndricos podem ser criados utilizando câmeras panorâmicas especia-lizadas, fotografias adquiridas em conjunto com uma câmera regular ou utilizandoextrações via computador. Esta técnica foi a precursora na utilização desta tecno-logia de renderização de imagens. O Quicktime VR, desenvolvido pela Apple, foium dos primeiros produtos comerciais a utilizar esta tecnologia. O recurso é muitoutilizado para a construção de cenários para jogos e também serve como alternativaa ferramentas de construção de ambientes em 3D, que consomem muitos recursoscomputacionais para seu processamento.

A Figura 2.11 ilustra uma representação do panorama cilíndrico com a exibiçãoassociada 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 dopanorama cilíndrico (normalmente 50 graus). Durante o Panning, a porção visíveldo 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: Geometriado algoritmo de warping (visão de topo)

A torção da figura pode ser implementada utilizando uma formulação inversa simi-lar 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 coma Figura 2.11 - direita. Isto garante a reamostragem adequada a todos os pixels dosnovos 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 (oponto de vista de onde as imagens foram adquiridas). Embora o espectador tenhaliberdade para girar em torno de pontos específicos, não é permitido a movimenta-ção entre as áreas. O que não torna a técnica adequada para tutoriais em ambientesvirtuais (OLIVEIRA, 2002).

Coordenadas Paralelas: A técnica de coordenadas paralelas desenvolvida por (INSEL-BERG, 1990), representa dados multivariados em uma visualização 2D e permiterelacionar informações entre si a partir de linhas que percorrem as coordenadas darepresentação visual (IEPSEN, 2008), (CARVALHO, 2008). Os dados são tratadoscomo um conjunto de pontos de um espaço n-dimensional em que cada componenteestá associada a um eixo. Um ponto é representado por uma linha poligonal queliga 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 queas percorrem representam um dos ítens em análise. Algumas técnicas ampliaram oprocesso de visualização da informação por coordenadas paralelas, tornando-as emformatos 3D (Figura 2.14) e com extrusão (Figura 2.15).

De forma geral, os métodos focam-se mais na apresentação estatística da quan-tidade e não fornecem nenhum suporte à topologia que o fluxo apresenta. Algunsmétodos tem sido desenvolvidos (principalmente com base nas técnicas de projeçãogeométrica), com o objetivo de contornar esta deficiência (coordenadas paralelaspor extrusão Figura 2.14) (CARVALHO, 2008).

Table Lens: A técnica utiliza o mecanismo foco+contexto para a visualização e mani-pulação 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 inte-resse 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 com-primidas em pixels. (LUZZARDI, 2003)

Esta técnica disponibiliza as opções de zoom, permitindo alterar o tamanho da áreade foco sem mudar o número de células contidas nesta área; adjust, permitindoa 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 focosem alterar o tamanho original das células.

Searching with Semantics: Esta ferramenta utiliza também técnicas de foco+contextopara a visualização e manipulação de grandes quantidades de informações em bus-cas de páginas na internet, agregados a técnicas de busca semântica para o apoioa pesquisas oportunistas. Na abordagem em (JANECEK; PU, 2003), são discuti-das formas de integrar a informação semântica como, por exemplo ontologias, nainterface 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 únicaconsulta via web não é possível encontrar toda a informação necessária, e paratanto, a ferramenta executa uma busca paralela a requisitada utilizando princípiosde “buscas oportunistas”. No artigo, estas buscas oportunistas são baseadas nosseguintes estudos de técnicas:

• Foco+Contexto: o equilíbrio entre o local de detalhe ao redor do foco dosusuários e seu contexto na estrutura global deve permitir que o usuário per-ceba informações pertinentes ao redor da informação principal para futuraspesquisas. O foco deve ser uma grande variedade de objetos na interface: umaconsulta, um conjunto de resultados, um objeto ou um de seus atributos, outalvez uma coleção de objetos. O contexto é a relação entre o foco e o restodas informações na coleção.

• Seleção Dinâmica de Foco+Contexto: o usuário deve ser capaz de alternarfacilmente tanto para o foco quanto para o contexto da informação, para explo-rar 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. Ousuário deve ser capaz de comparar os resultados de diferentes focos e con-textos para detectar padrões.

• Modelagem Flexível de Semântica: como o usuário explora uma coleçãode informações, ele irá reunir as informações mais pertinentes com as inde-finidas ou semânticas incompletas. O usuário deve ser capaz de externar asua 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 denão suprir as necessidades dos usuários na íntegra, ou de representar informações demaisdentro do mesmo contexto. Em (NASCIMENTO; FERREIRA, 2005) é demonstrado queexistem 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 compreenderos dados apresentados. Isto implica em representar os elementos de forma que sua per-cepção seja rápida e induzir a menor quantidade possível de erros de interpretação quandocomparada a outras formas de visualização.

A efetividade e a expressividade são aspectos importantes, visto que sem os mes-mos uma visualização não pode ser capaz de enfatizar padrões relevantes nos dados, nãotrazendo assim, quaisquer informações que agreguem valor aos dados já trivialmente co-nhecidos. Além desta característica, pode-se também desenvolver um sistema de visuali-zação onde os dados são de difícil interpretação e acabam levando o usuário a interpreta-ções 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 mesmainformação de formas diferentes. O que está sendo demonstrado é a evolução de umamedida 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 ummapeamento visual em que a medida T-Score foi associada à saturação da cor utilizadaem uma sequência linear. Para cada mês existe uma figura representativa e quanto maisclaro é a figura mais baixo é o nível da medida T-Score, o que indica baixas taxas de cálcionos 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 quehouve uma queda significativa ao longo dos meses. Na visualização (C) o mapeamentovisual utilizado para associar ao T-Score foi a transparência, com valores representativossendo alterados da mesma forma que na visualização (A) adicionando valores represen-tando a avaliação atual do T-Score. Percebe-se que a visualização (C) é mais efetiva emfunção de demonstrar os valores T-Score visualmente e associando-os a transparência, de-monstrando medidas que são importantes em um diagnóstico médico. Esta visualização

42

reúne as representações tanto da visualização (A) quanto da (B) demonstrando uma maiorefetividade por visualizar os valores exatos da medida e também representar visualmenteo quanto estas medidas afetam o resultado da avaliação.

Segundo (NASCIMENTO; FERREIRA, 2005) alguns dos problemas que podemcomprometer a efetividade de uma visualização:

• ausência de dados suficientes para a contextualização das informações relevantesapresentadas;

• desconsiderar atributos importantes dos dados;

• utilizar gráficos sobrepostos em escalas diferentes ou com sistemas de coordenadasdistintas, impedindo uma comparação justa dos dados;

• não fazer um mapeamento dos dados para marcas e atributos visuais de forma ade-quada.

Para aumentar a efetividade de uma visualização aspectos como mecanismos deinteração com os dados, a compactação de dados em uma mesma imagem além de carac-terísticas como perspectiva, luminosidade, dimensionalidade, tamanho e cor auxiliam noprocesso de cognição.

2.6 Considerações FinaisNeste capítulo foram apresentados os principais conceitos sobre Visualização de

Informações abordando a caracterização da informação, seus modelos de referência parasistemas de visualização bem como conceitos sobre a representação visual e técnicas devisualização que estão no contexto da proposta deste trabalho. A proposta de um sistemade visualização de informações além de conseguir representar da melhor maneira os da-dos analisados dentro de um contexto também deve ser realmente efetiva, último assuntoabordado neste capítulo, e permitir a interação por parte do usuário de forma a facilitar aexploração visual dos dados apresentados.

É comum que métodos de sistemas de visualização de informações sejam desen-volvidos para suprir necessidades de aplicações específicas. A área de visualização deinformações tem contribuído fortemente para que aplicações possam ser utilizadas deforma compreensível e que os dados possam ser exibidos de formas e interações dife-rentes. Este capítulo teve como objetivo principal uma abordagem as técnicas existentese dar um panorama sobre a organização que um sistema de visualização deve obedecerpara 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 dacomputação.

43

3 LÓGICA FUZZY PARA VISUALIZAÇÃODE INFORMAÇÕES E DE DADOS IMPRECI-SOS

Este capítulo aborda o tema de visualização de informações para dados impreci-sos e apresenta alguns conceitos sobre a visualização e representação de incertezas, lógicafuzzy 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 re-presentada. Para tanto, são buscados e definidos conjuntos genéricos de atributos quepossam gerar representações para a incerteza. Neste capítulo encontra-se a fundamenta-ção do desenvolvimento dos modelos de visualização de informação citados em capítulossubsequentes, na visualização de informações médicas voltados a densitometria óssea.

3.1 Conceitos Básicos

A visualização de incertezas é um desafio reconhecido na comunidade de visuali-zação de informações gerando diversas pesquisas sobre este tema abordando as possíveismodificações de como os dados são apresentados e, através desta alteração, tornar visívela quantificação da incerteza que estes dados podem possuir.

3.1.1 Definição de Incerteza

De acordo com (PANG; WITTENBRINK; LODHA, 1997) existem várias defini-ções sobre o conceito de incerteza. Uma definição admissível pode ser que a incerteza éuma caracterização multi-dimensional das informações, seja a partir de medições e obser-vações de fenômenos, bem como previsões feitas a partir delas. Isto pode incluir váriosconceitos como erros, precisão, validação, variabilidade, ruído, exaustividade, confi-ança e fidelidade. Como existem diversos conceitos associados a incerteza, naturalmentea 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 repre-sentação de incertezas: a primeira indica que se pode representar um dos bons aspectosdos dados com a precisão da comunicação, e que um dos aspectos negativos é o de rela-tórios de erro. São citados 3 impedimentos na representação efetiva da incerteza:

1. A discussão sobre a incerteza envolve conceitos que ainda são mal-definidos comoinsegurança, qualidade nos dados, precisão e erro. Existe a necessidade de formali-zar os conceitos e termos que fundamentam a consideração da incerteza no que serefere 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 intera-jam com as representações de formas compreensíveis, úteis e utilizáveis.

3.1.3 Lógica Fuzzy

A lógica clássica, desenvolvida por Aristóteles, estabeleceu um conjunto de regrasrígidas, baseadas em premissas e conclusões. A lógica binária hoje aplicada amplamentena área de tecnologia foi desenvolvida por Boole (lógica booleana) e apenas utiliza doisvalores 0 ou 1, que representam decisões falsas ou verdadeiras, sim ou não, nunca como mesmo significado. Uma extensão da lógica binária é a lógica multivalorada, pela qualuma variável pode assumir vários valores, por exemplo, falso e verdadeiro, ao mesmotempo. A Lógica fuzzy é uma lógica multivalorada capaz de capturar informações vagas,geralmente descritas numa linguagem natural, e convertê-las em um formato numérico defácil manipulação.

As teorias mais conhecidas para tratar a imprecisão e a incerteza são respectiva-mente a teoria dos conjuntos e a teoria das probabilidades. Estas teorias, embora muitoúteis, nem sempre conseguem captar a riqueza da informação fornecida por seres huma-nos. A teoria dos conjuntos não é capaz de tratar o aspecto vago da informação e a teoriadas probabilidades, onde a probabilidade de um evento determina completamente a pro-babilidade do evento contrário, é mais adaptada para tratar de informações frequentistasdo que aquelas fornecidas por seres humanos (SANDRI S., 1999).

Também tratada como Lógica Nebulosa por alguns autores, suas origens datamde 1965 com o desenvolvimento da teoria dos conjuntos fuzzy pelo matemático Lofti A.Zadeh, professor no departamento de engenharia elétrica e ciências da computação daUniversidade 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 con-juntos é suave e não abrupta) e tinha como objetivo de seu trabalho a intenção de dar umtratamento matemático a certos termos lingüísticos subjetivos, como “aproximadamente”,“em torno de”, dentre outros. Existem inúmeras situações em que a relação de pertinêncianão é bem definida e, nestes casos, não é possível dizer se o elemento pertence ou não aum dado conjunto.

A intenção de Zadeh foi flexibilizar a pertinência de elementos aos conjuntos cri-ando a idéia de grau de pertinência. Dessa forma, um elemento poderia pertencer parci-almente a um dado conjunto. Esta sua idéia foi publicada em (ZADEH, 1965) sendo esteartigo 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 exemplodo que faz um ser humano (JAFELICE, 2005). Inicialmente Zadeh tratou o aspectovago da informação e, a partir de 1978, desenvolveu a teoria das possibilidades, tratandoa incerteza da informação, podendo ser comparada com a teoria de probabilidades. Ateoria das possibilidades, por ser menos restritiva, pode ser considerada mais adequadapara 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 técnicaspoderosas 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 deprobabilidades são intimamente relacionadas. Como exemplo, seja a informação “idadeavançada”, a mesma pode ser utilizada para modelar a distribuição de possibilidade deuma dada pessoa, da qual só se conhece que é idosa (SANDRI S., 1999). Estas teoriastêm sido utilizadas em sistemas que manipulam informações fornecidas principalmentepor 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 generali-zação da teoria dos Conjuntos Tradicionais para resolver os paradoxos gerados à partirda classificação “verdadeiro ou falso” da Lógica Clássica. Tradicionalmente, uma pro-posição lógica tem dois extremos: ou “completamente verdadeiro” ou “completamentefalso”. Entretanto, na lógica Fuzzy, uma premissa varia em grau de verdade de 0 a 1, oque leva a ser parcialmente verdadeira e parcialmente falsa. Os grupos são rotulados qua-litativamente (usando termos linguísticos como: alto, morno, ativo, pequeno, parto, etc) eos elementos deste conjunto são caracterizados variando o grau de pertinência (valor queindica o grau em que um elemento pertence a um conjunto). Nesta lógica, o raciocínioexato corresponde a um caso limite do raciocínio aproximado, sendo interpretado comoum processo de composição de relações nebulosas.

