Universidade Federal Fluminense
Instituto de Computa¸
c˜
ao
Departamento de Ciˆ
encia da Computa¸
c˜
ao
Daniel Derlando Monteiro de Souza
DETEC ¸
C ˜
AO E AVALIA ¸
C ˜
AO DA SABURRA
LINGUAL ATRAV´
ES DE PROCESSAMENTO DE
IMAGENS ULTRAVIOLETA
Niter´
oi-RJ
2017
ii
DANIEL DERLANDO MONTEIRO DE SOUZA
DETEC ¸C ˜AO E AVALIA ¸C ˜AO DA SABURRA LINGUAL ATRAV ´ES DE PROCESSAMENTO DE IMAGENS ULTRAVIOLETA
Trabalho submetido ao Curso de
Bachare-lado em Ciˆencia da Computa¸c˜ao da Universi-dade Federal Fluminense como requisito
par-cial para a obten¸c˜ao do t´ıtulo de Bacharel em Ciˆencia da Computa¸c˜ao.
Orientador: Prof. Leandro Augusto Frata Fernandes
Niter´oi-RJ
Ficha Catalográfica elaborada pela Biblioteca da Escola de Engenharia e Instituto de Computação da UFF
S729 Souza, Daniel Derlando Monteiro de
Detecção e avaliação da saburra lingual através de processamento de imagens ultravioleta / Daniel Derlando Monteiro de Souza. – Niterói, RJ : [s.n.], 2017.
50 f.
Trabalho (Conclusão de Curso) – Departamento de Computação, Universidade Federal Fluminense, 2017.
Orientador: Leandro Augusto Frata Fernandes.
1. Processamento de imagem. 2. Saburra lingual. 3. Higiene bucal. 4. Fotografia ultravioleta. I. Título.
CDD 006.42
v
lll
DANIEL DERLANDO MONTEIRO DE SOUZA
DETECÇÃO E AVALIAÇÃO DA SABURRA LINGUAL ATRAVÉS DE PROCESSAMENTO DE IMAGENS ULTRAVIOLETA
Aprovado por:
f
~
l*
Trabalho submetido ao Curso de Bachare-lado em Ciência da Computação da Universi-dade Federal Fluminense como requisito
par-cial para a obtenção do título de Bacharel em Ciência da Computação.
Prof. LEANDRO AUGUSTO FRATA FERNANDES, D.Se. - Orientador
UFF
e- .
EIRA LAGE FERREIRA, D.Se.
UFF
Prof. ANSELMO ANTUNES MONTENEGRO, D.Se.
UFF
it:;
RA
~!:
E
L
~
R
~
RO
;:
A
D
±
ES
,
D
.
Se
.
UFF
Niterói-RJ
v
Dedico este trabalho a todos os amigos e
fa-miliares que estiveram ao meu lado durante essa jornada.
vi
Agradecimentos
Aos meus pais Derlando e Suzana e minha irm˜a Dayana que fizeram de tudo e
n˜ao mediram esfor¸cos para eu chegasse at´e aqui. Agrade¸co a eles tamb´em, por serem volunt´arios para a captura das imagens utilizadas nesse trabalho.
A toda minha fam´ılia, inclusive aqueles que j´a n˜ao est˜ao mais entre n´os, que tor-ceram por mim e me ajudaram durante toda minha vida.
Ao meus grandes amigos Erick Vinicius, Leonardo Perazzine, Luiz Renato e Ralf Schroeder que sempre me apoiaram durante essa trajet´oria na UFF.
Aos meus primos Bruno e Fernanda por me incentivarem e ajudarem a seguir essa carreira. A Eduardo Vera, por ter me ajudado a revisar esta monografia.
Ao professor orientador Leandro Fernandes, pela paciˆencia, dedica¸c˜ao, orienta¸c˜ao e motiva¸c˜ao durante todas as etapas, que tornaram poss´ıvel a conclus˜ao deste projeto e
monografia.
A todos que de alguma forma contribu´ıram para o meu desenvolvimento, serei
vii
Resumo
Este projeto prop˜oe um m´etodo para detectar e avaliar a saburra lingual. A
sa-burra lingual ´e uma placa bacteriana esbranqui¸cada, ou at´e mesmo amarelada, que emite fluorescˆencia e se forma em toda l´ıngua, por´em sua presen¸ca ´e comumente detectada no
ter¸co posterior da l´ıngua. Neste trabalho, foram adotadas imagens ultravioletas que, uma vez processadas, permitem a detec¸c˜ao e avalia¸c˜ao da saburra lingual. A captura das
imagens ocorre atrav´es de um registro fotogr´afico utilizando apenas luz no espectro ultra-violeta, assim conseguimos visualizar os objetos que emitem fluorescˆencia. Atrav´es das
imagens conseguimos avaliar a intensidade da fluorescˆencia e medir ent˜ao a intensidade da saburra lingual. Tal m´etodo foi desenvolvido em quatro etapas: a escolha de um filtro
artesanal para simular a emiss˜ao de luz ultravioleta utilizando o flash de um dispositivo m´ovel (Smartphone); cria¸c˜ao de um aplicativo para a captura das imagens, chamado
Ton-gueStone; segmenta¸c˜ao da regi˜ao da l´ıngua na imagem ultravioleta; treinamento de um modelo para classifica¸c˜ao da saburra lingual.
Palavras-chave: Processamento de Imagens, TongueStone, Saburra Lingual, Foto Ultra-violeta
Sum´
ario
Resumo vii
Lista de Figuras x
1 Introdu¸c˜ao 1
1.1 Vis˜ao Geral da T´ecnica . . . 2
1.2 Contribui¸c˜oes . . . 3
2 Fundamenta¸c˜ao Te´orica 4
2.1 M´etodo de avalia¸c˜ao da saburra . . . 4
3 Trabalhos Relacionados 7
4 Abordagem Proposta 9
4.1 Montagem do Filtro Ultravioleta . . . 9
4.2 Segmenta¸c˜ao . . . 11 4.3 Classifica¸c˜ao da Saburra . . . 20
5 O Aplicativo TongueStone 25
5.1 Origem . . . 26 5.2 Tecnologia . . . 26
6 Resultados e Discuss˜oes 29
6.1 Segmenta¸c˜ao . . . 29 6.2 Classifica¸c˜ao . . . 31
7 Conclus˜oes 35
7.1 Limita¸c˜oes . . . 35
ix
7.2 Trabalhos Futuros . . . 36
x
Lista de Figuras
1.1 Metodologia proposta. . . 2
2.1 Formul´ario TCR e express˜ao TCI . . . 5
4.1 Materiais para a constru¸c˜ao do filtro. . . 10
4.2 Pipeline da segmenta¸c˜ao. . . 12
4.3 Imagem de entrada do processo de segmenta¸c˜ao. . . 13
4.4 Primeira parte da segmenta¸c˜ao. . . 14
4.5 Segunda parte da segmenta¸c˜ao. . . 15
4.6 M´etodo para a limpeza lateral da regi˜ao da l´ıngua. . . 16
4.7 Terceira parte da segmenta¸c˜ao. . . 17
4.8 Quarta parte da segmenta¸c˜ao. . . 18
4.9 Ultima parte da segmenta¸c˜ao. . . 19
4.10 Atributos experimentados para a utiliza¸c˜ao do MAP. . . 23
5.1 Aplicativo Tongue Stone. . . 25
6.1 Resultados da segmenta¸c˜ao sem respeitar o layout do aplicativo. . . 30
6.2 Resultados da segmenta¸c˜ao respeitando o layout do aplicativo. . . 31
6.3 Modelo dos 6 classificadores. . . 32
Cap´ıtulo 1
Introdu¸
c˜
ao
Atualmente, o uso dos dispositivos m´oveis no mundo vem se popularizando ao
ponto de ser comum termos acesso a um minicomputador em nossos bolsos. Ao mesmo tempo, o avan¸co tecnol´ogico na ´area de smartphones e dispositivos com cˆameras digitais
nos d´a acessibilidade de ter uma cˆamera de boa qualidade embutida nesses dispositivos. Diante disso, diversas solu¸c˜oes para problemas atuais s˜ao propostas fazendo o uso deste
tipo de artefato.
Nesta monografia propomos uma solu¸c˜ao para a segmenta¸c˜ao da saburra lingual,
explicada no Cap´ıtulo 2, e sua quantifica¸c˜ao. A existˆencia da saburra ´e um dos principais fatores que contribuem para o indiv´ıduo ter a halitose, tamb´em conhecida como mau
h´alito. A odontologia atualmente adota m´etodos de an´alises visuais, pela praticidade da avalia¸c˜ao. Por´em tais m´etodos n˜ao s˜ao quantitativos, eles se apoiam em parˆametros
visuais de um modo que a avalia¸c˜ao pode mudar de avaliador para avaliador. ´
E fundamental ressaltar que, dentre as bact´erias presentes na saburra, est˜ao bact´
e-rias que podem causar doen¸cas sistˆemicas, como a pneumonia e a gastrite, a endocardite bacteriana e a doen¸ca periodontal, que tamb´em pode originar outras doen¸cas. Logo, ´e
de vital importˆancia controlar o n´ıvel de saburra lingual em lugares como hospitais, pois como visto anteriormente, ela pode se torna um reposit´orio de bact´erias capazes de
trans-mitir diversas doen¸cas. Para prevenir isso, uma avalia¸c˜ao da saburra lingual atrav´es de um dispositivo m´ovel, pode indicar quais indiv´ıduos devem ter uma maior aten¸c˜ao na
2
(a) Filtro (b) Imagem segmen-tada
1 1 1 2 2 0 0 0 1
Tongue Coating Record (TCR):
x 100 = 18
Tongue Coating Index (TCI): NOME:
DATA:
8
44.44
(c) Formul´ario Preenchido
Figura 1.1: Metodologia proposta. A imagem (a) ´e o filtro sobre o flash do smartphone.