46

Sendo por sua própria natureza uma metodologia lingüística, a lógica fuzzy e suasinterfaces com outras técnicas semelhantes permitem a um especialista contornar proble-mas, cujo tratamento numérico é muito difícil pela quantidade de variáveis envolvidasou por manipulações matemáticas complexas, cujos resultados nem sempre atendem asexpectativas de soluções desejadas. Ela está ligada à importância relativa da precisão, ealguns autores acreditam que nada é incondicionalmente verdadeiro e por isso se opõema 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 quantifica-dores, como por exemplo: “poucos, vários, em torno de”. Ela faz uso das probabilida-des lingüísticas, tais como “provável/improvável”, que são interpretadas como númerosfuzzy, manipulados pela sua aritmética e manuseia todos os valores entre 0 e 1, tomando-os apenas como um limite. Utiliza-se esta lógica porque mais variáveis observáveis po-dem ser constituídas de valores e o uso de variáveis lingüísticas se aproxima mais dopensamento humano, simplificando a solução de problemas, proporcionando um rápidoprotótipo dos sistemas e simplificando a aquisição da base do conhecimento do problemaa ser resolvido. Esta lógica é baseada em conceitos matemáticos simples, é flexível aointeragir com qualquer sistema, sendo por isto indicada para se trabalhar com dados im-precisos.

Outra característica interessante é a de possibilitar a modelagem de funções nãolineares de complexidade arbitrária, possibilitando a criação de um sistema que se com-bina com qualquer conjunto de dados de entrada-saída. Esse processo é feito facilmenteatravés de técnicas adaptativas. Os sistemas fuzzy podem ser construídos com o auxílioda experiência de especialistas, o que permite uma interação com pessoas que já enten-dam o problema em análise. Embora esta abordagem não pretenda substituir os métodosconvencionais de controle, ela simplifica a sua implementação.

Variáveis Linguísticas: Uma variável linguística é uma variável cujos valores sãonomes 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 especifi-cada, também chamados de termos linguísticos, construídos a partir de termos primários(alto, baixo, pequeno, grande, médio, zero, por exemplo), de conectivos lógicos (nega-ção, não, conectivos e e ou) de modificadores (muito, pouco, levemente, extremamente) ede 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, fe-bre, 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 regrasintática para gerar os valores de N como uma composição de termos de T (N), conectivoslógicos, modificadores e delimitadores, e M consiste na regra semântica que associa acada valor gerado por G um conjunto Fuzzy em X.

A principal função das variáveis linguísticas é fornecer uma maneira sistemáticapara uma caracterização aproximada de fenômenos complexos ou mal definidos. Estadescrição linguística é empregada frequentemente por seres humanos ao invés de variá-veis quantificadas, permitindo o tratamento de sistemas que são muito complexos paraserem analisados através de termos matemáticos convencionais. Elas permitem que a lin-guagem da modelagem fuzzy expresse a semântica utilizada por especialistas, de formaque possam aplicar de fato o conhecimento sobre determinado problema.

A Figura 3.1 mostra um exemplo de variável linguística. O nome (n) da variávelé Febre. Os termos linguísticos T ∈ n que atribuem um significado semi-quantitativo aFebre 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 carac-teriza. 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 umafunção 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 simbolicamenteindicado por sua função de pertinência

uF : U −→ [0, 1].

Os valores F(x) = 1 e F(x) = 0 indicam, respectivamente, a pertinência plena e anão pertinência do elemento x a F.

Definição 3.1.1 Seja X um conjunto (clássico). Um subconjunto fuzzy F em X é um con-

junto 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, respectiva-

mente, a pertinência completa e a não pertinência do elemento ao conjunto fuzzy.

As funções de pertinência são definidas da mesma forma que conjuntos da ma-temática tradicional. Contudo, são generalizações dos conjuntos ordinários e da lógicaclássica e proporcionam uma estrutura sistemática para representar conhecimentos qua-litativos 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 umconjunto deixa de ser um conceito primitivo como no caso clássico. Os exemplos a seguirilustram situações onde a utilização de conjuntos fuzzy é adequada (JAFELICE, 2005):

• Exemplo 1: Objetiva-se construir o conjunto dos números aproximadamente iguaisa 5. O que Zadeh propõe é considerar uma função de pertinência que forneça ograu de pertinência dos diversos números ao conjunto considerado. A Figura 3.2apresenta a função de pertinência do conjunto fuzzy que corresponde aos númerosaproximadamente iguais a 5. Neste caso a função de pertinência é discreta, masela também pode ser contínua, como por exemplo a função de pertinência paraexposição à fumaça de cigarro, apresentada na figura apresentada no Exemplo 2

• Exemplo 2: Seja uma população de “fumantes” num instante t0, sujeita a uma taxade mortalidade, pode-se querer saber como será composta esta população no futuro.Ao considerar que cada indivíduo desta população é simplesmente fumante ou nãofumante o problema pode ser resolvido com um modelo determinístico, tomandoseparadamente ambas as populações. Por outro lado, se for tomada inicialmenteuma distribuição de probabilidades dos fumantes desta população, pode-se utilizarum modelo estocástico para estudar a evolução desta distribuição inicial. Agora,se a característica de ser fumante depender da quantidade de cigarros que se fumadiariamente, 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 graude ser fumante. Neste caso, cada indivíduo pertence à população de fumantes comum 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 oindivíduo fumar 10 cigarros por dia o quanto ele será fumante? Esta subjetividade,ser fumante, pode ser caracterizada pela teoria dos conjuntos fuzzy. A Figura 3.3ilustra 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 depertinência parcial, os graus de pertinência refletem então, um ordenamento de elementonum certo universo. Os exemplos 1 e 2 ilustram situações onde problemas desde simplese 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 perti-nência. As formas para as funções de pertinência são totalmente arbitrárias. Todavia, asfunções mais utilizadas são:

Linear Trapezoidal: é uma função de x, e depende de 4 parâmetros [a, b, c, d]. Écaracterizada pela Equação 3.1.

50

f (xa,b,c,d) =

0 , x ≤ ax − ab − a

, a < x ≤ b

1 , b < x ≤ c

d − xd − c

, c < x ≤ d

0 , x > d

(3.1)

Figura 3.4: Função de Pertinência Trapezoidal

Os parâmetros a e d correspondem aos valores de x que possuem pertinência iguala 0. Os parâmetros b e c correspondem aos valores de x que possuem pertinência igual a1 (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.

f (xa,b,c) =

0 , x ≤ ax − ab − a

, a < x ≤ b

c − xc − b

, b < x ≤ c

0 , x > c

(3.2)

As funções lineares por partes são as mais populares devido sua simplicidade eao fato de que o custo computacional adicional exigido pelos outros tipos de função nãorefletem, em geral, em uma melhoria significativa na qualidade dos valores de saída dossistemas.

Gaussiana: foi desenvolvida pelo matemático francês Abraham de Moivre. Edescreve 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 des-vio padrão, ou seja, conhecendo-se estes parâmetros consegue-se determinar qualquerprobabilidade 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 doconhecimento especialista, ao invés de, necessariamente, modelar o processo em si. Issoleva a uma abordagem diferente dos métodos convencionais de controle de processos,onde os mesmos são desenvolvidos via modelagem matemática dos processos de modoa derivar as ações de controle como função do estado do processo. A motivação paraesta nova abordagem veio de casos onde o conhecimento especialista de controle eradisponível, seja por meio de operadores ou de projetistas, e os modelos matemáticosenvolvidos eram muito custosos, ou muito complicados para serem desenvolvidos.

A estrutura de um processo controlado por um controlador fuzzy é mostrada naFigura 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 defuzzy-

ficação.

• Interface de Fuzzyficação: toma os valores das variáveis de entrada, faz um es-calonamento para condicionar os valores a universos de discurso normalizados efuzzyfica os valores, transformando números em conjuntos fuzzy, de modo quepossam 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, caracteri-zando a estratégia de controle e suas metas. Cada regra da base de regras é umasentença do tipo (S e”Condio”ento”Ao”).

Um exemplo de uma base de regras demonstrada em (SILVA, 2005) é ilustrada naFigura 3.8.

• Base de Dados: armazena as definições necessárias sobre discretizações e normali-zações dos universos de discurso, as partições fuzzy dos espaços de entrada e saídae as definições das funções de pertinência.

• Procedimento de Inferência: processa os dados fuzzy de entrada, junto com asregras, de modo a inferir as ações de controle fuzzy, aplicando o operador de impli-cação fuzzy e as regras de inferência da lógica fuzzy.

• Interface de Defuzzyficação: transforma as ações de controle fuzzy inferidas emações de controle não-fuzzy. Em seguida, efetua um escalamento, de modo a com-patibilizar os valores normalizados vindos do passo anterior com os valores dosuniversos de discurso reais das variáveis. Após a inferência da ação de controlefuzzy, é necessária a determinação de uma ação de controle não fuzzy que melhorrepresente a decisão fuzzy, para ser efetivamente enviada ao controle.

Apesar de não haver nenhum procedimento sistemático para a escolha da estratégiade defuzzyficação, as mais comuns incluem: o critério do máximo (MAX), queescolhe 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 existemais de um máximo, e o método do centro de área (CDA), que retorna o centro deárea da função inferida

3.2 Visualização de IncertezasExiste mais de uma forma de se classificar como uma informação incerta pode

ser visualizada. Um desafio inicial é como a própria incerteza é representada, comentadoanteriormente, outro ainda é como a incerteza é codificada em visualização. Não se possuiuma compreensão profunda dos parâmetros que influenciam o sucesso da visualização deincertezas, nem quão se está próximo de se obter a total compreensão destes parâmetros(MACEACHREN A. M., 2005).

(PANG; WITTENBRINK; LODHA, 1997) definiu uma abordagem sistemáticaao métodos de visualização de incertezas, e produziu uma classificação dos métodos devisualização de incerteza correspondente aos tipos de dados (escalar, multivariados, vetor

54

e tensor) para visualização de formulário (discretos e contínuos). Nesta seção, serãodemonstradas algumas das técnicas de visualização de incertezas existentes atualmente.

Também são utilizados como parâmetros as cores, tonalidades, valores de cor etexturas afirmando que estes atributos são os melhores para representar informações in-certas utilizando métodos estáticos. Na Figura 3.9 é demonstrada a representação desen-volvida por (MACEACHREN, 1992), que se concentrou em cinco métodos para signi-ficar 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) transparên-cia no símbolo do centro

Com a saturação aplicada em Figura 3.9(a), elementos com um nível maior decerteza deveriam utilizar tons puros, do contrário utilizariam cores menos saturadas, as-sim a medida que áreas ficam “incertas” estas cada vez mais tornam-se acinzentadas. Jána Figura 3.9(b) é aplicada uma metáfora geral de desfoque, onde informações incertasformam uma área desfocada na imagem e a medida que as informações ficam mais pre-cisas tornam a região central da Figura menos desfocada. Na Figura 3.9(c) é utilizadacomo representação a transparência para a representação de dados incertos, de forma quequanto mais incertos os dados maior será a atmosfera transparente visível ao usuário nasua representação.

Em (PANG; WITTENBRINK; LODHA, 1997) é demonstrada a utilização deglifos, composto por pontos de símbolos. Representando visualmente os dados de in-certezas. O método com glifos indica a direção do vento, a magnitude e a incerteza. Arepresentação é demonstrada na Figura 3.10.

Um exemplo de representações dinâmicas para informações incertas é demons-trada na Figura 3.11, desenvolvida por (CLIBURN; FEDDEMA; MILLER, 2002) paraapoiar decisões de grande escala nas questões envolvendo recursos hídricos, onde utiliza-

1controle de exatidão da cor, rugosidade da cor2níveis de exatidão3também chamada de nevoeiro

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 daágua, classificando as regiões de incerteza utilizando barras abaixo e acima da superfícieda 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 aLógica Fuzzy

Na sequência das técnicas e métodos de visualização de informações, a abordagemde visualização de incertezas proposta na seção 3.2 deste capítulo leva a conceitos queculminam normalmente em métodos para o contorno de problemas deste tipo. A seguirserão descritos conceitos abordados em (PHAM B., 2003) onde são demonstrados osprincipais requisitos para a visualização de sistemas fuzzy.

Muitos são os estudos para o desenvolvimento de técnicas, ferramentas e softwarespara facilitar a compreensão da arquitetura e tomada de decisão. Os sistemas computaci-onais 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 cau-sas.

Tabela 3.1: Origens e causas das informações incertasOrigens da Incertezade Informação

Causa

Accurácia Limitada Limitação na mensuração dos instrumentos, ou processos com-putacionais, ou padrões

Falta de Dados Limitação física dos experimentos; Amostra de tamanho limitadaou amostra não-representativa

Definição Incompleta Impossibilidade ou dificuldade em articular as regras ou relacio-namentos

Realização de incompletadefinição

Limitação física ou conceitual

Conhecimento inade-quado sobre os efeitos damudança no ambiente

Modelo não abrange todos os modelos que influenciam, ou foi li-geiramente feito sob diferentes condições, ou se baseou em pon-tos de vista de diferentes especialistas

Preconceitos pessoais Percepções diferentes ou individuaisAmbiguidade em descri-ções logísticas descritopor muitas palavras

Uma palavra pode ter muitos significados, ou um estado pode serdescrito por muitas palavras

Aproximação ou pressu-postos embutidos no mo-delo de design dos méto-dos ou procedimentos

Requisitos ou limitações dos modelos e métodos.

Basicamente, pode-se considerar um típico sistema fuzzy desde que contenha ba-sicamente 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). En-tretanto os usuários podem interagir com o sistema e influenciar a maneira comoele funciona, estes também podem ser considerados entidades do sistema.

• Dados dos Objetos: Os dados dos objetos podem possuir diferentes tipos de repre-sentações: numéricas, simbólicas (como regras), visuais (como diagramas) e áudio.

• Relacionamentos (relationships): Uma das principais tarefas do sistema de visua-lização é a de facilitar a compreensão das relações que sustentam o funcionamentode um sistema fuzzy. Os relacionamentos podem ser classificados em 5 tipos prin-cipais:

57

1. Dados dos dados: como por exemplo dados de fusão, de integração, de trans-formação;

2. Dados de tarefas: diferentes visões de entrada para diferentes tarefas; diferen-tes tarefas produzem diferentes tipos de dados de saída;

3. Dados do usuário: diferentes usuários podem ter diferentes opiniões ou ma-neiras diferentes de manipular os dados e extrair informação;

4. Tarefas das tarefas: a forma como uma tarefa é executada influencia comouma tarefa posterior também é executada;

5. Usuário dos usuários: usuários podem compartilhar, comparar, modificar oucorrigir a base de conhecimento, ou negociar com base em informações quecada um deles possui.

• Eventos: Quando um evento muda o estado do sistema, consequentemente é impor-tante para registro de eventos que influenciam significativamente o desempenho dosistema. Os eventos podem ser categorizados em 3 tipos principais: pré-agendados,de acordo com um fator dependente (ex: tempo); como resultado da interação de umusuário; e automaticamente gerado a partir de outro evento de acordo com algunspressupostos.

• Tarefas (tasks): As tarefas de um sistema de visualização fuzzy podem ser dividasem 2 grupos:

– tarefas de baixo nível: executando computações numéricas, grau de fuzzi-ness, regras (agregação, implicação, defuzzificação, certeza, evidências, pro-babilísticas de cálculos bayesianos). Normalmente os resultados obtidos dastarefas de baixo nível podem ser utilizados como entradas para as tarefas dealto nível;

– tarefas de alto nível: procurando por padrões incomuns, tendências, gati-lhos para eventos importantes, dependências entre os relacionamentos (data

mining); corrigindo comportamentos inadequados; prover feedback; aprendi-zado com erros (ex: através da criação de novas regras); otimização do sistemadado por algumas restrições (ex: selecionando os bons níveis de fuzzyficaçãopara cada variável); formando um modelo preditivo (baseado em experiênciaspassadas);

• Desfechos (outcomes): Consistem nas informações sobre os resultados finais deum 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 visualizaçãode informações no que se refere a representação das informações, o sucesso da visu-alização é facilitado pela escolha correta dos recursos visuais utilizados para ilustrar adimensão da magnitude dos dados. Dois componentes de visualização são importantesneste contexto: os recursos visuais utilizados e a sua representação em maiores represen-tações, com o objetivo de extrair adequadas representações visuais para a visualizaçãode dados fuzzy. Uma regra n-dimensional pode ser considerada como um ponto de cortefuzzy através de um espaço n-dimensional.

As principais técnicas de visualização existentes mapeiam várias dimensões ca-racterísticas de dados variáveis, afim de realçar as diferenças, a fazer comparações, paramostrar efeitos temporais, etc. Na visualização de informações fuzzy algumas carac-terísticas importantes descritas em (PHAM B., 2003) são cor, luminosidade, tamanho,transparência, textura, profundidade, glifos, partículas e desfoque. Estas característicasserão descritas a seguir:

• Tonalidade: muito utilizada para destacar dados diferentes, ou para representargradientes nos dados. Utilizada em várias situações como por exemplo representara precisão da certeza dos dados, pela variação da aplicação de saturação na repre-sentação visual dos dados.

• Luminância: de forma semelhante à tonalidade, pode ser utilizada para ressaltarcategorias e ressaltar diferenças em dados escalares.

• Tamanho: glifos envolvendo o tamanho dos objetos são frequentemente utilizadospara indicar componentes escalares do vetor de informações.

• Transparência: Muito utilizada para a representação de dados fuzzy, onde normal-mente é sobreposta a um fundo qualquer e representar a certeza das informaçõesdemonstradas.

• Profundidade: Pode ser utilizado para representar o posicionamento espacial dosdados. Uma aplicação bastante comum é posicionar os elementos em espaços di-mensionais de profundidades variadas e aplicar funções de aplicação de desfoquegradual para definir dados mais precisos.

• Textura: a textura pode ser aplicada a objetos para indicar o nível de precisão, am-biguidade ou nível fuzzy na localização espacial mediante um objeto ou localizaçãoespacial.

• Glifos: como descrito anteriormente, os glifos auxiliam a representação de dadosatravés atributos como tamanho, porém na representação de informações em ex-cesso 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 partículasentre 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 com-ponentes a ser removidos no plano da imagem pode ser utilizado para mostrar anatureza dos pontos dos dados.

Para a representação dos dados fuzzy, pode-se considerar um grupo de 6 tiposprincipais: representações 2D, representações 3D, representações paramétricas, represen-tações dinâmicas, metáforas e sensores multimídia.

• Representação 2D: Gráficos em duas dimensões podem ser utilizados para codifi-car cores e formas em uma exibição em um sistema cartesiano, afim de demonstraras relações espaciais de valores. Para a representação de dados fuzzy, atributoscomo intensidade ou cor pode ser utilizados em conjunto para uma melhor repre-sentação.

• Representação 3D: Volumes 3D possuem regiões espaciais mapeadas para uma lo-calização no espaço n-dimensional. As características do volume das partições podeser modificado para indicar a precisão dos dados dentro do volume (ex: variandoatributos como intensidade, saturação, textura, opacidade, etc)

• Representações Paramétricas: Diferentes parâmetros podem ser utilizados pararealçar ou suprimir vários fatores de forma interativa. Uma das característica destegrupo 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 dasinformações em n-dimensões e também a interação com outras técnicas.

• Representações Dinâmicas: Representações dinâmicas normalmente trabalhamcom dados variáveis, onde possuem a característica de representar dados em umespaço temporal. Por exemplo, podemos dizer que uma animação gerada a partirda representação de vários estados em outra técnica pode caracterizar uma repre-sentação dinâmica.

• Representação por Metáforas: As metáforas se valem de representações visu-ais comuns aos seres humanos para representar os dados que não são facilmentevisualizados, por exemplo, a utilização de expressões do rosto humano para a re-presentação de resultados. Um rosto feliz explicitaria a certeza total dos dados, jáum rosto descontente, poderia representar dados incertos.

60

• Representação por Sensores Multimídia: Recursos como áudio podem ser uti-lizados para indicar a precisão e imprecisão, ex: o mapeamento de um objeto emmovimento, para regiões onde a interpretação foi falha pode-se representar comsons ruidosos e incoerentes, onde a interpretação dos dados foi mais precisão pode-se representar com sons em um nível de qualidade elevado.

3.4 Considerações FinaisAs representações demonstradas anteriormente ajudarão a compor os métodos uti-

lizados para a visualização de informações fuzzy proposta nesta dissertação, sabe-se queos estudos sobre a união da área de visualização de informações com a área da lógicafuzzy são ainda precoces em relação ao conteúdo existente da área de visualização deinformações. Percebe-se também que os sistemas que tratam da tomada de decisão co-meçam a utilizar técnicas de visualização de incertezas para a representação de situaçõesonde os dados não são exatos. Na medicina muitas são as aplicações destas técnicas, vistoque muitas são as vezes que diagnósticos médicos são elaborados de forma empírica, sus-cetíveis a intervenções que podem desviar dos focos de resultados ótimos. Neste capítuloforam apresentados conceitos sobre a incerteza, estudos sobre a sua representação bemcomo um dos métodos mais populares para o tratamento de incertezas em sistemas com-putacionais que visam o auxílio a tomada de decisão e a automatização de tarefas. Osconceitos 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 DENSITO-METRIA ÓSSEA

O uso de imagens médicas desempenha um papel fundamental na medicina paratarefas de diagnóstico, planejamento de tratamentos terapêuticos, etc. Todas as principaismodalidades de imagens médicas hoje produzem imagens digitais, que representam umaenorme quantidade de dados distribuído, que são cada vez mais necessárias para processosde diagnósticos e análises automatizados (MONTAGNAT et al., 2004).

4.1 Introdução

Atualmente percebe-se o uso cada vez mais constante e intenso da computação naárea da saúde. Esta inovação tecnológica, que a princípio começou de maneira gradativa,é hoje considerada por muitos uma das ferramentas mais importantes e indispensáveisnesse segmento. O desenvolvimento da atividade clínica é marcada pela procura contínuade 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 des-tacar particularmente as imagens, que proporcionam uma interpretação direta e cada vezmais precisa. Para tanto, é importante que existam formas de diagnóstico padronizados edistribuídos a todos os centros de saúde que se valem de imagens em seus procedimentosbem como uma forma correta e segura de armazenamento e disponibilização destas.

4.2 Diagnóstico por Computador

Segundo (AZEVEDO-MARQUES, 2001a) o Diagnóstico Auxiliado por Compu-tador (CAD - computer-aided diagnosis) pode ser definido como um diagnóstico feito porum radiologista que utiliza o resultado de análises quantitativas automatizadas de imagensradiográficas como uma segunda opinião para a tomada de decisões em diagnósticos. Éimportante 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 consis-tência da interpretação da imagem radiológica, mediante o uso da resposta do computadorcomo referência. A resposta do computador pode ser útil, uma vez que o diagnóstico doradiologista é baseado em avaliação subjetiva, estando sujeito a variações intra e inter-pessoais, bem como perda de informação devido à natureza sutil do achado radiológico,baixa qualidade da imagem, sobreposição de estruturas, fadiga visual ou distração. Alémdisso, a probabilidade que uma dupla leitura (por dois radiologistas) pode aumentar asensibilidade do diagnóstico é real. A proposta do CAD é funcionar como um segundoespecialista.

A finalidade do CAD é melhorar a acurácia do diagnóstico, assim como a consis-tência da interpretação da imagem radiológica, mediante o uso da resposta do computadorcomo referência. A resposta do computador pode ser útil, uma vez que o diagnóstico doradiologista é baseado em avaliação subjetiva, estando sujeito a variações intra e inter-pessoais, 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 atravésda varredura da imagem pelo computador (por exemplo, agrupamentos de microcal-cificações 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 esua classificação como correspondendo a padrões normais ou anormais (por exem-plo, a associação da quantidade e forma das microcalcificações presentes em umagrupamento com a malignidade ou não do tumor, ou a associação da textura dospulmões com lesões intersticiais em imagens de tórax, ou ainda, a quantidade denecrose presente na superfície analisada).

As duas aplicações se valem de duas visões provenientes da computação, a visãocomputacional e a inteligência artificial. Uma se ocupa da utilização do computador paraa extração de atributos, envolvendo diversas etapas como o processamento, realce e seg-mentação, etapas estas que preparam a imagem para detectar e corrigir erros caso existame retiram da mesma as informações que forem importantes de acordo com os parâmetrosadotados. A outra visão se ocupa de utilizar as informações que foram extraídas da ima-gem e efetuando a distinção de padrões encontrados, por exemplo a detecção de atributosque determinem uma região com ou sem necrose em uma imagem médica, se valendo demétodos computacionais de classificação.

63

4.3 ArmazenamentoOs Sistemas PACS (Picture Archiving and Comunication System) são sistemas que

proporcionam o armazenamento e comunicação de imagens de forma normalizada, pos-sibilitando que as informações dos pacientes e suas respectivas imagens sejam comparti-lhadas e visualizadas em monitores de alta resolução, distribuídos em locais fisicamentedistintos (DWYER, 1996). Os primeiros sistemas de arquivamento e comunicação deimagens foram caracterizados pelo uso de equipamentos grandes e expansíveis, estaçõesde trabalho incômodas, duplicação de conteúdo de base de dados, ausência de interfacescompatíveis com outros sistemas de informação e imaturidade na compreensão sobre osconceitos de gerenciamento de arquivos e na engenharia dos produtos clínicos.

Historicamente, estes sistemas foram implementados em grandes centros médico-acadêmicos por engenheiros biomédicos e profissionais da informática que atuavam emprocessamento de imagem. O sistemas PACS não eram padronizados e resultavam daaceitação clínica de projetos individuais que haviam crescido a ponto de suportar maiorfuncionalidade. Mesmo assim obtiveram progresso devido ao seu potencial de se realizara cópia de imagens com alta eficiência, aumentando cada vez mais o estudo de diagnósti-cos por imagem (PISA, 2003). A Figura 4.1 detalha uma estrutura da arquitetura PACS.

As imagens são adquiridas através de instalações específicas às várias modali-dades de imagens médicas, como por exemplo, radiografia digital, tomografia computa-dorizada, ressonância magnética nuclear (RMN), angiografia, ultra-sonografia, medicinanuclear, imagens de raio-x digitalizadas, etc. Os processos de aquisição das imagens sãocontrolados através de um RIS (Radiological Information System). As imagens médicasproduzidas são transmitidas através de um gateway para um roteador, o qual é responsávelpor enviar as imagens requisitadas e gerenciar o fluxo de dados.