A imagem (b) ´e o resultado da segmenta¸c˜ao de uma imagem capturada pelo aplicativo e (c) ´e o formul´ario preenchido pelo avaliador para o caso da imagem segmentada.
1.1
Vis˜
ao Geral da T´
ecnica
O m´etodo pode ser decomposto em quatro partes. Foi utilizado um filtro ultra-violeta (UV) artesanal, Figura 1.1(a) com o intuito de simular a emiss˜ao de luz negra,
tamb´em conhecida como luz ultravioleta. Este filtro ´e colocado em frente aos LEDs bran-cos do flash do dispositivo m´ovel. Foi desenvolvido um aplicativo Android para a captura
das imagens com o objetivo de ter um ambiente controlado e se adequar `as necessidades de que a captura seria feita em um local de baixa ou sem ilumina¸c˜ao, exceto pelo flash do
dispositivo modificado pela utiliza¸c˜ao do filtro UV artesanal.
A segmenta¸c˜ao autom´atica da imagem capturada teve o intuito de separar a regi˜ao
da l´ıngua dos elementos (E.G., interior da boca e rosto), demonstrado na Figura 1.1(b). Para isso, foi elaborado um programa que recebe a imagem capturada pelo aplicativo
desenvolvido e retorna a imagem segmentada. Caso a imagem seja analisada para o trei-namento do classificador, como na Figura 1.1(c), o programa tamb´em calcula as m´etricas
necess´arias para a classifica¸c˜ao e as retorna em um arquivo como amostras para treina-mento. Nesta aplica¸c˜ao foi definido um pipeline atrav´es de m´etodos de processamento de
imagem j´a conhecidos.
A classifica¸c˜ao ´e realizada sobre as imagens do aplicativo. Utilizamos Maximum
a Posteriori Estimation (MAP) [1] para estimar o n´ıvel de saburra definido pelo Tongue Coating Index (TCI), descrito na Se¸c˜ao 2.1. Para tal, utilizamos a Fun¸c˜ao de Densidade
3
de Probabilidade (PDF) da Distribui¸c˜ao Normal Multivariada, modelada a partir das
amostras para treinamento, conforme ser´a visto na Se¸c˜ao 4.3.
1.2
Contribui¸
c˜
oes
A presente monografia prop˜oe um novo modelo de segmenta¸c˜ao e quantifica¸c˜ao da
saburra lingual atrav´es de imagens digitais. Foi adotado um filtro ultravioleta como au-xiliador desse processo. Esta monografia cobre totalmente a abordagem, desde a captura
da imagem atrav´es do aplicativo desenvolvido, at´e quantifica¸c˜ao da saburra baseada no TCI. As principais contribui¸c˜oes desta monografia s˜ao: (i) um algoritmo para segmentar a
regi˜ao da l´ıngua na imagem ultravioleta (Se¸c˜ao 4.2); (ii) um classificador para determinar a quantidade de saburra dado uma regi˜ao da imagem (Se¸c˜ao 4.3); e (iii) um aplicativo de
Cap´ıtulo 2
Fundamenta¸
c˜
ao Te´
orica
A saburra lingual ´e uma placa bacteriana usualmente esbranqui¸cada, mas podendo
chegar a uma colora¸c˜ao amarelada [2]. Ela ´e causada por deficiˆencia na produ¸c˜ao de saliva, falta de higiene da l´ıngua, assim como por uma descama¸c˜ao excessiva do tecido.
Normalmente, a saburra fica mais concentrada na parte posterior da l´ıngua onde temos dif´ıcil acesso para limpar sem provocar mal estar ou ˆansia de vˆomito.
A l´ıngua ´e um grande instrumento da medicina chinesa tradicional [3], segundo eles era poss´ıvel detectar diversos tipos de doen¸cas atrav´es dela. Uma das doen¸cas
forte-mente relacionadas com a existˆencia da saburra ´e a halitose. A halitose ´e o resultado da fermenta¸c˜ao ap´os a metaboliza¸c˜ao das bact´erias. Elas se alimentam da crosta formada
pelo resto de alimentos e c´elulas mortas na l´ıngua, e em seguida ocorre a fermenta¸c˜ao libe-rando gases sulf´uricos vol´ateis: sulfidreto (SH2), metilmercaptana (CH3SH) e
dimetilsul-feto (CH3SCH3). Tais gases cont´em o mau cheiro. O sulfidreto se origina principalmente e em grande quantidade do metabolismo da popula¸c˜ao das diversas bact´erias presentes
no dorso da l´ıngua. A metilmercaptana ´e predominantemente mais elevada nas bolsas periodontais. O dimetilsulfeto presente no h´alito, tanto pode ser de origem periodontal
como de origem sistˆemica (intestinal, hep´atica, pulmonar).
2.1
M´
etodo de avalia¸
c˜
ao da saburra
O Tongue Coating Index (TCI) foi proposto em 2007 por T.Shimizu et al. [4] como um m´etodo simples e clinicamente confi´avel para definir a quantidade de saburra lingual
5
de l´ınguas e avaliarem a intensidade da saburra lingual seguindo um novo crit´erio.
A l´ıngua ´e dividida em nove regi˜oes e, para cada regi˜ao, o avaliador deve dar um valor igual a 0, 1 ou 2, onde a pontua¸c˜ao 0 ´e atribu´ıda a uma regi˜ao onde a saburra lingual
n˜ao ´e vis´ıvel, a pontua¸c˜ao 1 onde a saburra ´e fina e as papilas gustativas da l´ıngua s˜ao vis´ıveis e a pontua¸c˜ao 2 para regi˜oes com a saburra muito grossa e papilas n˜ao vis´ıveis.
Tongue Coating Record (TCR):
x 100 =
18
Tongue Coating Index (TCI): NOME:
DATA:
PONTUAÇÃO TOTAL(0-18)
Figura 2.1: Formul´ario de avalia¸c˜ao do n´ıvel da saburra lingual.
A avalia¸c˜ao consiste em preencher o Tongue Coating Record (TCR) e calcular o TCI
para cada l´ıngua seguindo as instru¸c˜oes no formul´ario que ´e dado, exibido na Figura 2.1. Duas semanas ap´os a primeira avalia¸c˜ao, o mesmo experimento foi refeito com os mesmos
cirurgi˜oes-dentistas e as mesmas imagens.
T.Shimizu et al. relacionaram a nova metodologia de pontua¸c˜ao da l´ıngua com o
numero de micro-organismos orais presentes em pacientes edˆentulos. A saburra foi cole-tada ap´os fazerem a avalia¸c˜ao do TCI e eles contaram o numero de bact´erias anaer´obicas
e esp´ecies a partir das amostras recolhidas.
Para medir a concordˆancia entre os observadores, eles pediram para os 10 dentistas
avaliarem as 20 imagens separadamente, e duas semanas depois repetirem a avalia¸c˜ao. Foi
utilizado o coeficiente Kappa [5, 6], cuja a interpreta¸c˜ao est´a na Tabela 2.1, para medir a concordˆancia entre os dentistas e chegaram ao valor de 0.66 inter-observador (entre os
6
Tabela 2.1: Interpreta¸c˜ao do coeficiente Kappa.
Kappa
Coeficiente Concordˆancia
< 0.00 Pobre 0.00-0.20 Leve 0.21-0.40 Razo´avel 0.41-0.60 Moderada 0.61-0.80 Consider´avel 0.81-1.00 Quase perfeita
uma concordˆancia consider´avel. T.Shimizu et al. n˜ao acharam diferen¸cas significativas entre o numero de esp´ecies dadas as trˆes pontua¸c˜oes. Por´em, o numero total de bact´erias
anaer´obicas foi significativamente diferente entre as trˆes pontua¸c˜oes. Consequentemente, este fato levou `a concluir que a metodologia criada por eles funciona com ˆexito.
Cap´ıtulo 3
Trabalhos Relacionados
Lee et al. [7] elaboraram um m´etodo para avaliar o mau h´alito da l´ıngua atrav´es
de imagens ultravioleta. Para isso utilizaram o QLF-D Biluminator [8] que ´e uma cˆamera reflex monobjetiva (SLR, do inglˆes Single Lens Reflex ) acoplada a um tubo de ilumina¸c˜ao
montado com um anel de LEDs azul-violeta e LEDs brancos em frente `a lente da cˆamera. Em uma cˆamera SLR, a imagem do visor ´e a mesma a ser capturada pelas lentes. Isto
confere ao equipamento maior precis˜ao, pois o que est´a sendo enquadrado ser´a o que re-almente sair´a no foto. Utilizou-se tamb´em um software propriet´ario, chamado C2, que
atualmente est´a na vers˜ao C4 e ´e distribu´ıdo pela mesma empresa do QLF-D Biluminator. Este software ´e respons´avel pela configura¸c˜ao da cˆamera, armazenando v´arias
configura-¸c˜oes de tipos de imagens para diferentes exames, assim como varia¸c˜oes na intensidade de ilumina¸c˜ao para cada tipo de imagem. O C4 permite, por exemplo, medir a atividade
bacteriana sobre tecido macio, como a l´ıngua.
O processamento de imagens ´e feito por um programa chamado ImageProPlus [9],
onde foi criado um ´ındice de fluorescˆencia calculado pela m´edia da raz˜ao entre as inten-sidades vermelha e verde do canal RGB sobre cada pixel, multiplicado pela ´area afetada.
Essa metodologia tem dificuldade em detectar a borda da l´ıngua atrav´es da imagem ultra-violeta, requerido outra foto com ilumina¸c˜ao normal para que possa realizar a detec¸c˜ao.
Kim et al. [10] criaram o Digital Tongue Imaging System (DTIS), que consiste em um sistema que proporciona um ambiente controlado para a captura de imagens da
l´ıngua. O DTIS captura a superf´ıcie da l´ıngua e a divide em regi˜oes baseado no m´etodo de avalia¸c˜ao Winkel Tongue Coating Index (WTCI) [11], al´em de extrair as ´areas com
8
a imagem digital capturada pelo DTIS, (b) aplicaram tamb´em o WTCI ao vivo, e (c)
calcularam a porcentagem de saburra utilizando o algoritmo do DTIS. O WTCI consiste em dividir a l´ıngua em 6 regi˜oes e atribuir um valor de 0 a 2 para cada regi˜ao, sendo 0
sem saburra, 1 com n´ıvel moderado de saburra e 2 com muita saburra. A diferen¸ca entre a pontua¸c˜ao 1 e 2 diz respeito ao quanto de colora¸c˜ao rosa pode ser observada por baixo
da saburra. Ap´os classificar cada regi˜ao, ´e feito o somat´orio da pontua¸c˜ao das regi˜oes, variando a pontua¸c˜ao total de 0 at´e 12.
Para avaliar a eficiˆencia do DTIS dois examinadores calcularam o coeficiente de correla¸c˜ao de Pearson [12] entre as medidas, que consiste na atribui¸c˜ao de um ´ındice
i ∈ [−1, +1], sendo 0 uma correla¸c˜ao desprez´ıvel e ±1 uma correla¸c˜ao muito forte. O sinal indica se a correla¸c˜ao ´e positiva ou negativa. Ambos examinadores acharam uma
correla¸c˜ao positiva de moderada a forte (entre 0,5 e 0,75), considerando ent˜ao um sistema confi´avel e com potencial para aplica¸c˜oes cl´ınicas.
Bai et al. [13] fizeram a extra¸c˜ao da saburra lingual atrav´es de imagens digitais. Para isso, utilizaram a watershed transform para detectar o corpo da l´ıngua. Esse m´etodo
consiste em tratar uma imagem em escala cinza como um mapa de alturas, onde os pixels claros representam picos e os pixels escuros representam baixas altitudes (bacias ou vales).
O m´etodo preenche cada vale com uma cor diferente e quando as cores se encontram ´e criado uma barreira, fazendo isso at´e que todos os picos sumam e as barreiras estejam
definidas. Bai et al. utilizam o m´etodo de limiariza¸c˜ao com o intuito de diminuir o ru´ıdo causado pelo flash sobre a saliva, que provoca highlights na imagem. O m´etodo de
limiariza¸c˜ao visa definir um limiar e tomar alguma decis˜ao sobre ele. No caso deles, se a cor fosse maior que o limiar adotado, assumia-se que era ru´ıdo provocado pelo flash e
trocavam a cor do pixel na imagem original para que pudesse ser ignorado na pr´oxima etapa. Ap´os os pixels que sofrem highlight serem ignorados, o espa¸co RGB (Red, Green,
Blue) ´e analisado para extrair a camada fina de saburra e o espa¸co HSV (Hue, Saturation, Value) ´e analisado para extrair a camada grossa de saburra. Ao todo foram analisadas
Cap´ıtulo 4
Abordagem Proposta
Ao longo deste cap´ıtulo ser´a exibida uma abordagem mais profunda sobre as t´
ec-nicas adotadas para solucionar nossos problemas. A Se¸c˜ao 4.1 diz respeito a solu¸c˜ao do problema de visualizarmos a saburra lingual atrav´es da imagem digital. A Se¸c˜ao 4.2 visa
segmentar a l´ıngua do resto da imagem para conseguirmos aplicar o classificador automa-ticamente. A Se¸c˜ao 4.3 procura descrever como solucionar o problema de quantificar a
condi¸c˜ao da saburra atrav´es de uma imagem digital.
4.1
Montagem do Filtro Ultravioleta
A motiva¸c˜ao para a cria¸c˜ao do filtro UV (Ultravioleta) ´e que a an´alise atrav´es da
fluorescˆencia j´a ´e comum no meio forense e no meio m´edico, inclusive na odontologia [14]. ´
E uma t´ecnica indolor e n˜ao invasiva. Por´em, para uma correta execu¸c˜ao ´e necess´ario um
ambiente com baixa luminosidade. Diversos elementos orgˆanicos emitem fluorescˆencia fora de nossa capacidade visual. Ao simular a luz negra, eles absorvem essa radia¸c˜ao e
passam a emitir algo dentro do nosso espectro de vis˜ao [15].
Para cria¸c˜ao do filtro UV foram analisadas diferentes fontes [16–18] onde as formas variavam um pouco mas seguiam um padr˜ao. A cria¸c˜ao do filtro consiste em criar camadas
de fita adesiva transparente e tinta e coloc´a-las sobre o flash do dispositivo m´ovel (vide Figura 1.1(a)). A varia¸c˜ao est´a em quantas camadas usar e em qual cor ou sequencia de
cores ´e adotada nas camadas. Devido `a grande variedade de filtros pesquisados, foram realizadas experimenta¸c˜oes cujo objetivo foi testar cinco constru¸c˜oes distintas do filtro
10
preencher uma camada apenas fossem feitos tra¸cos verticais, de cima para baixo, com a
caneta permanente, sem sobrepor regi˜oes j´a pintadas da camada.
Para cria¸c˜ao do filtro foram necess´arios materiais exibidos na Figura 4.1. O
co-tonete nem sempre foi utilizado. Ele apenas serviu para tirar o excesso de tinta das camadas quando necess´ario. Uma camada ´e constitu´ıda pela fita adesiva colorida com a
caneta permanente. ´E importante ter cuidado na hora de colocar as camadas, pois a fita adesiva deve estar apenas sobre do flash do dispositivo m´ovel, sem contato com a lente
da cˆamera para n˜ao influenciar no resultado final da captura.
Figura 4.1: Materiais utilizados na constru¸c˜ao do filtro. Duas canetas permanentes, uma azul e outra roxa, fita adesiva transparente, uma tesoura e um cotonete.
Durante as experimenta¸c˜oes, cujas configura¸c˜oes est˜ao demonstradas na Tabela 4.1, os filtros foram constru´ıdos utilizando como base o filtro anterior e adicionando uma nova
camada. Foram geradas imagens e essas testadas utilizando o prot´otipo que executa a segmenta¸c˜ao, salvando seus resultados para an´alise posterior.
A 1aconfigura¸c˜ao analisada foi um filtro de duas camadas, onde n˜ao houve diferen¸ca significativa em rela¸c˜ao `a captura sem filtros. Na 2a configura¸c˜ao, a saburra lingual
estava bem n´ıtida nas imagens capturadas. Por´em o prot´otipo apresentou dificuldade de segmenta¸c˜ao na parte inferior da imagem. J´a no 3o experimento, apesar da nitidez da
imagem ser mantida, foi detectado um forte sombreamento na parte superior da imagem ocasionado pela boca. Neste caso, a imagem tamb´em assumiu uma tonalidade azul muito
acentuada, dificultando a segmenta¸c˜ao. No 4o experimento, apesar de tamb´em sofrer de sombreamento na mesma regi˜ao, houve uma melhora na segmenta¸c˜ao desta regi˜ao. Na
11
Tabela 4.1: Disposi¸c˜ao das configura¸c˜oes experimentadas. A configura¸c˜ao ´e representada
por uma n-upla onde cada elemento representa a cor da camada inserida no celular.