As imagens podem ser visualizadas em estações de trabalho para a interpretaçãoe manipulação por especialistas em imagens que utilizam as ferramentas computacionaisdisponíveis nas estações ou mesmo através de funções especiais disponíveis em computa-dores dedicados. Tarefas como renderização 3D, registro e fusão dos dados das imagensobtidas por diferentes modalidades, extração de atributos e detecção auxiliada por com-putador são tarefas que podem ser realizadas em servidores especiais. Devido a certosprocedimentos de extração de informações ou processamento poderem consumir uma de-manda de processamento, são balanceadas em diferentes servidores as possibilidades detarefas a serem executadas.

Considerando o alto custo e também a grande complexidade no desenvolvimento emanutenção de um sistema PACS, a tendência é implementar soluções menos centraliza-das que possibilitem armazenar e processar dados através de uma arquitetura distribuídaque permita armazenar e processar dados através de diferentes equipamentos em ambien-tes 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 tambémimplementar sistemas de armazenamento e disponibilização de imagens médicas com ointuito de reduzir o custo computacional de um sistema PACS completo, reduzindo e cen-tralizando 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 cen-tros, que é o de arquivar conteúdo e voltado para o diagnóstico por imagem que permite opronto acesso, em qualquer setor do hospital ou clínica, de imagens médicas em formatodigital, sendo caracterizado por quatro subsistemas: aquisição, exibição, disponibilizaçãoe armazenamento de imagens.

4.4 Modalidades de Aquisição

As imagens médicas podem ser obtidas, basicamente, de duas maneiras: através demétodos invasivos ou não-invasivos. Idealmente, o diagnóstico definitivo de uma doençadeve ser obtido usando métodos não traumáticos, bem como não-invasivos. A aquisiçãoatravés de métodos não-invasivos inclui as imagens obtidas através de raio-x, ultra-som,ressonância magnética, densitometria óssea, etc. São considerados métodos invasivosaqueles 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 imagenssão 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 imagensna medicina com um enfoque a área da radiologia, mais precisamente na densitometriaóssea, por ser o grande motivador dos estudos de caso apresentados neste trabalho. Tam-bém são ilustrados alguns dos procedimentos realizados na densitometria óssea como ainterpretação de exames e medidas utilizadas para os diagnósticos médicos. Por fim sãoilustradas 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 inter-nas do corpo humano era submetendo-o a uma intervenção cirúrgica. O primeiro e maisutilizado exame não-invasivo do interior do corpo humano, o raio-x, foi desenvolvido em1895 por Wilhelm Conrad Röntgen na noite de 8 de novembro de 1895 quando traba-lhava com uma válvula com a qual estudava a condutividade de gases, e que recebeu oprêmio Nobel de física em 1901 por esta invenção. A descoberta causou um entusiasmono mundo inteiro, especialmente na área da medicina, sendo que em 1900 já existiam vá-rios grupos de médicos radiologistas. Assim, surgiu um novo ramo da medicina dedicadoa 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 pro-fessor Michael L. Pupin, da Universidade de Columbia obteve uma radiografia demons-trando a mão de um caçador que sofrera um acidente com sua espingarda. As bolinhasnegras 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 des-taque para a visualização do anel no dedo anular.

Inicialmente, utilizavam-se, para o armazenamento de imagens de raio-x, filmese telas de fluoroscópio, que consiste em uma tela de material fluorescente empregada emradioscopia para tornar visível o feixe de raios que atravessa o corpo examinado. Nestecaso, o conteúdo ou a estrutura interna de um objeto opaco, como do corpo humano, podeser continuamente visualizado como sombras formadas por transmissões diferentes dosraios X através do objeto. Porém, as imagens obtidas por fluoroscopia tinham pouca niti-dez para serem utilizadas clinicamente. Na década de 1940, entretanto, novas tecnologiascomeçaram a ser usadas para produzir imagens mais nítidas em tempo real. Atualmente,um procedimento padrão para muitos tipos de exames consiste em combinar o monito-ramento em tempo real de imagens de raio-x com a criação de imagens selecionadas em

66

(a)

(b)

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 usode 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, osraios infra-vermelhos, e os raios ultra-violetas. As ondas eletromagnéticas tem como ca-racterísticas: a sua freqüência e o seu comprimento de onda, sendo estas duas característi-cas inversamente proporcionais, ou seja, quanto maior a freqüência menor o comprimentode 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 co-locado entre uma fonte emissora de radiação ionizada e um filme sensível a raios X. Aimagem é produzida através da projeção de um raio em direção ao corpo do paciente, oqual absorve parcialmente o raio-x em diferentes graus, de acordo com os tecidos e ossosdo corpo. Sendo assim, os raios X produzem sombras no filme radiográfico.

O exame de raios X possui, basicamente, duas deficiências: a superposição deestruturas e o baixo contraste entre tecidos não-ósseos. Estas deficiências devem-se aofato de que todos os órgãos atravessados pelos raios são projetados, gerando uma imagemque representa a atenuação total devida a todas estruturas sobrepostas que são atravessadaspor um raio, conforme este passa através do corpo; sombras geradas pelas estruturaspróximas podem obscurecer o objeto que o médico deseja visualizar. Isto pode dificultarmuito a análise de estruturas complexas ou envolvidas por outros órgãos, resultando emum grande desafio para os pesquisadores, que precisavam encontrar uma solução para oproblema da superposição de estruturas. A radiografia de contraste, que consiste no usode um material de contraste para delinear as áreas de interesse, foi aplicada para ajudar alidar com este problema por volta do ano de 1902.

Tais deficiências levaram a necessidade de desenvolver métodos ou técnicas queevoluíram 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 ar-mazenados na memória do computador, ao invés de serem gravados em um filme. Pos-sibilitando seu uso em softwares de auxílio ao diagnóstico de forma a permitir que osprofissionais da medicina possam se beneficiar das tecnologias desenvolvidas para estafinalidade.

O raio-x pode penetrar nos objetos opacos com uma orientação irrestrita para ge-rar projeções bidimensionais semitransparentes. Tais procedimentos são relativamentebaratos e amplamente disponíveis. Procedimentos de raio-x padrão são excelentes paraexames rotineiros do pulmão e do esqueleto, mas não podem fornecer imagens dos tecidosmoles, 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 tambémcausou sensação em todas as pessoas, que se submetiam ao raio-x apenas por curiosidadede ver a imagem de seus ossos. O próximo grande marco para o diagnóstico por imagemfoi sem dúvida a Tomografia Computadorizada (TC). A alta resolução e aplicabilidadepara visualização de outros tecidos além do ósseo também conferiram aos seus invento-res, o engenheiro eletrônico Godfrey N. Hounsfield e o físico Allan McLeod Cormack oprêmio Nobel em Fisiologia e Medicina em 1979 (BEVILACQUA, 2003).

A tomografia computadorizada revolucionou as imagens médicas em 1972, poispermitiu a visualização de estruturas previamente invisíveis em diagnósticos radiológicosconvencionais. Este método de aquisição baseia-se nos mesmos princípios da radiografiaconvencional segundo os quais tecidos com diferente composição absorvem a radiação Xde 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 elemen-tos mais pesados (como o cálcio presente nos ossos), absorvem mais radiação que tecidosmenos densos (como o pulmão, que está cheio de ar) (NETO, 2005).

A palavra tomografia vem do grego, tomos (corte ou fatia) e graphia (escrita). Aimportância da tomografia computadorizada para a Medicina é que é possível distinguirórgãos e tecidos de tumores, sem intervenção cirúrgica, visto que diferentes tecidos têmdiferentes coeficientes de atenuação. Os aparelhos de TC também utilizam raios X, quesão emitidos em um plano transversal ao corpo do paciente. O objetivo da tomografiaé obter a imagem de uma seção transversal, ou talvez uma imagem tridimensional, dointerior de um objeto de estudo de maneira não invasiva. Como os objetos de estudopodem diferir muito em sua natureza, as características que se desejam revelar nestasimagens variam grandemente, assim como as técnicas usadas para obtê-las.

Sistemas tradicionais, reúnem uma série de imagens de seções do corpo, equiva-lentes 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 cadafatia. Desta forma, uma série de imagens 2D igualmente espaçadas podem descrever aestrutura 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 dematerial de contraste intravenoso. Suas vantagens são: rapidez; ótima resolução espacial;não limitação devido ao intestino; determinação do curso do cateter; possibilidade deavaliação 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 reconstruídaa partir de uma série de varreduras com um feixe de raio-x. Este feixe atravessao plano do paciente em diferentes ângulos. A radiação não absorvida pelo corpodo paciente é medida por detectores alinhados com emissores de raio-x. O con-junto emissores-detectores é rotacionado no mesmo plano e os raios são emitidos emedidos para várias inclinações diferentes. Os valores medidos na linha de detec-tores são armazenados para cada ângulo e usados na reconstrução matemática doplano atravessado ao feixe de radiação. Como resultado, é obtida uma imagem querepresenta uma fatia plana do corpo examinado, sem sobreposições. O conjuntoemissor-receptor, ou a cama onde fica o paciente, é movido na direção do eixo derotação, permitindo a aquisição de planos paralelos consecutivos.

• Na TC de emissão (ECT) o objetivo é fazer uma imagem seccional da distribuiçãode isótopos radioativos no corpo humano, considerando que um isótopo pode seradministrado a um paciente em forma de radiofármacos tanto por injeção como porinalação. Isótopos radioativos são caracterizados pela emissão de fótons de raio-gama, um produto do decaimento nuclear. Fótons de raio-gama são indistinguíveisdos 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, devidoao decaimento radioativo e a cibernética bioquímica do corpo. Isto implica quetodos os dados para uma imagem seccional sejam coletados em um pequeno tempoconstante, associado às mudanças de concentração. Porém, este aspecto dá à ECTmais potencial e utilidade nos diagnósticos médicos, sendo, assim, usada para amedição do metabolismo, revelando o funcionamento fisiológico do corpo, comofluxo sangüíneo ou consumo de oxigênio.

As técnicas de TC por emissão são divididas em PET (Positron-Emission Tomo-

graphy) e SPECT (Single-Photon Emission Tomography). Em ambas aplicações, oobjetivo 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 gerarum mapa espacial ou uma imagem da distribuição, usualmente fatias bidimensio-nais do corpo. Dessa forma, enquanto as técnicas de CT geralmente mostram aspropriedades de absorção, as quais são relacionadas com a anatomia, as técnicasde emissão mostram a distribuição radioativa, podendo indicar vários aspectos dafunção fisiológica. Estes traçadores radioativos também podem ser usados em CTna forma de agentes de contraste rádio-opaco. Os resultados dos exames PET eSPECT não apresentam bem as estruturas anatômicas, mas sim níveis de atividademetabólica.

4.4.3 Ultra-Sonografia

A ultra-sonografia (também chamada de ecografia), da mesma forma que a medi-cina nuclear e a tomografia computadorizada, faz parte do moderno arsenal de técnicas dediagnóstico por imagem. A utilização do ultra-som de alta resolução para o diagnósticoe avaliação dos pacientes tem sido cada vez maior. Este fato deve-se principalmente aodesenvolvimento tecnológico da instrumentação por tempo real, equipada com transdu-tores de alta freqüência, portadores de ótimas resoluções espacial e axial. Consagradacomo um dos métodos auxiliares mais importantes na ginecologia e obstetrícia, nos úl-timos anos a ultra-sonografia teve uma expansão gradativa em sua aplicabilidade comométodo de diagnóstico, incluindo atualmente a geração de imagens cardíacas, vascularese do peito. Este fato pode ser explicado pelo ultra-som ser um método não-invasivo, dis-ponível 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 eum 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 entreo transdutor e o corpo do paciente, para evitar a presença de ar entre os dois. Tambémdeve-se tomar cuidado com o fato de que ruídos de outros equipamentos podem ser cap-tados pelo aparelho de ultra-som, resultando em faixas lineares ou pontos distribuídosirregularmente 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-xpelo 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 corpoa uma pequena dose de radiação ionizante para produzir imagens do interior do corpo(RADIOLOGYINFO, 2008). É considerada atualmente a técnica padrão para determinara densidade óssea de seres humanos.

O exame é indicado a mulheres em fase de pré-menopausa, menopausa, pós-menopausa, em regime de reposição com hormônios estrógenos, e também nos indivíduosem uso de hormônios tireoidianos, corticosteróides, e medicamentos anticonvulsivantes.Nas crianças, está indicado quando há necessidade de acompanhamento do desenvolvi-mento ósseo, em doenças osteometabólicas, e ocasionalmente em regimes dietéticos paraemagrecimento. Em exames de densitometria, é comum o diagnóstico das doenças deOsteopenia e Osteoporose, a osteopenia é uma afecção óssea na qual os ossos perdemestes minerais e têm menor densidade, o que os torna mais frágeis. Quando a perda ósseaé grave, a afecção se chama Osteoporose, caracterizada pela baixa massa óssea e deteri-oração da micro arquitetura do tecido ósseo, ampliando a fragilidade dos ossos e levandoa consequente risco de fratura. A Osteoporose implica uma perda gradual de cálcio, bemcomo as mudanças estruturais, fazendo com que o osso se torne mais fino, mais frágeise mais propensos a quebrar. As partes mais afetadas na osteoporose são: o colo do fê-mur, coluna, a pelve e o punho. As partes de interesse na obtenção das imagens paradiagnóstico são o fêmur e a coluna vertebral.

A Organização Mundial de Saúde tem desenvolvido rigorosos critérios que deter-minam a elegibilidade para tratamentos de osteoporose que vão desde critérios de avalia-ção contendo itens como histórico familiar, hábitos de vida até fraturas prévias. Tambémdisponibiliza critérios para a avaliação farmacológica de medidas de densidade em paci-entes que realizam o exame.

A técnica baseia-se na atenuação, pelo corpo do paciente, de um feixe de radiaçãogerado por uma fonte de raio-x com dois níveis de energia. Este feixe atravessa o indi-víduo no sentido póstero-anterior e é captado por um detector, conforme Figura 4.3. Oprograma calcula a densidade de cada amostra a partir da radiação que alcança o detec-tor 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 umaimagem 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 apresentamum software especial que calcula e visualiza as medições de densidade. As medidas dadensidade mineral óssea são geralmente reportadas na concentração média de cálcio, nasáreas escaneadas pelo aparelho.

O exame é realizado em nível ambulatorial, com exames concentrados na parteinferior 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 Figura4.4 ilustra uma linha de ação para a realização de exames de densitometria para o trata-mento 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 con-tribuam para que o paciente em questão seja um forte candidato a desenvolver adoença de osteoporose.

• Indicações de Medidas de DMO: Existem grupos de pessoas que estão incluídosem uma categoria denominada "Alto Risco"e que devem ser observadas com muitaatenção. Para considerar pessoas inclusas nos principais grupos de alto risco, sãoavaliados critérios como: história de fratura traumática mínima (especialmente fra-turas de quadril e coluna), mulheres em estágio de menopausa prematura, quandosão estabelecidas causas secundárias (hiperparatireoidismo, insuficiência renal, ar-trite, etc), histórico familiar de osteoporose.

– Critérios Presentes: quando os critérios avaliados são encontrados em paci-entes é necessário o exame para o cálculo de Densidade Óssea.

∗ Exame DEXA: Caso os critérios de avaliação sejam validados, o pacienteé submetido ao exame para o cálculo de densidade óssea, com os resulta-dos expressos em pontuações T (T-Score) ou Z (Z-Score), sendo posteri-ormente comparados a tabela de classificação demonstrada na Figura 4.8e determinando o tratamento de pacientes ou apenas o aconselhamentofarmacológico. Para os casos que requerem o tratamento da doença, érecomendado uma nova avaliação DMO a cada 2 anos para comparaçõesdos níveis de densidade.

– Critérios Ausentes: Quando os critérios para avaliação de grupos de risconão são validados o paciente é recomendado ao gerenciamento médico, queavaliará condições de vida do paciente e orientado a tomar precauções paraque fatores de risco não venham a ser desenvolvidos em função de hábitoscomo tabagismo, sedentarismo, controle de obesidade, exposição à luz solar,etc. Além destes, é comum também um acompanhamento contínuo para os-teopenia / osteoporose. Uma perda de altura de 2,5 centímetros é uma forteevidência clínica para a existência da osteoporose em pacientes (WA, 2007).

Nos exames é comum o preenchimento de um questionário com o propósito dedeterminar se o paciente possui condições médicas ou necessidade de tomar certos medi-camentos para aumentar ou diminuir o risco de uma fratura. A Organização Mundial daSaúde possui um inquérito online que combina os resultados DEXA e algumas questõesbásicas e pode ser usado para prever 10 anos de risco de fratura do quadril de mulhe-res em situação de pós menopausa. Este método tem sido utilizado como suporte aosdiagnósticos.

73

4.4.4.1 Interpretação dos Exames

Um radiologista devidamente treinado para supervisionar e interpretar exames ra-diológicos analisará os resultados dos exames. Um laudo por escrito será encaminhado aomédico, geralmente dentro de alguns dias. Para o cálculo de resultados, são apresentadasduas 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 com-paração 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), eabaixo de -2,5 é definida como osteoporose. Esta é a classificação adotada comobase da Densitometria Óssea medida por DEXA e do T-Score, a OMS (OrganizaçãoMundial 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 ou-tras pessoas da mesma faixa etária, mesmo tamanho e sexo. Com base em cálculode resultados obtidos da análise o médico pode indicar exames adicionais ao paci-ente. 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 acoluna 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 mesmosexo 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 umquadro grave da doença e também pacientes que apresentam um estágio de alto risco defratura. Normalmente os especialistas utilizam padrões de diagnósticos para a aplicaçãoou 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 lom-bar (PA e perfil), o fêmur proximal, o antebraço e o corpo inteiro com sua composiçãocorporal:

• Coluna Lombar: A Figura 4.9 demonstra um exame de coluna vertebral em posiçãopóstero-anterior e avalia o segmento de L1 a L4, que é usado para o diagnóstico deosteoporose e que apresenta a melhor sensibilidade para a monitoração terapêutica.O exame da coluna lombar na projeção lateral permite que se excluam as estruturasposteriores dos corpos vertebrais, minimizando os efeitos somatórios da doençaosteodegenerativa 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 comque a reprodutibilidade do exame seja inaceitável. Desta forma, o exame lateralnão 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 envolvea medida de DMO em três regiões: cólo de fêmur, trocanter maior e Triângulo deWards (área de menor densidade da região do fêmur). O software do densitômetrofornece uma medida de todo o fêmur proximal, o fêmur total, que por ser menosdependente de posicionamento e apresentar um coeficiente de variação menor, podeser muito útil no seguimento do paciente. O exame normalmente é aplicado no ossodo lado direito, por não apresentar diferenças significativas em exames envolvendoos dois lados .

• Antebraço: A avaliação da BMD do antebraço pode ser útil em três situações: nohiperparatiroisdismo primário, pois a perda óssea tende a afetar predominantementeo osso cortical, que pode ser avaliado de forma sensível na diáfise do rádio; quandoo fêmur ou a coluna lombar não puderem ser avaliados, para complementação di-agnóstica; e nos pacientes com antecedentes familiares de fratura de Colles (rádiodistal), pois o fator genético é muito importante neste tipo de fratura. Três regiõessão delimitadas: o rádio ultra-distal (com predomínio de osso trabecular), a regiãodiafisária do rádio e ulna (com predomínio de osso cortical) e a região intermediáriaque inclui tanto osso cortical quanto trabecular.

• Corpo Inteiro: O exame do corpo inteiro, ou a composição corporal por densito-metria, 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 totaldo 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 naavaliação nutricional do indivíduo, na fase de crescimento e aquisição de massaóssea, em programas de condicionamento físico e na evolução e no tratamento demuitas doenças que afetam a massa óssea. A BMD total não deve ser usada para odiagnóstico de osteoporose por sua pouca sensibilidade.

Algumas condições clínicas e/ou artefatos podem prejudicar ou inviabilizar oexame, tais como: realização de exames radiológicos contrastados (enema opaco, to-mografia, EED, mielografia, etc.), exames de Medicina Nuclear, próteses e grampos me-tálicos de sutura (staples) na área do exame, grandes deformidades vertebrais, doençaosteodegenerativa tanto em coluna quanto em fêmur, obesidade (> 125 kg), calcificaçõesde 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 avaliaro grau de osteoporose, indicar a probabilidade de fratura, obter a curva de perda ósseaatravés do tempo (quando a avaliação é feita periodicamente) e auxiliar no tratamentomédico. O paciente não necessita de preparo especial e nem de jejum. A osteoporosepode 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 tabagismoe 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 forne-

cer indicações de risco relativo. Apesar de sua eficácia como um método de mediçãoda densidade óssea, o exame DXA é de utilidade limitada em pessoas com deformaçõesna coluna ou pacientes que tiveram cirurgias raquimedular (cirurgias envolvendo a co-

luna vertebral) anteriores. A presença de fraturas vertebrais compressão ou osteoartrite(perturbação crônica das articulações) pode interferir com a precisão do ensaio, em taiscasos, tomografia computadorizada pode ser mais útil.

Equipamentos para medição de densitometria óssea são caros comparados a outrosequipamentos capazes de realizar exames não-invasivos. Para pequenos centros clínicossituados em cidades afastadas dos grandes centros estes equipamentos acabam tornando-se de difícil acesso, sendo necessária a locomoção de pacientes entre cidades para a reali-zação de exames.

4.5 Considerações FinaisConforme foi ilustrado neste capítulo, vários desenvolvimentos tecnológicos estão

convergindo de forma a aumentar a influência da área de imagens nas pesquisas biomé-dicas e na medicina clínica. Cada vez mais é comum o desenvolvimento de sistemascomputadorizados para detecção de anormalidades em imagens radiológicas e dedicadosao diagnóstico auxiliado por computador.

De modo geral, o uso de computadores para auxílio à análise de imagens radioló-gicas tem-se mostrado eficiente no auxílio aos profissionais da medicina no que se referea diagnósticos médicos. Este capítulo propôs uma revisão de métodos de diagnóstico porcomputador e formas de aquisição de imagens médicas, enfatizando que a análise automa-tizada é um auxílio, e não um substituto, para o profissional, não necessitando ser perfeitae sim possuir um desempenho próximo ao do especialista. Nesse contexto, as pesquisasque estão sendo desenvolvidas indicam ser bastante promissor o uso de sistemas de diag-nóstico auxiliado por computador como uma segunda opinião no processo de diagnósticopor imagem.

79

5 PROPOSTA

O presente capítulo ilustra a proposta de um método para a visualização de infor-mações médicas com a utilização de lógica fuzzy no tratamento de incertezas de informa-ções. Este trabalho é parte integrante de um projeto maior denominado projeto M-IPE1,que possui como objetivo principal o desenvolvimento de uma arquitetura para armazenare processar informações médicas. A seguir serão abordados conceitos iniciais que visamcontextualizar a proposta e na sequência ilustram-se detalhes da ferramenta incluindo osresultados obtidos a partir de protótipos já desenvolvidos.

5.1 As Finalidades Propostas do ProjetoO conjunto dos módulos de ferramentas para especialistas da área das exatas agre-

gado dos módulos de ferramentas para profissionais da medicina permitem o compri-mento das finalidades principais do projeto sejam cumpridas, que são:

• As Demandas de Hospitais e Postos de Saúde: constituem as necessidades es-pecíficas dos agentes de saúde. Estas demandas neste momento estão focadas emaplicações voltadas para a área da Radiologia, onde as aplicações propostas e de-senvolvidas no Projeto M-IPE estão concentradas. A formalização deste item naarquitetura propõe que outras demandas poderão surgir em áreas diferenciadas epoderão facilmente serem agregadas ao projeto.

• Desenvolvimento de Modelos e Simulação de Aspectos Dinâmicos: constitui areunião de vários módulos de desenvolvimento de ferramentas computacionais paradar o suporte necessário às demandas de hospitais e postos de saúde. Os modelosem desenvolvimento são testados em um ambiente de processamento paralelo edistribuído utilizando recursos de servidor como banco de dados e agregados decomputadores.

1Medical Information Processing Environment: Os detalhes do projeto estão em anexo na seção finaldeste trabalho.

80

Sabe-se que as demandas dos hospitais e postos de saúde atualmente envolvemum escopo de tarefas específicas voltadas para a área da radiologia. Não está descartadoo suporte para futuras demandas que possam surgir. Neste contexto, dois módulos são es-pecialmente importantes para toda a aplicação que são o módulo de Criação de Técnicasde Visualização de Informações e o módulo de Parametrização de Algoritmos e Mo-delos, ambos pontos-chave para a interação de profissionais especialistas da área médicae da área de ciências exatas.

5.2 Modelos Propostos para VisualizaçãoA proposta deste trabalho está no contexto dos módulos existentes no projeto M-

IPE da camada cliente, atendendo demandas nas interfaces de criação de modelos detécnicas de visualização e de visualização e diagnóstico assistido, encontradas no móduloespecialistas. Os softwares mais comuns utilizados por equipamentos de densitometriaóssea levam em consideração as informações de padrão de densidade e idade, realizandoo 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 etabagismo que também devem ser levados em consideração pelos especialistas juntamentecom 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 calibradospara que exista uma maior precisão no exame e também não há a garantia de que examesrealizados em aparelhos diferentes possam determinar o mesmo laudo de análise.

Para tanto, buscou-se na área de visualização de informações métodos e padrõesque 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 au-xiliar em diagnósticos mais precisos;

Agregando os objetivos da proposta com as demandas do projeto, foi desenvolvidauma arquitetura de aplicações, onde existem módulos responsáveis por tarefas diferenci-adas e aplicadas. Para a visualização de informações, existem dois módulos apropriadosonde um é responsável pela criação de modelos de visualização que exploram os dife-rentes métodos visuais utilizados por profissionais da matemática, tecnologia e medicina;e, um módulo que armazena os modelos de visualização constituindo métodos aplicadosde visualização para as diferentes áreas de estudo. Existem interfaces com tarefas dis-tintas e responsáveis por determinadas funcionalidades em questão, estas interfaces estãodescritas na Figura 5.1.

81

Figura 5.1: Arquitetura de Interface de Visualizações

O desenvolvimento de modelos de visualização de informações consiste em proversubsídios de exploração de diferentes visualizações da informação, servindo como basepara a criação de novas técnicas de visualização que reúnam um ou mais modelos criadosanteriormente. O nome modelo refere-se ao fato de serem protótipos que visam explorarformas de visualizar a informação sem determinar a sua real utilização.