Experimenta¸c˜ao dos filtros
No Configura¸c˜ao 1 (Azul,Roxo) 2 (Azul,Roxo,Azul) 3 (Azul,Roxo,Azul,Azul) 4 (Azul,Roxo,Azul,Azul,Roxo) 5 (Azul,Roxo,Azul,Azul,Roxo,Roxo)
5a configura¸c˜ao o sombreamento superior j´a estava muito acentuado e a saliva come¸cou a
ser confundida com a saburra lingual.
Ap´os a an´alise inicial, para o nosso trabalho, foi decidido que a melhor configura¸c˜ao
do filtro ´e a segunda. Este filtro ´e constitu´ıdo de trˆes camadas (Azul, Roxo, Azul) e foi adotado por obter o melhor desempenho na segmenta¸c˜ao e visualiza¸c˜ao da saburra. Al´em
disso, vale ressaltar que a tinta da ultima camada fica suscet´ıvel a contato com a m˜ao do usu´ario e com o meio em si. Para solucionar este problema, adicionamos mais uma
camada de fita adesiva somente com o objetivo de proteger a tinta da ultima camada. Ainda assim ´e poss´ıvel que o filtro tenha desgaste com o tempo por ressecamento da
tinta, sendo necess´aria a reconstru¸c˜ao dele de tempos em tempos.
4.2
Segmenta¸
c˜
ao
Nesta se¸c˜ao iremos apresentar a motiva¸c˜ao de fazer a segmenta¸c˜ao da l´ıngua na
imagem, qual t´ecnica foi utilizada e a sequˆencia de processos adotada, descrita na Fi-gura 4.2, al´em de descrever quais os obst´aculos que devem ser considerados durante esse
processamento e como super´a-los. Como pode ser visto na Figura 4.2 trabalhamos em cima dos canais verde e azul, com a imagem em uma resolu¸c˜ao menor para otimizar o
processo. Aplicamos limiariza¸c˜ao para trabalhar em cima da imagem bin´aria e aplicamos diversas formas de limpezas para conseguir utilizar uma elipse como formato de
aproxima-¸c˜ao da l´ıngua e criar a m´ascara de segmenta¸c˜ao. Cada etapa do processo ser´a explicada com mais detalhes no decorrer desta se¸c˜ao.
12
Figura 4.2: Pipeline da segmenta¸c˜ao. O canal vermelho da imagem foi descartado e
13
A l´ıngua n˜ao tem um formato definido no qual possibilitasse criar uma forma e
encaixar todas as l´ınguas na mesma posi¸c˜ao. Elas variam tanto em comprimento quanto em largura. Al´em disso, ´e dif´ıcil para o indiv´ıduo manter a l´ıngua im´ovel durante o
processo de captura sem instrumentos auxiliares. Ao mesmo tempo, a excelˆencia na segmenta¸c˜ao possibilita tanto a automa¸c˜ao do processo quanto a melhor qualidade na
classifica¸c˜ao final da imagem.
Para fazer a segmenta¸c˜ao foi produzido um programa cuja entrada ´e a imagem
capturada pelo TongueStone (Cap´ıtulo 5). O programa de segmenta¸c˜ao foi feito em Java e utilizou o OpenCV 3.10 [19], uma biblioteca de processamento de imagem que
faz proveito do paralelismo da placa gr´afica para otimizar os c´alculos. Vale ressaltar que o objetivo dessa etapa n˜ao era reimplementar m´etodos j´a conhecidos e sim descobrir o
melhor encadeamento de processos para a segmenta¸c˜ao, implementando somente m´etodos n˜ao fornecidos pela biblioteca.
O objetivo final da segmenta¸c˜ao ´e criar uma mascara onde os pixels com intensidade igual a 255 (branco) representem a l´ıngua e os pixels com intensidade 0 (preto) representem
todo o resto. Assim, no final, aplicaremos a mascara sobre a imagem original e, no lugar dos pixels brancos, teremos a l´ıngua em sua colora¸c˜ao original na imagem capturada.
(a) Imagem inicial (b) Canal Vermelho (c) Canal verde (d) Canal Azul
Figura 4.3: Imagem de entrada do processo de segmenta¸c˜ao: (a) ´e a imagem original capturada pelo TongueStone. As imagens (b), (c) e (d) consideram apenas um canal do
espa¸co de cores cada, vermelho, verde e azul respectivamente.
Ao receber a imagem do aplicativo, visualizada na Figura 4.3(a), foram separados
os canais verde, Figura 4.3(c), e azul, Figura 4.3(d), da imagem. O fato de descartar o canal vermelho, Figura 4.3(b) foi devido `a quantidade de pixels em intensidade muito alta,
com muita informa¸c˜ao perdida. Ap´os isso, as imagens de 13MP foram redimensionadas para 1MP mantendo a propor¸c˜ao 4:3 original. Como estamos interessados somente em
14
separar a l´ıngua do resto da imagem, diminu´ımos a resolu¸c˜ao sem perder informa¸c˜oes
relevantes para o nosso objetivo. Com menos detalhes temos menos ru´ıdo e os pr´oximos passos ser˜ao otimizados em tempo e processamento.
(a) Limpeza acima do topo (b) Canal Azul com filtro bilateral
(c) Filtro bilateral
Figura 4.4: Primeira parte da segmenta¸c˜ao: Em (a) foi descartada toda regi˜ao acima do layout. Nas imagens (b) e (c) foram reduzidos os ru´ıdos, preservando as bordas das
estruturas pela aplica¸c˜ao do filtro bilateral.
Tamb´em devemos nos preocupar com o sombreamento na parte superior da l´ıngua,
pois esse sombreamento dificulta a detec¸c˜ao da borda nessa regi˜ao. Ela ´e a regi˜ao mais cr´ıtica por ser de mais dif´ıcil acesso para limpeza bucal. Assim, espera-se que nela esteja
a maior concentra¸c˜ao de saburra. Para isso, assumimos que o usu´ario ir´a encaixar o limite superior da l´ıngua no limite superior da interface do TongueStone, demonstrada
na Figura 5.1(c). Tal procedimento nos permite descartar toda parte acima deste limite, desconsiderando-a como uma poss´ıvel regi˜ao da l´ıngua, como na Figura 4.4(a).
Em seguida, aplicamos um filtro bilateral sobre a imagem do canal azul resultando na Figura 4.4(b) e sobre a Figura 4.4(a) resultando na Figura 4.4(c). O objetivo deste
filtro ´e suavizar os ru´ıdos da imagem preservando bem as bordas dos objetos. Vale notar que o filtro bilateral ´e bem mais lento se comparado com os filtros de suavizar ru´ıdos mais
comuns.
Em seguida, o histograma da imagem foi normalizado, desprezando 1% dos valores
mais altos e mais baixos da imagem original. Este m´etodo tamb´em ´e conhecido como alongamento do histograma. Um histograma especifica a quantidade de pixels que existem,
15
muito concentrado significa que aquela imagem tem um baixo contraste, pois a maioria dos
pixels est´a naquela regi˜ao do pico. A ideia da normaliza¸c˜ao ´e distribuir melhor esses picos pelos 255 valores poss´ıveis, aumentando o contraste da imagem, como na Figura 4.5(a).
Foi necess´aria a implementa¸c˜ao dessa etapa, pois o OpenCV n˜ao fornecia um modo de ignorar uma quantidade dos valores extremos como requisitado.
(a) Alongamento do histo-grama
(b) Limiariza¸c˜ao Otsu (c) Limpeza das laterais
Figura 4.5: Segunda parte da segmenta¸c˜ao: (a) ´e o resultado da equaliza¸c˜ao do histo-grama, (b) foi obtido ap´os aplicar a limiariza¸c˜ao Otsu e em (c) s˜ao ignorados os ru´ıdos
laterais.
Aplicamos ent˜ao a limiariza¸c˜ao bin´aria de Otsu [20] . A limiariza¸c˜ao consiste em escolher um limitador e tomar uma decis˜ao a partir dele. Nesse caso, para limiariza¸c˜ao
bin´aria, cada pixel ´e analisado para verificar se a intensidade dele ´e maior que o limiar. Em caso positivo ´e atribu´ıdo o valor m´aximo (255) `a essa nova coordenada, caso contr´ario
´e atribu´ıdo o valor m´ınimo 0. A nomenclatura ´e originada de que o intervalo [0,255] tamb´em pode ser descrito como [0,1] e o m´etodo visa colorir a imagem considerando
exatamente as tonalidades extremas, 0 e 1. Descobrir o limitador muitas vezes n˜ao ´e trivial e, tipicamente, ´e descoberto atrav´es da experimenta¸c˜ao. O m´etodo Otsu ´e uma
alternativa para descobrir esse limitador de forma autom´atica.
O m´etodo Otsu ´e um m´etodo de limiariza¸c˜ao sugerido quando as imagens tem
um histograma bi-modal. Ou seja, o histograma tem duas concentra¸c˜oes de intensidades. Nesses casos o m´etodo Otsu consegue achar um bom limiar para separar essas classes
distintas de pixels, e esse limiar ´e utilizado na nossa limiariza¸c˜ao bin´aria. A regi˜ao da l´ıngua na imagem ´e pertencente a uma intensidade alta comparada com o resto da imagem.