Já as técnicas de visualização consistem um ou vários modelos testados, para-metrizados e em seguida disponibilizados ao outros módulos da arquitetura. A Figura5.1 deixa esta intenção clara quando ilustra duas interfaces, a denominada de criação demodelos de visualização e a interface de técnicas de visualização de informação. A In-terface de Criação de Modelos e Visualizações compreende dois módulos: O Módulo deDesenvolvimento de Modelos e o Módulo de Visualizações Efetivas, explicados a seguir.

1. Desenvolvimento de Modelos: Este módulo é responsável por armazenar todosos modelos de visualização desenvolvidos para diferentes estudos de caso. Nestemomento os estudos estão direcionados aos métodos de visualização de funções eresultados da lógica fuzzy, entretanto podem compreender outros métodos de vi-sualização e técnicas ainda não exploradas pelo projeto. A Figura 5.2(a) ilustradois exemplos de modelos desenvolvidos e utilizados como objetos de estudo naproposta.

2. Técnicas de Visualizações: Ilustrada na Figura 5.2(b), Os modelos que se adap-tarem por completo às necessidades de estudos de caso específicos serão conside-rados 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 emquestão. As técnicas estão disponíveis dentro do projeto M-IPE como estudos decaso formalizados para sua utilização em finalidades como a densitometria óssea naárea da medicina.

5.2.1 Modelo Radar Fuzzy

O modelo de Visualização Radar utiliza uma representação de gráfico própria dotipo radar, conforme as Figuras 5.3, 5.4 e 5.5. Percebe-se que este tipo de gráfico podeilustrar uma quantidade arbitrária de variáveis na mesma visualização, tornando uma es-tratégia interessante neste módulo do projeto, visto que os profissionais podem modelarfunções com quantidade variável de atributos.

A modelagem de funções matemáticas proposta na interface de Parametrizaçãode algoritmos e modelos tem o intuito de atender as diversas necessidades dos profissio-nais da medicina exigindo que a ferramenta de visualização seja de forma mais genéricapossível. Para este modelo existe também uma interface de cadastro e parametrização demodelos radar possibilitando adaptar este modelo às necessidades específicas das deman-das. 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, onome do perfil, o número de parâmetros a serem visualizados, o intervalo de escala eo universo de discurso. Todas estas informações são componentes do modelo e devemser conhecidas pelo profissional para que possam ser adaptadas a cada modelo desenvol-vido. No momento da criação de um novo modelo radar pode-se pré-visualizar o modeloresultante.

5.2.2 Modelo Radial Fuzzy

Este modelo de visualização foi desenvolvido para propor uma representação dasinformações de análise da densitometria óssea de pacientes, providos por um dos mode-

84

Figura 5.5: Fuzzy View Radar - Exemplo com 7 variáveis modeladas

(a) (b)

Figura 5.6: Modelos de gráfico Radar

los computacionais também contidos no projeto M-IPE. E tem como objetivo atender ademanda de visualização dos resultados do processamento de imagens que realizam astarefas de cálculo da densidade óssea.

A interpretação das informações em uma análise de densitometria óssea é essen-cial para que se possam escolher as melhores representações visuais para a ilustração deatributos que ajudem o profissional no seu diagnóstico. Neste sentido, esta técnica devisualização 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 dosvalores de pertinência das funções fuzzy modeladas pelos especialistas.

O Modelo Radial Fuzzy apresenta uma representação de esfera multicolorida emuma natureza de domínio, utilizando as cada cor como forma de representação visual parauma 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 édividida em camadas, onde a cada camada é atribuído o nível de pertinência correspon-dente. Na Figura 5.7(b) é possível visualizar um exemplo hipotético de um resultado comdiferentes níveis de pertinência representado em escalas de cores diferentes.

A cada mudança de um nível de pertinência, a cor correspondente da escala ex-pande ou contrai-se em relação ao seu espaço de domínio no gráfico. Em caso de valoresmito pequenos ou até mesmo da inexistência daquela escala de pertinência, o gráfico dáênfase as demais classes, ou seja, apenas classes com alguma significância são observadasneste modelo de visualização.

Para a parametrização do modelo, foi desenvolvido uma interface de cadastro demodelos onde é necessário que o especialista cadastre os perfis de funcionamento domodelo. 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 au-xiliam o profissional a parametrizar o modelo de visualização. Dentre os parâmetros daferramenta, 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, oespecialista cadastrar um nome de perfil, configurando a quantidade de atributos que sedeseja representar juntamente com a representação de cor desejada para cada atributo emquestão.

Na Figura 5.8 (b) é ilustrado um cadastro de perfil de visualização onde são inse-ridos 5 parâmetros com cores diferentes, sendo possibilitado ao operador interagir com omodelo visualizando uma amostra de como ficará a visualização do modelo abaixo dosparâmetros.

Após o armazenamento do perfil, este é disponibilizado para utilização e testes, epara integração com outros modelos existentes da arquitetura M-IPE.

5.3 Estudos de CasoA proposta visa prover estudos de caso para áreas de estudo diferentes. Um estudo

aplicado foi a Visualização de Informações Médicas com aplicações na DensitometriaÓssea. Esta aplicação constitui um dos resultados obtidos com os modelos de visualizaçãoque propõem visualizações efetivas para serem testadas e validadas pelos profissionais daárea, neste caso, médica.

87

Uma das premissas da visualização de informações é prover formas de integraras 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 dedensitometria óssea convencional durante os laudos eletrônicos como o estilo de vida porexemplo, é muito importante para que diagnósticos possam ser mais eficientes. Para tanto,contemplando os objetivos da visualização de informações médicas dentro da esfera demodelos de visualização no projeto M-IPE existem duas ferramentas protótipos que con-templam a visualização de informações Fuzzy e agregam a visualização de informaçõesa área da medicina:

• Radar Fuzzy: para a representação de fatores externos que devem ser consideradosna análise de resultados da densitometria óssea para tratamentos farmacológicos;

• Densitometria Fuzzy: para a visualização de resultados de cálculo de Densi-dade Mineral Óssea (DMO) de Pacientes processados por interfaces de modelosmatemáticos-computacionais no Projeto-MIPE.

5.3.1 Visualização de Fatores de Risco utilizando o Fuzzy View Ra-dar

Este modelo foi desenvolvido com a proposta de agregar valores externos de formaefetiva em diagnósticos de exames de densitometria óssea. O modelo proposto de gráficoutilizado foi do tipo radar, onde valores agregados são comparados em várias séries dedados a partir de um eixo comum. Para tanto, podem ser utilizadas informações de pa-cientes relacionadas aos hábitos de vida normalmente obtidos via prontuário médico, porexemplo.

Para a aplicação desta Visualização foram selecionados para testes iniciais atribu-tos como sexo, altura, tabagismo, data de nascimento e peso, que podem influenciar emcasos tanto de pacientes em fase de prevenção quando em casos de tratamento da doençajá diagnosticada. As informações em sua maioria são fáceis de se obter e providas porquestionários de pesquisa submetidos a respostas do paciente, tabuladas e armazenadasna 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 adotadaspara submeter informações como peso, por exemplo, a um processo de fuzzyficação ilus-trado 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 arma-zenados na base de informações do paciente e que normalmente são coletados por ques-tionários de estilos de vida para tratamentos de doenças em geral. Os atributos utilizadosda 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 pró-prios da modelagem fuzzy envolvendo as etapas de Fuzzificação, Base de Regras e Defuz-zificação para, por fim, culminar na Visualização das informações. A modelagem fuzzye também o processamento que envolve os dados da visualização estão previstos na in-terface de desenvolvimento de algoritmos e modelos matemáticos computacionais e estesterão influência direta na forma como as informações serão visualizadas. Para que esta

89

técnica possa executar o procedimento de visualização corretamente é necessário que oprofissional cadastre o perfil radar desejado incluindo os parâmetros de cores e universode discurso desejado.

Os atributos utilizados em qualquer análise médica são considerados apenas comovalores booleanos como exemplo a situação fumante e tabagismo, que é registrado apenasse 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 serãoutilizados na visualização, que são considerados como variáveis linguísticas em sistemasfuzzy. O processo de geração das variáveis linguísticas é um procedimento que deve for-necer uma maneira sistemática para uma caracterização aproximada de fenômenos com-plexos ou mal definidos, por isso é uma tarefa que depende bastante da intervenção doespecialista da área para que ajude a definir quais serão as variáveis linguísticas e seustermos. As variáveis linguísticas previstas são detalhadas a seguir:

• Variáveis Linguísticas: As variáveis linguísticas utilizadas são: Índice de Peso, Ín-

dice de Tabagismo e Índice de sedentarismo, todas oriundas de atributos utilizadosno diagnóstico de fatores de risco externos às doenças de osteoporose e osteopenia.Com a finalidade de validar a modelagem proposta na área médica, inicialmenteos termos linguísticos adotados para todas as variáveis foram “baixo”, “médio” e“alto” representando o que hoje não é utilizado formalmente em padrões de diag-nósticos médicos, por exemplo. Normalmente quando especialistas da área médicaconstatam que dado paciente é fumante, o único registro de fato que é armazenado éum campo boleano sim/não, sem quantificar em formulário quão fumante é o paci-ente, 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. Visaquantificar o peso em relação a altura de pacientes, visto que em exames dedensitometria percebe-se que a altura e peso dos pacientes influencia direta-mente 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 opaciente. A prática de esportes é um dos fatores que reduz a probabilidadede doenças em todos os sentidos. A geração deste índice inicialmente seráalimentada com a inserção manual de um valor de pertinência de 0 a 1, e oresultado é um indicador de risco.

– Índice de Tabagismo: visa reproduzir o nível de tabagismo do paciente, vistoque a estrutura óssea é afetada pelo uso contínuo de cigarro. Este índice serve

90

para a determinação eficaz de tratamentos em caso de tratamento farmacoló-gico futuro para os pacientes. É medido de acordo com a frequência de fumoem relação a idade dos pacientes. Normalmente em casos onde a idade é ele-vada é comum que indícios altos de nicotina repercuta em um fator de riscobastante considerável em tratamentos.

Percebe-se que a modelagem das variáveis bem como os valores dos termos linguís-ticos foram determinados para méritos de testes, e poderão ser modificados poste-riormente pelo especialista. Da mesma forma é esperado que as próprias variáveislinguísticas também possam ser modeladas pelos especialistas de forma a adapta-rem o conhecimento de suas atividades diárias e agregar a real semântica na saídado sistema. O principal propósito aqui é possibilitar ao especialista a visualizaçãodas funções e visualizar os resultados de sua modelagem.

A visualização final da ferramenta consiste em posicionar em cada extremidadedo gráfico uma variável linguística referente a classificação aos fatores externosconsiderados como fatores de risco em exames de densitometria óssea. Nas Figuras5.11, 5.12 e 5.13 são demonstrados casos simulando resultados para cada índiceavaliado.

Figura 5.11: Fuzzy View Radar - Visualização do Índice de Tabagismo

Como as informações a serem representadas são oriundas de um processo de mode-lagem de variáveis linguísticas e inferência através de regras fuzzy, em um primeiromomento esta visualização tem como objetivo visualizar cada valor independentede cada termo linguístico, isto possibilita ao profissional que estiver modelandouma nova função dentro da interface de modelagem e parametrização de detectarerros 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 estilode vida) apontam em excesso e ganham destaque na visualização possibilitandoao profissional da medicina perceber que além dos resultados de exames quais sãoos fatores que contribuem para que o tratamento de doenças possa realmente serefetivo para dado paciente. As Figuras 5.11, 5.12 e 5.13 ilustram três situações paraos casos de índices de tabagismo, peso e sedentarismo. Pode-se notar que em cadacaso o gráfico aponta um atributo em destaque.

Na Figura 5.11, representa-se um caso onde a função do índice de tabagismo apontapara 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 umalerta e indica claramente o gráfico agudo para o termo médio. O uso da cor foiutilizado também indicando um sinal de alerta para este resultado, auxiliando oprofissional a tomar uma provável decisão de alertar o paciente para este estilo devida.

Na Figura 5.12, está sendo representado um caso onde a função do índice de pesoresulta 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 quedois valores tomam a atenção do gráfico, porém sendo o termo alto o destaque. Opeso é considerado um fator de risco tradicional para doença de osteoporose e deveser 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 paramédio e 0,0 para alto, apontando indícios de que este fator de risco está em níveisaceitáveis dentro de um diagnóstico. Por isso o uso da cor (verde) foi utilizada paraesta representação.

Cabe aqui lembrar que a visualização de resultados neste modelo consiste na recu-peração dos valores das funções de pertinência calculadas baseadas em resultadosoriundos dos módulos de processamento e na visualização dos valores para cadatermo linguístico criado. Desta forma, o sistema permite que o profissional possavisualizar os resultados de forma individual e tomar decisões baseadas em seu co-nhecimento 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 surgecom as demandas dos hospitais e postos de saúde contemplando os objetivos do projetoM-IPE e que se encaixa no contexto dos módulos de geração de técnicas de visualizaçãode informações.

Na Figura 5.14 é apresentado um esquema da visualização utilizada em centrosde diagnóstico clínico de densitometria óssea. Este tipo de visualização permite que osespecialistas 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 pacientede 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 oufora 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 den-sidade 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 demesma faixa etária, é possível que o exame indique o mesmo diagnóstico mesmo que ospacientes não possuam exatamente as mesmas condições clínicas.

O modelo proposto tem como finalidade indicar visualmente a condição em quea 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 umasituação de “quase risco”.

(a) (b) (c)

Figura 5.15: Visualização Densitometria Fuzzy

94

Na Figura 5.15 pode-se perceber que para cada nível de densidade é atribuída umatonalidade de cor representando o nível de pertinência de cada faixa, e as cores utilizadascorrespondem aos níveis de densidade do paciente. As informações geradas por sistemasfuzzy implicam também na classificação da densidade do paciente, ao invés de retornarapenas um valor bruto, retornará três informações referentes aos níveis de densidade paranormal, osteopenia e osteoporose.

A Figura 5.15 ilustra as situações: em (a)Percebe-se visualmente os níveis normaisda densidade óssea do paciente levando-se em consideração a predominância da cor verdena 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 idadedo 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 parauma caso que merece atenção por parte do especialista.

As funções de pertinência são interpretadas pela predominância das cores, deforma que o resultado do cálculo das funções influencia diretamente em quais cores irãoaparecer e em qual intensidade. A visualização comparativa das funções de pertinênciacom 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 cortenas funções de pertinência dos conjuntos fuzzy normal e osteopenia. Neste caso verificaque 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 funçõesde saída. O especialista pode inferir visualmente que o paciente está em situação detranquilidade na análise.

A Figura 5.17 demonstra outro caso de resultado das funções de pertinência. Comvalores de 0,4 para normal, 0,7 para osteopenia e 0,1 para osteoporose. Indicando que opaciente em questão possui indícios da doença, e o especialista poderá encaminhar estepaciente para um tratamento preventivo.

95

Figura 5.17: Visualização Radial Fuzzy - indícios visuais de osteopenia, osteoporose edados 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 visualmenteos indícios de osteoporose são bastante claros. Os resultados das funções ilustram valoresde 0 para normal, 0,3 para osteopenia e 0,6 para osteoporose. Indicando que os resultadosda 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 prevêque quando duas informações nos níveis de densidade forem cruzadas (característico dasfunções de pertinência) as cores poderão ser cruzadas quando ocorrerem situações onde,por exemplo, os níveis resultantes de osteoporose e osteopenia adotarem resultados como0,8 e 0,5, respectivamente, caracterizando um caso favorável a este cruzamento.

Com esta técnica de visualização, pretende-se indicar ocorrências não muito co-muns em exames tradicionais onde o paciente está dentro da faixa DMO consideradanormal de acordo com a visualização e ao mesmo tempo com pequenos ou grandes in-dícios de osteopenia. Além disso, as indicações podem levar o profissional a indicar opaciente 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 doençasocultas no momento da análise.

5.3.3 Considerações Finais

O presente capítulo abordou as principais características do projeto M-IPE desta-cando os módulos que o compõem em nível de arquitetura e detalhando características daarquitetura cliente. Dois módulos foram os destaques deste capítulo por serem inerentes aesta dissertação de mestrado, o de desenvolvimento de Modelos de Visualização de Infor-mações e também o Módulo de Desenvolvimento de Técnicas de Visualização baseadasem um ou mais modelos.

Vale ressaltar que toda a arquitetura dos modelos de visualização e das técnicasaqui apresentadas são frutos de demandas recentes e que foram modeladas pensando emabranger também situações futuras, onde os parâmetros e configurações das aplicaçõespoderão diferir. As técnicas de visualização propostas visam contribuir com o diagnósticoclínico na área de densitometria óssea constituindo um assistente para o especialista. Deforma alguma os métodos aqui sugeridos pretendem substituir o especialista ou até mesmoautomatizar todos os processos do diagnóstico. Uma vez que o sistema e a modelagemdas funções são totalmente dependentes do profissional.

Os sistemas fuzzy propostos foram elaborados de forma a atender a necessidadesespecíficas e também para que fosse possível reunir as técnicas de modelagem de infor-mações fuzzy com a visualização de informações, visto que este conteúdo é escasso naliteratura presente.

97

6 CONCLUSÃO

A quantidade e a diversidade de informações geradas e disponibilizadas por di-ferentes áreas de conhecimento têm crescido substancialmente nos últimos anos. Comoconsequência, diferentes formas de representação, manipulação e interação com estas in-formações necessitam ser desenvolvidas para que os usuários possam analisar, descreverou tirar novas conclusões a partir de diferentes pontos de vista.

Na medicina, vários desenvolvimentos tecnológicos estão convergindo de forma aaumentar a influência da área de imagens nas pesquisas biomédicas e na medicina clínica.Cada vez mais é comum o desenvolvimento de sistemas computadorizados para detecçãode anormalidades em imagens radiológicas e dedicados ao diagnóstico auxiliado por com-putador. Neste sentido foram abordados métodos de diagnóstico por computador e formasde 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 umdesempenho próximo ao do especialista. Nesse contexto, as pesquisas que estão sendodesenvolvidas indicam ser bastante promissor o uso de sistemas de diagnóstico auxiliadopor computador como uma segunda opinião no processo de diagnóstico por imagem.

Esta trabalho aborda um método de Visualização de Informações Fuzzy obtidosde um processamento anterior. Para isso, exemplos de técnicas de visualização e formasde representação das informações presentes na literatura foram comentados e ilustrados.Também foram demonstradas formas de classificar técnicas de visualização como efeti-vas, devido a quantidade de opções para a manipulação das informações e interações quefornecem ao usuário dentro de um mesmo contexto. Um panorama bastante abrangentesobre a forma adotada por diversos autores para o desenvolvimento de novas técnicas devisualização foi uma das preocupações deste trabalho.

A busca por sistemas que possam interagir de forma eficiente com os usuários eque propiciem uma real representação de opiniões humanas sobre diversos aspectos me-recem atenção da comunidade científica por possibilitarem benefícios reais em diversasáreas de pesquisa, como as situações demonstradas neste trabalho. Da mesma forma, es-tudos 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 ainexatidão e incerteza. E a lógica fuzzy foi utilizada neste trabalho não apenas como ummétodo de solução para a incerteza, mas também como a fundamentação para a criaçãode sistemas fuzzy, ou seja, sistemas onde se pode imaginar o uso do computador comoum sistema inteligente capaz de decidir em situações diversas onde é necessário uma basede conhecimento sobre determinada tarefa ou aplicação. Os exemplos apresentados dasformas de representação visual da incerteza e dos sistemas baseados na modelagem deincerteza fundamentam o trabalho desenvolvido nesta dissertação.

Dentre as dificuldades ou limitações que foram encontradas no desenvolvimentodeste trabalho, cabe ressaltar a necessidade da interação de profissionais reais da área mé-dica (especialistas na análise e domínio dos dados) que pudessem validar as propostas.Certas formas de visualizar as informações podem ser representadas interessantementedo ponto de vista de profissionais da tecnologia pela vasta gama de informações a se-rem representadas, porém, para profissionais que necessitem lidar com estas informaçõesdiariamente isto poderia tornar-se incômodo em demasia ou até mesmo prejudicando odiagnóstico final em certos casos clínicos.

A integração de resultados da plataforma de processamento com a plataforma dedesenvolvimento de modelos de visualização é uma das tarefas que também tornou-secomplexa, 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 sendocontornado com a intensa avaliação dos dados de entrada para processamento e das pos-síveis respostas obtidas como resultado de processamento e avaliação.

Considerando a complexidade relativa ao desenvolvimento de técnicas de visu-alização que visam trabalhar com informações incertas, os dados de processamento si-mulados e também o teste com modelos de visualização de informações, a integração deformas de representação com funções de pertinência fuzzy permitiram que a ferramentaexplorasse uma forma de visualização abordando aspectos relativos a real exatidão deanálises tradicionais. O que se pode perceber claramente é que pacientes que realizamexames de densitometria óssea, por exemplo, são considerados saudáveis ou em estadocrítico dependendo inteiramente de uma avaliação médica.

O meio termo pôde ser visualizado através da visualização Radial Fuzzy demons-trado na seção 5.3.2 do capítulo 5 abrindo uma variedade de possibilidades no que serefere as formas que a tecnologia pode auxiliar os profissionais a definirem diagnósticoscada vez mais precisos, ou até mesmo a definição de formas de prevenção contra possíveisalertas clínicos.

Com certeza, o conteúdo referente a lógica fuzzy demonstrado neste trabalhoabrange apenas alguns dos aspectos possíveis de se explorar. A teoria demonstrada sobrelógica 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 aindanebuloso na comunidade científica da área de visualização de informações.

O desenvolvimento de modelos de visualização que pudessem contemplar carac-terísticas da lógica fuzzy e que respeitassem a visualização de incertezas demandaram umtempo considerável no andamento do trabalho. Com a definição dos primeiros métodosde visualização que constituíram finalidades específicas como a visualização de atributosexternos e da real qualidade das taxas de osteoporose nos pacientes, fica a necessidade deuma representação que agrupe todas as técnicas existentes e também novas técnicas quevenham a ser desenvolvidas.

Estudos referentes às características da lógica fuzzy juntamente com o processa-mento 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 integrarem 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 técnicasde visualização de informações desenvolvidas e adaptadas para cada perfil de usuário quefor criado no ambiente do sistema. Cabe aqui lembrar que serão vários usuários operandoo sistema ao mesmo tempo, pensando nisto esta interface pode deixar a cargo do usuáriodefinir o que irá ou não querer visualizar em seu ambiente de trabalho.

100

As técnicas de visualização de informações fuzzy demonstradas consistem emembriões de um projeto maior denominado M-IPE, onde define um marco inicial no de-senvolvimento de sistemas que cada vez mais possam adaptar-se às necessidades dos sereshumanos. A visualização de informações para a densitometria óssea demonstrada nestetrabalho propõe uma nova forma de interpretação das informações, baseado na visão, noprocesso cognitivo, e não mais apenas no conhecimento rígido suscetível a falhas. Co-mentado anteriormente, o desenvolvimento de ferramentas para o diagnóstico por compu-tador não pretende substituir o profissional da medicina, mas sim cada vez mais tornar odiagnóstico preciso e eficiente em situações onde possa surgir a dúvida natural dos sereshumanos. Uma vez que o sistema e a modelagem das funções são totalmente dependentesdo profissional.

Por fim, cabe aqui salientar sobre o sistema de visualização fuzzy proposto, poisfoi elaborado de forma a atender a necessidades específicas e também para que fossepossível reunir as técnicas de modelagem de informações fuzzy com a visualização de in-formações, visto que este conteúdo é escasso na literatura presente. Com isso, se poderáalmejar que os objetivos relacionados a esta proposta possam ser cumpridos, como a redu-ção de custos em diagnósitos clínicos. Espera-se que cada vez mais a computação possacontribuir com diferentes áreas de conhecimento no sentido de culminar estes benefíciosda mesma forma das demonstradas neste trabalho, o ser humano.

101

REFERÊNCIAS

AGUIAR, M. S. Um modelo categorizador Intervalar n-Dimensional com I-CamadasBaseado em Tesselações. 2004. Tese de Doutorado — PPGC - Universidade Federal doRio Grande do Sul, RS.

ANDREWS, K.; HEIDEGGER, H. Information Slices: Visualising and Exploring LargeHierarchies using Cascading, Semi-Circular Discs. IEEE Symposium on InformationVisualization, Carolina, USA.

AZEVEDO-MARQUES, P. M. Mini-PACS - picture archiving and communication sys-tem) 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 tridimen-sional da dinâmica de risers. 2004. Dissertação de Mestrado — .

BERTHOLD, M. R.; HALL, L. O. Visualizing fuzzy points in parallel coordinates. IEEE-FS, [S.l.], v.11, p.369–374, June 2003.

BEVILACQUA, J. S. e. a. Modelagem em Biomatemática. XXVI CNMAC - São Josédo Rio Preto, [S.l.], 2003.

BRANDãO, C. Densitometria Óssea. [S.l.]: Instituto Fleury, 2007. Página Web: diponí-vel por www em http://www.fleury.com.br. (1).

BUTTENFIELD, B. P. Representing Data Quality. Cartographica: The InternationalJournal 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 Hipotireoi-dismo 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 Visualiza-ção de Imagens Médicas em Hospital Universitário. , [S.l.], 2003.

CARMO, M. B. D. P. Visualização de Informação - Modelo Integrado para o Trata-mento 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 Universi-tet.

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 corpohumano. 2008. Dissertação de Mestrado — Escola de Engenharia - Universidade do Mi-nho, 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 supportsystem 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 communicationssystems. Radiology Clinics of North America, [S.l.], v.34, p.495–503, 1996.

ERNST R., e. a. A Picture Archiving and Communications Systems Featuring MultipleMonitors 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 Visuali-zation, 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 eautomação, [S.l.], v.3, p.97–115, 1994.

HABER, R. B.; MCNABB, D. A. Visualization idioms: A conceptual model for scientificvisualization 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 Visualizaçãode Informações Temporais para Banco de Dados estruturados no formato Mes-tre/Detalhe. 2008. Dissertação de Mestrado — ESIN/UCPEL, Pelotas/RS.

INSELBERG, A. Paralel Coordinates: A tool for Visualizing multi-Dimensional Geo-metry. 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 techniquefor exploring an annotated image collection. In: IN ROBERT MEERSMAN AND ZAHIRTARI, EDITORS, OTM WORKSHOPS, 2003. Anais. . . Springer, 2003. p.185–196.