16
Logo, ela assumir´a o valor de 255 em grande parte de seus pixels, como demonstrado na
Figura 4.5(b), restando agora filtrar todo o resto dos ru´ıdos e considerar partes da l´ıngua que podem ter ido para tonalidade 0.
Neste momento nosso objetivo ´e limpar os cantos da imagem e, apesar da variedade de formatos que a l´ıngua humana pode assumir, ao analisarmos uma l´ıngua espec´ıfica, se
tra¸carmos uma linha vertical imagin´aria no centro da mesma podemos assumir que seus lados s˜ao sim´etricos se a foto estiver bem enquadrada. Ou seja, caso a foto tirada n˜ao
esteja desalinhada. Baseado nisso, aplicamos um efeito de espelhamento sobre o resultado do Otsu e fazemos uma adi¸c˜ao entre a imagem do resultado e a imagem espelhada.
Com as imagens sobrepostas, procuramos descobrir os limites esquerdo e direito da l´ıngua. ´E aplicado ent˜ao flood fill para descobrir a maior regi˜ao conexa no centro
da imagem. Assumimos um pixel chamado semente e percorremos os vizinhos dele para descobrir o maior conjunto de pixels similares poss´ıvel constituindo uma regi˜ao, como
demonstrado na Figura 4.6. Existem dois tipos principais do flood fill : um que percorre apenas na vertical ou horizontal, nesse caso dizemos que um pixel tem 4 vizinhos (cima,
baixo, esquerda, direita), e o segundo caso ele percorre tamb´em nas diagonais. Nesse caso assumimos que um pixel tem 8 vizinhos, os 4 anteriores e suas diagonais.
Figura 4.6: M´etodo para a limpeza lateral da regi˜ao da l´ıngua. Os pixels vermelhos s˜ao
os pixels j´a percorridos pelo flood fill, os pixels verdes representam os limites esquerdo e
direito do flood fill.
Foi aplicado o flood fill, por´em percorrendo somente os pixels brancos, salvando sempre a coordenada mais a esquerda e mais a direita que achamos. No t´ermino, ap´os toda
17
a regi˜ao ter sido percorrida, teremos as duas extremidades da l´ıngua. Ent˜ao assumimos
que todos os pixels fora dos limites tˆem intensidade 0. Tal metodologia ´e descrita pela Figura 4.6. Este processo de limpeza lateral resulta na Figura 4.5(c).
(a) Remo¸c˜ao de pequenos objetos
(b) Captura da ponta da l´ıngua
(c) Limpeza da ponta da l´ıngua
Figura 4.7: Terceira parte da segmenta¸c˜ao: em (a) foram removidos pequenos ru´ıdos, em (b) foi detectada a parte inferior da l´ıngua e em (c) novamente foi aplicada a limpeza
de ru´ıdos.
Foi feita uma limpeza em toda imagem, removendo pequenos ru´ıdos. Para isso, aplicamos flood fill usando como semente cada pixel 255, e se no final do processo aquela
regi˜ao fosse menor que 1% da imagem, ela era descartada da mascara. Isto ´e, os pixels passavam a ter intensidade 0, resultando na Figura 4.7(a).
Foi verificado se a mascara obedece a propor¸c˜ao da tela, isto ´e, dado que a imagem foi tirada numa propor¸c˜ao (altura : largura) 4:3, espere-se que a l´ıngua mantenha uma
propor¸c˜ao semelhante. Se a propor¸c˜ao ´e satisfat´oria, ent˜ao ´e feita uma aproxima¸c˜ao da mascara por uma elipse preenchida por pixels brancos. Tal aproxima¸c˜ao consiste em
pegar os limites verticais e horizontais da imagem, construir os eixos da elipse e desenh´ a-la sobre a m´ascara considerando esses eixos criados. Caso contr´ario, tenta-se detectar
a ponta da l´ıngua, usando como entrada a imagem do canal azul com o filtro bilateral aplicado, exemplificado na Figura 4.4(b).
Desconsideramos todos os pixels acima do meio da imagem atribuindo-os 0 `a sua intensidade e aplicamos limiariza¸c˜ao bin´aria com o limiar na intensidade 60, resultando na
Figura 4.7(b). Tal limiar foi determinado ap´os experimenta¸c˜ao de diversas tonalidades, onde a tonalidade 60 nos retornou o melhor resultado. Para retirar o ru´ıdo novamente
18
recorremos a remo¸c˜ao de pequenos objetos, como demonstrado na Figura 4.7(c).
Separamos tamb´em a metade superior da Figura 4.7(a), como a Figura 4.8(a), e fazemos a adi¸c˜ao das duas metades. Para isso as imagens precisam ter o mesmo tamanho e
cada intensidade de uma imagem ´e adicionada `a intensidade da outra imagem, originando a Figura 4.8(b).
(a) Captura da metade su-perior
(b) Adi¸c˜ao das duas meta-des
(c) Preenchimento dos bu-racos
Figura 4.8: Quarta parte da segmenta¸c˜ao: em (a) ´e ignorada a parte inferior antiga da imagem, em (b) foi adicionada a regi˜ao que representa a ponta da l´ıngua e em (c) foi feito
um preenchimento de buracos.
A l´ıngua ´e uma estrutura sem furos. Seguindo esse princ´ıpio, o pr´oximo passo
consiste em completar todos os buracos existentes na mascara. Para isso utilizamos a detec¸c˜ao de bordas do OpenCV, seguida do preenchimento dessas regi˜oes com pixels
brancos. Os resultados podem ser observados na Figura 4.8(c).
Verificamos se a mascara est´a na propor¸c˜ao para aplicar a aproxima¸c˜ao pela elipse,
como na Figura 4.9(a). Se n˜ao estiver na propor¸c˜ao ainda, ´e feita uma procura da l´ıngua partindo de um pixel branco central e expandindo aquela regi˜ao branca aplicando a ideia
do flood fill, afim de eliminar alguma poss´ıvel parte desconexa remanescente que seja maior que 1% da imagem.
Novamente ´e verificada a propor¸c˜ao e feita a aproxima¸c˜ao pela elipse, sendo que, caso n˜ao esteja dentro da propor¸c˜ao, partimos para a ´ultima limpeza. ´E feita eros˜ao,
seguida da remo¸c˜ao das regi˜oes menores que 1%, seguido de dilata¸c˜ao. Para a eros˜ao e dilata¸c˜ao assumimos como elemento estruturante o retˆangulo. Dado que C ´e o numero
19
calculado atrav´es da equa¸c˜ao:
S = C × L
2000000 + 2. (4.1)
(a) Aproxima¸c˜ao por uma elipse
(b) Aplica¸c˜ao da mascara criada
Figura 4.9: Ultima parte da segmenta¸c˜ao: (a) ´e a mascara originada pelo processo de
segmenta¸c˜ao e (b) ´e o resultado da segmenta¸c˜ao aplicando a mascara sobre a imagem original.
A eros˜ao e a dilata¸c˜ao s˜ao opera¸c˜oes morfol´ogicas fundamentais [20], as duas pre-cisam de um elemento estruturante que percorrer´a a imagem. Ele pode assumir diferentes
formatos como uma elipse, um retˆangulo ou uma cruz. A eros˜ao ´e uma opera¸c˜ao de des-gaste dos pixels claros, o elemento estruturante ´e transladado pela imagem tendo que ficar
contido dentro da imagem alvo, e o resultado disso ´e a diminui¸c˜ao da ´area branca. J´a a dilata¸c˜ao ´e a opera¸c˜ao inversa. O objetivo da dilata¸c˜ao ´e expandir os pixels claros. Para
isso, o elemento estruturante tamb´em ´e transladado pela imagem, por´em apenas o centro do elemento precisa ficar contido na imagem original. A escolha do elemento estruturante
´e de suma importˆancia para determinar o formato das expans˜oes e contra¸c˜oes da imagem. Ap´os essa ultima limpeza, ´e repetida a verifica¸c˜ao e aplica¸c˜ao da aproxima¸c˜ao da
elipse, se poss´ıvel. A m´ascara resultante sofre o ajuste de resolu¸c˜ao novamente voltando para a resolu¸c˜ao original da imagem de 13MP. Ap´os a constru¸c˜ao da m´ascara a imagem
original ´e copiada utilizando essa mascara, isto ´e, apenas os pixels brancos na mascara s˜ao copiados, resultando na l´ıngua original segmentada com um fundo preto, como
20
4.3
Classifica¸
c˜
ao da Saburra
As imagens foram avaliadas por uma cirurgi˜a-dentista, mestre em Odontologia,
especialista em Estomatologia e doutora em Patologia, com ´area de concentra¸c˜ao em Patologia Humana com extens˜ao em Estomatologia e Patologia Oral. Para isso,
utilizou-se o formul´ario TCR (vide Figura 2.1) para anotar todas as classifica¸c˜oes das 28 imagens. Vale ressaltar que dentre as 28 imagens existe amostras dos mesmos indiv´ıduos capturadas
em dias diferentes. As regi˜oes avaliadas serviram como amostras para treinamento do nosso classificador. A classifica¸c˜ao ´e feita sobre a imagem segmentada. Por´em, para
a eficiˆencia do algoritmo de segmenta¸c˜ao n˜ao influenciar na cria¸c˜ao do classificador da saburra, foi feito a segmenta¸c˜ao das imagens de treinamento manualmente, utilizando a
ferramenta de edi¸c˜ao de imagens GIMP 2.
Um problema a ser considerado na classifica¸c˜ao autom´atica s˜ao as regi˜oes de
high-light. A l´ıngua ´e uma regi˜ao ´umida. No momento em que a saliva entra em exposi¸c˜ao ao flash, reflete boa parte da ilumina¸c˜ao provocando pontos de highlight. Esses pontos
ser˜ao considerados ru´ıdo para o nosso classificador, pois a tonalidade branca se asseme-lha a intensidade onde a saburra tem uma forte concentra¸c˜ao. Identificamos que o canal
vermelho da imagem original costuma ter muitos pixels em tonalidade 255, ou seja, em hightlight, provocando perda de informa¸c˜ao. Portanto foi resolvido descartar esse canal.
Se fossemos considerar este canal para fazer o tratamento, praticamente toda a regi˜ao de saburra seria eliminada. Consideramos ent˜ao apenas tonalidades altas dos canais azul
e verde, e esses pixels com tonalidades muito altas trocamos para preto (tonalidade 0) nos trˆes canais, como demonstrado na Figura 4.9(b). Assim nosso classificador ignora os
pixels saturados uma vez que ele ignora todos os pixels pretos.
Foi calculada uma matriz P de coocorrˆencia do n´ıvel cinza da imagem [21]. A
ma-triz de coocorrˆencia mapeia quantas vezes uma tonalidade ´e vizinha de outra tonalidade dada uma imagem em tons de cinza. Para isso podemos assumir trˆes tipos de
percorri-mento: o horizontal, o vertical e o diagonal. No nosso caso foi adotado o percorrimento diagonal. Trabalhamos com imagens com a intensidade variando entre 0 e 255. Portanto,
nossa matriz de coocorrˆencia tem uma ordem de 256 onde o elemento P [i,j] representa a quantidade de vezes que ocorre a intensidade i com o pixel em sua diagonal com
in-tensidade j. A matriz P ´e uma medida utilizada para calcular caracter´ısticas de textura em uma imagem digital. Calculamos quatro m´etricas a partir dela, a fim de ajudar o
21
classificador com mais informa¸c˜ao sobre a imagem. S˜ao elas:
Entropia = −X
i
X
j
P [i,j] log P [i,j], (4.2)
Energia =X i X j P2[i,j], (4.3) Contraste =X i X j (i − j)2P [i,j], (4.4) Homogeneidade =X i X j P [i,j] 1 + |i − j|. (4.5)
Foi desenvolvido um modelo probabil´ıstico a fim de classificar as nove regi˜oes da l´ıngua
seguindo o m´etodo do TCI. Para isso foi modelado um vetor de vari´aveis aleat´orias
X : Ω → Rd, (4.6)
ω 7→ (X1(ω), ..., Xd(ω))0 = (x1,...xd)0, (4.7)
onde cada vari´avel aleat´oria ´e um atributo da regi˜ao para o nosso classificador, cuja fun¸c˜ao
de densidade de probabilidade pode ser descrita como:
FX(x) = 1 (2π)d/2|Σ|1/2exp −1 2(x − µ) 0 Σ−1(x − µ) . (4.8)
Calculamos o vetor de m´edias µ como a m´edia entre os valores que X assume considerando
a base de treinamento. Por exemplo, no caso de testar-mos o classificador considerando a intensidade m´edia da regi˜ao e a homogeneidade, o vetor µ ter´a a m´edia das intensidades
m´edia das regi˜oes e a m´edia das homogeneidades das regi˜oes, para um determinado n´ıvel de saburra. Σ ´e a matriz de covariˆancia d × d dos dados de treinamento, baseado no
exemplo anterior, ´e a matriz da covariˆancia entre as intesidades m´edia das regi˜oes e suas homogeneidades. |Σ| ´e a determinante de Σ. Σ ´e uma matriz sim´etrica porque
a covariˆancia entre X1 e X2 ´e a mesma que entre X2 e X1. A matriz de covariˆancia
representa a variˆancia de cada vari´avel aleat´oria e a covariˆancia entre todos os pares
poss´ıveis de vari´aveis. A opera¸c˜ao de tomar esperan¸ca ser´a denotada por E. Logo, E(X) ´e um vetor formado pelos valores esperados de cada elemento de X. Dado que a variˆancia
σ2i ´e obtida atrav´es da equa¸c˜ao
22
e a covariˆancia σij ´e calculada como
σij= E[(Xi− E(Xi))(Xj − E(Xj))], para i 6= j, (4.10)
podemos descrever a matriz de covariˆancia Σ como
Σ = σ21 · · · σd1 .. . . .. ... σ1d · · · σd2 . (4.11)
Utilizamos o Maximum a Posteriori (MAP) Estimation como classificador. O objetivo do MAP ´e descobrir o valor que maximiza a fun¸c˜ao a qual ele ´e aplicado, ou seja, ele calcula
a probabilidade da entrada pertencer a cada classe e assume que ela pertence a classe de maior probabilidade. A propor¸c˜ao de uma classe i em rela¸c˜ao a toda base de treinamento
´e denotada por wi, sendo ni a quantidade de regi˜oes registradas na base com essa classe
e 252 o numero total de amostras da base,
wi =
ni
252. (4.12)
Foi definida ent˜ao uma fun¸c˜ao fipara descrever cada uma das classes (0 pouca ou nenhuma
saburra, 1 quantidade m´edia de saburra e 2 muita saburra) e o MAP foi aplicado para
maximizar a equa¸c˜ao fi(x) = wiFXi(x) P2 n=0wnFXn(x) , i = 0,1,2. (4.13)
A base de dados ´e constitu´ıda de 28 imagens divididas em 9 regi˜oes cada,
totali-zando 252 regi˜oes. ´E importante ressaltar que o filtro utilizado durante a captura das 28 imagens apresentava uma instabilidade onde variava a tonalidade da foto para o azul ou
roxo dependendo da captura, por´em foi utilizado o mesmo filtro para todas as imagens. A captura das imagens decorreu durantes dois dias, onde n˜ao foi detectado nenhum desgaste
no filtro durante esse processo.
Realizou-se uma sele¸c˜ao de atributos, construindo diversos modelos de
classifica-dores e feita an´alise uma valida¸c˜ao cruzada (K-Fold Cross Validation) chamada leave-one-out, considerando cada imagem como sendo um grupo (do inglˆes, Fold ). Isto ´e, foi
realizado uma valida¸c˜ao cruzada com K = 28 sobre uma base de 252 regi˜oes [22]. Essa valida¸c˜ao consiste em dividir a base em K grupos, de tamanhos iguais, separar um grupo
para valida¸c˜ao e utilizar os outros para treinamento, criando um modelo e verificando se o grupo foi classificado corretamente. Esse processo ´e repetido para cada grupo criado.
23
Neste caso, em cada itera¸c˜ao era avaliada uma imagem considerando as outras 27 usadas
para treinamento. 70 71 72 73 74 75 76 77 78 79 80 Média das intensidades Média e Entropia Média e Energia Média e Contraste Média e Homogeneidade Média, Entropia e Energia Média, Entropia e Contraste Média, Entropia Homogeneidade Média, Energia e Contraste Média, Energia e Homogeneidade Média, Contraste e Homogeneidade Precisão (%)
Figura 4.10: An´alise dos atributos experimentados para a utiliza¸c˜ao do MAP. Nota-se que todas as combina¸c˜oes de atributos conseguiram uma precis˜ao maior que 74%. Por´em duas
combina¸c˜oes espec´ıficas de atributos chamaram a aten¸c˜ao, obtendo 78,57% de precis˜ao.
Ap´os a an´alise da precis˜ao dos modelos gerados, demonstrada no Gr´afico 4.10, foi
detectado um empate entre o 5o e 6o conjunto de atributos. Resolvemos calcular o F-measure [23] para facilitar uma an´alise geral sobre as medidas precision [23] e recall [23],
equilibrando suas importˆancias. As trˆes m´etricas podem ser calculadas seguindo as Equa-¸c˜oes 4.14, 4.15 e 4.16. Precision mostra o qu˜ao preciso aquele classificador est´a, ou seja,
a relevˆancia de seus resultados.
precision = tp tp + f p . (4.14)
Recall mostra a quantidade de resultados realmente relevantes que foram retornados.
recall = tp tp + f n . (4.15)
Realizou-se uma segunda an´alise em cima do F-measure para os dois classificadores.
F − measure = 2 × precision × recall precision + recall
24
Tabela 4.2: An´alise do F-measure em sobre os dois melhores classificadores.