JANECEK, P.; SCHICKEL, V.; PU, P. Concept Expansion Using Semantic FisheyeViews, volume LNCS 3815.

JOHNSON, B.; SHNEIDERMAN, B. Tree maps: A Space-Filling Approach to the Vi-sualization 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 Visualiza-tion 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 Un-certainty. 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 Informa-ções 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 WeKnow 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 informa-tion. 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: Detailand Context Smoothly Integrated. In: ACM CHI’91 CONFERENCE ON HUMAN FAC-TORS IN COMPUTING SYSTEMS AND GRAPHICS INTERFACE, ACM SIGCHI,1991. Proceedings. . . ACM-Press, 1991.

MANSSOUR, I. H. Visualização Colaborativa de Dados Científicos com Ênfase naÁrea Médica. [S.l.]: Universidade Federal do Rio Grande do Sul, 1998. Exame de Qua-lificação. (EQ-23).

MCMANUS IC., K. A. P. E. Stress, burnout and doctors’ attitudes to work are determi-ned by personality and learning style: A twelve year longitudinal study of UK medicalgraduates. 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 - UmaAbordagem Prática. XXV Congresso da Sociedade Brasileira da Computação - Jor-nada de Atualização em Informática, São Leopoldo, RS, p.1262–1312, 2005.

NETO, E. S. H. Teoria e Experimentação com Métodos Incrementais Relaxados emTomografia por Emissão. 2005. Dissertação de Mestrado — Universidade Estadual deCampinas.

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 CommonGateway 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 mi-ning: 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 visua-lization. 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 inter-national conference on Computer, [S.l.], v.1, 2003.

PISA, I. T. MIDster - Uma arquitetura de compartilhamento de imagens médicasbaseada 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 Medicinae Biologia - Ribeirão Preto SP.

RADIOLOGYINFO. Bone Density Scan.

SANDRI S., e. a. Lógica Nebulosa. V Escola de Redes Neurais: Conselho Nacional deRedes 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: MultiDimensional In-depth Long-term Case Studies. Information Visualization, IEEE Sym-posium on, [S.l.], v.0, 2006.

106

SILVA, F. C. Processamento de Imagens Baseado em Algoritmos Genéticos FuzzyIntervalares. 2009. Dissertação de Mestrado — , PPGINF: Programa de Pós Graduaçãoem Informática: Universidade Católica de Pelotas.

SILVA, J. Análise de Estabilidade de Sistemas Dinâmicos P-Fuzzy com Aplicaçõesem 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 Informa-ções 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 Visualiza-tion. 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, pro-cessar e visualizar informações oriundas de imagens médicas em grandes centros clínicose ambientes hospitalares com métodos alternativos aos existentes no campo da radiologiamédica. Um dos pilares da proposta tem como foco a disponibilização de serviços de di-agnóstico e prognóstico médico com baixo custo operacional e restultados significativosem relação aos existentes, através do desenvolvimento de um ambiente computacionalpara o processamento de informações de imagens médicas baseado em algoritmos evolu-tivos. Os objetivos principais da proposta pode ser visualizado a seguir:

• Desenvolvimento de um método alternativo para o diagnóstico de doenças relacio-nadas a osteoporose e osteopenia baseado em imagens de raio-x de pacientes.

• Desenvolvimento de uma plataforma adequada para a submissão e análise das ima-gens de raio-x de forma transparente a usuários de computador.

• Desenvolvimento de um sistema para a segmentação e classificação de imagens paraa seleção de atributos importantes das imagens, como o osso e a sua densidade, sevalendo de computação paralela e técnicas de algoritmos genéticos para a realizaçãodas análises.

• Desenvolvimento de um sistema para o controle das imagens submetidas, para asimagens em análise, para as imagens que foram analisadas, bem como o controle eexibição de laudos eletrônicos ao especialista.

• Desenvolvimento de gráficos representativos das análises, visualizando os atributosdas análises e gerando relatórios úteis ao especialista para a definição de diagnós-ticos precisos e ágeis comparados aos procedimentos de análises atuais de centrosclínicos.

O projeto é continuação e ampliação da pesquisa iniciada pelo coordenador desteProjeto, prof. Dr. Marilton Sanchotene de Aguiar na tese de doutoramento em Ciência

108

da Computação, no PPGC/UFRGS, intitulada “Um Modelo Categorizador Intervalar n-Dimensional com l-Camadas Baseado em Tesselações” (AGUIAR, 2004).

Em projetos anteriores, desenvolvidos e coordenados pelo proponente deste pro-jeto sentiu-se a necessidade de integrar modelos de simulação de aspectos ambientais di-nâmicos baseados em algoritmos evolutivos com outras áreas da computação, tais como:computação pervasiva, computação de alto desempenho, algoritmos de segmentação deimagens e sistemas gerenciadores de banco de dados. Naquele momento, a união do mo-delo categorizador baseado em autômatos celulares com o processamento de alto desem-penho e sua aplicação na determinação de áreas para conservação ambiental fundamen-taram a proposta da criação do ambiente de processamento de informações geográficaschamado G-IPE (do inglês, Geographic Information Processing Environment).

Entretanto, observou-se que estes mesmos modelos poderiam ser aplicados emoutros problemas em áreas distintas à Ecologia, como por exemplo na Medicina. Nestesentido, o ambiente G-IPE corresponderia ao ambiente de modelagem, simulação e repo-sitório 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 Pro-

cessing Environment) e auxiliaria no diagnóstico ou na modelagem de padrões de com-portamento de doenças, por exemplo, calculando a extensão de tumores/necroses/lesões eprevendo estágios futuros destes aspectos.

Para isso, este projeto pretende propor a formalização e a sedimentação de umambiente para o processamento de informações médicas (segmentação e classificação),baseado em algoritmos evolutivos, integrando-se a um repositório de informações e apre-sentando 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 compu-tação numérica. Buscou-se a participação do Hospital Universitário São Francisco dePaula(HUSFP) como laboratório para os experimentos destas idéias e encontrou-se juntoà Direção Técnica do HUSFP, especialmente no Dr. Ernesto Nunes, a disponibilização ea colaboração para a proposta e o desenvolvimento deste Projeto.

A.1 Arquitetura Geral

Desenvolver sistemas capazes de manipular, visualizar, organizar e processar in-formações atendendo à todas as necessidades de uma só vez é bastante complicado emsistemas que abrangem diversas tarefas e pessoas interagindo com as informações. Oprojeto M-IPE foi elaborado para que sua organização cresça juntamente com as suas de-mandas, 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 desen-volvimento de novas aplicações. A estrutura completa da arquitetura do projeto M-IPE eseus módulos são ilustrados na Figura A.1.

110

Figu

raA

.1:A

rqui

tetu

raC

lient

e-Se

rvid

ordo

Proj

eto

M-I

PE

111

É importante salientar que os níveis de camadas poderão interagir entre si, ilus-trando o caso de especialistas utilizarem o seu conhecimento e suas necessidades atuaispara que os profissionais das ciências exatas possam desenvolver ferramentas efetivas erealmente atendendo a demandas internas e externas de hospitais e postos de saúde, porexemplo.

O Projeto foi constituído com a formalização de níveis de arquitetura e móduloscom funcionalidades distintas. Os níveis de arquitetura foram projetados em camadascliente e servidor (Figura A.2) contendo funcionalidades específicas para cada nível decamada. Na camada cliente são basicamente reunidas ferramentas que dão suporte paraque possam ser contempladas as tarefas de Desenvolvimento de Modelos e Simulação deAspectos Dinâmicos, que são a base de ferramentas existentes em toda a arquitetura doprojeto M-IPE, e o conjunto de ferramentas específicas testadas e validadas pelos profis-sionais da área médica para que possam atender as Demandas de Hospitais e Postos deSaúde.

Figura A.2: Níveis de Arquitetura de Funcionalidades dos Módulos do Projeto M-IPE

Camada Cliente: responsável por armazenar todos os módulos funcionais decontato com os profissionais da área da medicina e usuários do sistema. A camada foiprojetada para disponibilizar funcionalidades para o desenvolvimento de novos módulose para isso existe uma subdivisão de camadas para desenvolvedores e para usuários dosistema, contemplando as aplicações para os níveis de usuários Especialistas da área

112

da saúde e ferramentas específicas; e Especialistas da Área das exatas e ferramen-tas específicas. Nos dois níveis existem módulos que darão o suporte com ferramentasespecíficas para a manipulação das informações, ilustrados nas Figuras A.3 e A.4.

Camada Servidor: será responsável por manter o funcionamento das aplicaçõesque dão o suporte básico em nível de hardware e software. Esta camada contempla doisgrupos: o de Gerência de Simulações e Aplicações de Alto Desempenho e o grupode Armazenamento de Informações e Processamento de Alto Desempenho (SILVA,2009). Nesta camada existem ainda as tecnologias responsáveis pelo suporte, tanto parahardware como software, divididas em Middleware, FrameWork iPAR, Gerente de Apli-cações e Banco de Dados, a nível de software e Cluster/Grid.

A.2 Módulos da Camada ClienteOs 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 asurgir. Para tanto existem dois níveis de funcionalidades que interagem entre si e que serãoutilizados para a geração de ferramentas com um alto nível de expansibilidade, adaptadasa cada conjunto de demandas específicas, divididas em funcionadidades de Especialistasda Área das Exatas e Especialistas da Área Médica. Sabe-se que profissionais projetistasde software não possuem condições nem conhecimento de situações típicas da área mé-dica, por exemplo, por isso a condição de interação entre os dois níveis é importante tantopara 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 mode-los matemáticos-computacionais que irão prover a estrutura para o desenvolvimento deferramentas que atendam as necessidades do projeto.

Os especialistas da área médica são importantes também neste nível para a con-tribuição de tarefas que podem ser agregadas aos modelos ainda em fase de elaboração.Neste escopo encaixam-se atualmente modelos de visualização de informações e tam-bém algoritmos de processamento de imagens. Para isso foram projetados os seguintesmódulos:

• Interface Administrativa: Responsável por oferecer onde serão desenvolvidas fer-ramentas de suporte para a interação com todos os módulos de desenvolvimento demodelos e testes. Permitindo a criação de ferramentas específicas para testes e/ouplanejamento/ 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 submissãode tarefas consiste no envio de requisições de processamentos de alto desempenhopara serem processados em clusters ou grades computacionais disponíveis, após oprocessamento destas serão retornadas até sua origem e os resultados poderão servalidados ou não.

• Interface para a criação de Técnicas de Visualização: onde serão reunidas téc-nicas de visualização de informações que permitam a melhor exploração de dadosde pacientes, permitindo a inclusão e criação de novas técnicas com a agregação derecursos como lógica fuzzy, explicada com detalhes mais adiante neste trabalho) edemais técnicas que possam vir a surgir nas demandas do projeto.

• Interface de Parametrização de Algoritmos e Modelos: onde serão desenvolvi-dos os algoritmos necessários ao projeto e utilizados pela aplicação de processa-mento de imagens e demais tarefas. Todos os algoritmos poderão ser parametriza-dos 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 es-pecíficas dos agentes de saúde. Estas demandas atualmente estão focadas em aplicaçõesvoltadas para a área da Radiologia, onde a grande totalidade das aplicações propostas edesenvolvidas no Projeto M-IPE estão voltadas. A formalização deste item na arquiteturapropõe que outras futuras demandas poderão surgir em áreas específicas diferenciadas eque também farão parte do escopo geral do projeto.

Ilustradas na Figura A.4, estas funcionalidades são direcionadas para o uso e apro-vação dos profissionais da área médica. Estes farão uso das ferramentas disponibilizadasem 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 ÁreaMédica

• Interface de Cadastro e Informações do Paciente: onde serão disponibilizadastelas de cadastro para o armazenamento das informações pessoais dos pacientes etambém de informações relacionadas que serão úteis em diagnósticos como hábitosalimentares, sedentarismo, tabagismo, etc., que serão importantes para serem re-presentados na visualização das informações do paciente para a geração de laudoseletrônicos.

• Interface de Submissão de Tarefas: Este módulo será utilizado para as principaisatividades realizadas pelos profissionais, visto que aqui serão disponibilizadas asferramentas que foram testadas e tornadas públicas no ambiente. Atualmente estasferramentas possuem enfoque ao processamento de imagens de raio-x na avaliaçãode DMO (Densidade Mineral Óssea) de pacientes.

• Interface de Visualização e Diagnóstico Assistido: em complemento à interfacede desenvolvimento de modelos de visualização dos profissionais das ciências exa-tas, neste módulo serão disponibilizados os modelos de visualização de informaçãoconsiderados efetivos, ou seja, os modelos que mais se adaptarem às demandasdos profissionais e também representarem de forma mais adequada as informaçõesmédicas auxiliando em prognósticos médicos estarão disponíveis para uso dos pro-fissionais da medicina e radiologia médica, especialmente.

• Interface Administrativa: para todas as ferramentas disponibilizadas, cabe lem-brar que não serão todos os profissionais que possuirão acesso a todos os módulosou até mesmo acesso aos módulos existentes com as mesmas propriedades dispo-níveis. Além disso, a arquitetura do projeto M-IPE prevê a possível configuraçãoe/ou parametrização dos algoritmos por parte dos profissionais que estiverem ap-tos a realizá-lo. A interface administrativa será responsável então por organizar

115

um conjunto de políticas que possam definir estes acessos bem como configuraçõesindependentes dos módulos da aplicação.