Classificador Classe Precision Recall F-measure
M´edia Homogeneidade 0 0.7975 0.7590 0.7778 1 0.7793 0.8370 0.8071 2 0.7857 0.6471 0.7097 M´edia Entropia Energia 0 0.7952 0.7952 0.7952 1 0.7793 0.8370 0.8071 2 0.7793 0.5588 0.6552
Foi escolhido ent˜ao o modelo que considera a m´edia e a homogeneidade como atributos, pois tal modelo descreve melhor a classe minorit´aria, ou seja, a classe que
Cap´ıtulo 5
O Aplicativo TongueStone
O objetivo deste cap´ıtulo ´e proporcionar o entendimento de como o aplicativo
TongueStone, visto na Figura 5.1, foi implementado , al´em de explicar alguns conceitos e as raz˜oes para a escolha das t´ecnicas utilizadas durante sua implementa¸c˜ao. O aplicativo ´e
independente da utiliza¸c˜ao do filtro UV, o mesmo pode ser utilizado sem o filtro acoplado para a captura da foto cl´ınica.
(a) Icone (b) Layout inicial (c) Layout Final
Figura 5.1: O aplicativo tem somente uma ´unica tela que j´a exibe a preview da imagem e oferece as op¸c˜oes para capturar e focalizar.
26
5.1
Origem
A decis˜ao de cria¸c˜ao do aplicativo foi realizada durante a pesquisa, ao analisar que
o software padr˜ao de captura de imagens, disponibilizado pelo fabricante do dispositivo m´ovel, n˜ao estava sendo adequado `a abordagem proposta. As imagens capturadas pelo
software padr˜ao apresentaram uma alta taxa de varia¸c˜ao da luminosidade pelo tempo de exposi¸c˜ao ao flash e uma dificuldade em focalizar a imagem. As imagens s˜ao capturadas
em um ambiente escuro. Logo, n˜ao ´e poss´ıvel utilizar o foco manual para ajust´a-lo antes de fotografar se no ambiente n˜ao existir nenhuma ilumina¸c˜ao pr´evia. O foco autom´atico
utilizado no momento do disparo do flash n˜ao ´e muito confi´avel por nem sempre conseguir focalizar a imagem antes de fotografar.
Foi feito ent˜ao um levantamento de requisitos, que resultou na Tabela 5.1, para que o TongueStone se tornasse uma alternativa melhor que utilizar o aplicativo padr˜ao. Ap´os
o levantamento, realizou-se a modelagem do layout e a implementa¸c˜ao do aplicativo. As Figuras 5.1(b) e 5.1(c) apresentam capturas de telas da vers˜ao final do TongueStone. Ao
abrir o aplicativo o usu´ario ´e obrigado a focalizar a imagem antes de realizar a primeira captura. O TongueStone permite que o usu´ario focalize a imagem quantas vezes achar
necess´ario antes de capturar a imagem.
5.2
Tecnologia
As op¸c˜oes de desenvolvimento do TongueStone se dividiam entre um aplicativo
hibrido e um aplicativo nativo Android. O aplicativo h´ıbrido atua como uma aplica¸c˜ao web executando no navegador, ent˜ao as linguagens de programa¸c˜ao usualmente utilizadas
s˜ao: HTML, CSS e JavaScript. J´a o aplicativo nativo Android requer conhecimento especifico do sistema operacional e utiliza as linguagens Java e XML.
A vantagem do aplicativo h´ıbrido ´e a portabilidade para execu¸c˜ao tanto em siste-mas Android quanto em iOS, al´em da facilidade de programa¸c˜ao por ser uma linguagem
simples. A desvantagem desse tipo de aplicativo ´e que ele ´e mais lento, porque faz uso de um framework que funciona como uma camada intermedi´aria entre o aplicativo e o
dispositivo. Al´em disso, com o aplicativo hibrido n˜ao se tem acesso a todos os recur-sos dispon´ıveis na plataforma espec´ıfica. Dados esses fatores e a necessidade de acessar
27
Tabela 5.1: Requisitos levantados para o desenvolvimento do aplicativo TongueStone.
Tabela de Requisitos
Requisito Nome Descri¸c˜ao
R1 Resolu¸c˜ao m´axima Utilizar a qualidade m´axima que a cˆamera do
dispositivo m´ovel proporciona.
R2 Modo lanterna ligado Deixar o flash sempre ligado, j´a passando pelo
filtro, possibilita uma pr´e-visualiza¸c˜ao da
ima-gem.
R3 Tela de preview Dar uma no¸c˜ao para o usu´ario de como a
ima-gem ser´a registrada.
R4 Regi˜ao de captura
deli-mitada
Adicionar ao layout uma estrutura que
for-ne¸ca no¸c˜oes de enquadramento e alinhamento
ao usu´ario.
R5 Regi˜ao focal definida Definir uma regi˜ao na parte central superior que
ser´a focalizada pelo usu´ario antes de fotografar.
R6 Salvamento na galeria Ap´os fotografar, salvar a imagem na galeria do
dispositivo dentro de uma pasta com o nome do
aplicativo para facilitar acesso do usu´ario.
R7 Controle do WB (White
Balance)
N˜ao deixar o WB no modo autom´atico para
pa-dronizar as fotos.
R8 Controle do SM (Scene
Mode)
N˜ao deixar o SM no modo autom´atico para
pa-dronizar as fotos.
R9 Foto em PNG O formato PNG possui compress˜ao sem perda
de qualidade, mesmo com salvamentos seguidos do arquivo.
R10 Retrato A orienta¸c˜ao do aplicativo tem que ser no modo
retrato, pelo pr´oprio formato da l´ıngua, n˜ao
28
um aplicativo nativo. A aplica¸c˜ao foi desenvolvida para a vers˜ao 6.0 (MarshMallow ) do
Cap´ıtulo 6
Resultados e Discuss˜
oes
Neste cap´ıtulo apresentamos o desempenho da metodologia de segmenta¸c˜ao e
clas-sifica¸c˜ao e do TongueStone. O aplicativo foi testado em um aparelho celular Motorola Moto X 2014 (2a gera¸c˜ao), atualizado com a vers˜ao 6.0 do sistema operacional Android.
O aplicativo implementa todos os requisitos levantados. Todas as imagens de entrada para os processos de segmenta¸c˜ao e classifica¸c˜ao foram capturadas pelo TongueStone.
O Filtro ultravioleta artesanal acoplado ao aplicativo nos d´a uma tonalidade dife-rente para a captura da imagem da l´ıngua, que facilita a detec¸c˜ao da saburra aumentando
o contraste entre a mesma e o resto da l´ıngua. Por´em n˜ao foi comprovado que a frequˆencia da luz emitida pelo filtro est´a realmente dentro do espectro ultravioleta.
6.1
Segmenta¸
c˜
ao
Foi utilizado o TongueStone para capturar as imagens da segmenta¸c˜ao. Foram utilizadas 47 imagens, com diferentes filtros, em diferentes dias, diferentes distancias, com
um total de 4 volunt´arios. Podemos dividir as 47 imagens em dois grupos: um grupo antes
do layout do aplicativo estar definido e outro ap´os o aplicativo ter o layout atual para ajudar a captura. O processamento das imagens foi feito em uma maquina Windows 10,
Intel(R) Core(TM) i5 750 2.67GHz, 12GB RAM DDR3 com a placa de v´ıdeo AMD Radeon HD 7800 2GB DDR5.
Podemos ver na Figura 6.1 os principais desafios na segmenta¸c˜ao: a dificuldade em segmentar a regi˜ao do topo da l´ıngua; dificuldade em segmentar a regi˜ao da ponta
da l´ıngua; a alta ilumina¸c˜ao do flash fazendo com que n˜ao seja poss´ıvel isolar a regi˜ao
30
Figura 6.1: Vers˜ao em miniatura dos diferentes casos antes da ado¸c˜ao do layout no Ton-gueStone. Imagem original seguida do resultado de sua segmenta¸c˜ao a direita.
da l´ıngua; e a dificuldade em capturar regi˜oes sem saburra. Existem casos considerados satisfat´orios tamb´em, tais como o primeiro da segunda linha na Figura 6.1. Por´em, esses
casos correspondem a um total de 8 em 30 imagens capturadas sem a ajuda do layout do TongueStone.
Ap´os a ado¸c˜ao do layout final do aplicativo, o numero de segmenta¸c˜oes satisfat´orias subiu consideravelmente para 12 imagens em 17 amostras. Por´em, os desafios continuaram
como demonstrados na Figura 6.2: dificuldade de remover da imagem a parte do l´abio com highlight ; dificuldade em detectar a ponta da l´ıngua; dificuldade em isolar a regi˜ao
da l´ıngua quando a imagem ´e capturada mais distante; dificuldade de eliminar parte do dente da imagem se este invadir o limite superior de corte.
A segmenta¸c˜ao da l´ıngua teve no total 20 resultados satisfat´orios de 47 amostras. Sendo que antes do layout o grau de satisfa¸c˜ao era de 27% e ap´os a ado¸c˜ao passou a ser
de 70,5%. O layout, apesar de padronizar as capturas, n˜ao exclui a chance dos defeitos ocorrerem novamente. Vale ressaltar tamb´em que todos os parˆametros da segmenta¸c˜ao
est˜ao sendo calculados sobre o tamanho da imagem, e todas as imagens capturadas tem a mesma resolu¸c˜ao, logo todas as imagens foram segmentadas utilizando os mesmos
pa-rˆametros de segmenta¸c˜ao. Premissas como a adotada para a limpeza do topo e para a realiza¸c˜ao do espelhamento na etapa de limpeza lateral demonstram o quanto a atual
31
Figura 6.2: Vers˜ao em miniatura dos diferentes casos ap´os a ado¸c˜ao do layout no Ton-gueStone. Imagem original seguida do resultado de sua segmenta¸c˜ao `a direita.
6.2
Classifica¸
c˜
ao
O desempenho do classificador desenvolvido foi comparado diretamente com a ava-lia¸c˜ao da especialista, baseando-se no mesmo m´etodo de an´alise. Por´em para ter uma
valida¸c˜ao cl´ınica faz-se necess´ario a captura da imagem convencional sem filtro seguida da classifica¸c˜ao sobre esta imagem pelo especialista. Isto se deve ao fato de que, usualmente,
essa an´alise n˜ao ´e feita sobre a imagem ultravioleta e sim sobre a l´ıngua em condi¸c˜oes normais de ilumina¸c˜ao.
Inicialmente, a abordagem seria a cria¸c˜ao de 6 classificadores, conforme demons-trado na Figura 6.3. Os classificadores laterais seriam os mesmos por causa da simetria
da l´ıngua. O que impediu que essa abordagem fosse explorada foi a falta de dados para treinamento e teste do modelo. As 28 imagens analisadas n˜ao foram suficientes para que
cada classificador tivesse amostras de dados dos 3 n´ıveis definidos pelo TCI (0, 1, 2). Sendo assim, n˜ao foi poss´ıvel treinar os 6 classificadores para classificar os 3 n´ıveis.
A partir dos resultados na Tabela 6.2, pode-se ver que o classificador conseguiu classificar 8 das 28 imagens corretamente. Al´em disso, apenas o caso da imagem 27 houve
32
2
5
2
3 6 3
4
1
1
Figura 6.3: Modelo dos 6 classificadores e sua distribui¸c˜ao.
uma discrepˆancia muito grande. Neste caso, a avaliadora classificou as 9 regi˜oes como 1 e nosso classificador classificou as 9 regi˜oes como 0. De acordo com a Figura 6.4, podemos
perceber que o hightlight est´a bem concentrado em na ponta da l´ıngua e a imagem em si est´a em uma tonalidade menos azulada que a maioria das imagens, essa discrepˆancia na
intensidade comparada as outras imagens pode ter influenciado o classificador nesse caso.
(a) Imagem e divis˜ao analisadas (b) Entrada para o classificador
Figura 6.4: Imagem 27. ´Unico caso onde o classificador errou bruscamente sua
classifica-¸c˜ao.
O somat´orio das diferen¸cas de classifica¸c˜ao das 28 imagens resulta em 0,8 como assinalado na Tabela 6.2. Isso nos leva a acreditar que o classificador est´a bem equilibrado,
ele n˜ao est´a tendendo nem a elevar nem a rebaixar a classifica¸c˜ao das imagens. Outra m´etrica interessante ´e a matriz de confus˜ao demonstrada na Tabela 6.1. Nela podemos
33
ver que os n´ıveis 0 e 2 est˜ao bem definidos, ou seja, o classificador nunca se confundiu
entre eles.
O classificador se confunde no n´ıvel 1, tanto com o n´ıvel 0 quanto com o n´ıvel 2.
Segundo a Tabela 4.2 a classe que o classificador teve maior dificuldade de classificar foi a n´ıvel 2. Isso pode ser explicado por ela ser a classe minorit´aria, pois para treinamento
foram utilizadas 83 regi˜oes n´ıvel 0, 135 n´ıvel 1 e apenas 34 n´ıvel 2.
Tabela 6.1: Matriz de confus˜ao do classificador criado. Pode-se reparar que as classes 0 e 2 nunca se confundem. Classe Prevista C0 C1 C2 Cl a sse R ea l C0 63 20 0 C1 16 113 6 C2 0 12 22
34
Tabela 6.2: An´alise do c´alculo final do TCI. O campo TCI A ´e o TCI calculado pelo
analisador, o campo TCI C ´e calculo do TCI ap´os a classifica¸c˜ao das regi˜oes.
Imagem TCI A TCI C Diferen¸ca
1 27,8 11,1 -16,7 2 44,4 55,6 11,2 3 44,4 50,0 5,6 4 44,4 38,9 -5,5 5 44,4 38,9 -5,5 6 44,4 44,4 0,0 7 33,3 33,3 0,0 8 38,9 38,9 0,0 9 33,3 16,7 -16,6 10 44,4 50,0 5,6 11 44,4 44,4 0,0 12 44,4 55,6 11,2 13 44,4 55,6 11,2 14 44,4 50,0 5,6 15 44,4 55,6 11,2 16 44,4 55,6 11,2 17 33,3 33,3 0,0 18 33,3 27,8 -5,5 19 33,3 38,9 5,6 20 38,9 33,3 -5,6 21 50,0 50,0 0,0 22 61,1 50,0 -11,1 23 33,3 50,0 16,7 24 38,9 50,0 11,1 25 16,7 16,7 0,0 26 22,2 22,2 0,0 27 50,0 0,0 -50,0 28 50,0 50,0 0,0 TOTAL - - 0,8
Cap´ıtulo 7
Conclus˜
oes
Nesta monografia, demonstramos uma abordagem acess´ıvel para a quantifica¸c˜ao
da saburra na l´ıngua de um individuo. A cria¸c˜ao do aplicativo TongueStone estabeleceu uma interface simples e de f´acil aprendizado para a captura das imagens. Foi feita a
segmenta¸c˜ao da l´ıngua a fim de automatizar todo o processo at´e a classifica¸c˜ao. Por´em, para a an´alise do classificador n˜ao ser influenciada pela eficiˆencia da segmenta¸c˜ao, o
classificador foi treinado e avaliado com imagens segmentadas manualmente utilizando o GIMP como editor de imagens.
N´os validamos nossa abordagem implementando todas as partes e usando-a para classificar a l´ıngua de indiv´ıduos e comparando com a classifica¸c˜ao de uma profissional
da ´area. A classifica¸c˜ao se apresentou bem semelhante a da profissional na maioria dos casos, tendo apenas 1 dos 28 resultados como discrepante. Diante deste fato, conclu´ımos
que ´e uma abordagem promissora que pode ser melhorada atrav´es de mais pesquisas e aperfei¸coamento da t´ecnica.
7.1
Limita¸
c˜
oes
A cria¸c˜ao do filtro UV artesanal acabada tendo um resultado vol´atil, onde a
tona-lidade n˜ao ´e bem definida, variando entre azul e roxo, dependendo de como criado. Este mesmo filtro pode precisar ser refeito de tempos em tempos, principalmente se n˜ao tiver
a ultima camada protetora.
O aplicativo a princ´ıpio est´a dispon´ıvel apenas para sistemas Android, al´em disso,
o processo de convers˜ao da imagem de JPEG para PNG ap´os tirar a foto provoca lentid˜ao
36
no salvamento das imagens, requerendo um pouco de paciˆencia se a foto tirada n˜ao for
satisfat´oria e for preciso capturar outra. O aplicativo, por simular uma ilumina¸c˜ao UV, tamb´em requer que a captura ocorra em um ambiente de baixa ou nenhuma ilumina¸c˜ao.
Para a segmenta¸c˜ao adotamos premissas de que a captura adotaria o layout do aplicativo, ent˜ao quando este layout ´e ignorado n˜ao ´e poss´ıvel garantir a efic´acia nessa
parte do processo. ´
E preciso maior quantidade de dados para treinar o classificador, principalmente
do n´ıvel 2 de saburra, que ´e a classe minorit´aria. Al´em disso, na nossa abordagem para o classificador, todas as fotos foram capturadas com o mesmo filtro. Este fato torna dif´ıcil
manter o processo de captura de imagens para aprendizado do modelo por muito tempo se o filtro n˜ao tiver a camada protetora.
7.2
Trabalhos Futuros
Existe a possibilidade de adotar um filtro UV j´a fabricado. Isto tornaria a abor-dagem mais precisa e menos vol´atil. Em contra partida, encareceria o processo e teria
que ver uma forma de adaptar o filtro para o celular, ou adotar uma cˆamera fotogr´afica semiprofissional ou que fosse poss´ıvel conseguir adicionar filtros a sua lente. Todas essas
mudan¸cas melhorariam a qualidade da imagem de entrada, melhorando o processo como um todo. Por exemplo, o aumento da resolu¸c˜ao das imagens capturadas possibilitaria
maior significˆancia nos nossos parˆametros usados na classifica¸c˜ao.
Outra melhoria imediata seria acoplar as trˆes fases (captura, segmenta¸c˜ao e
classi-fica¸c˜ao) em um ´unico aplicativo. Para isso ´e poss´ıvel a cria¸c˜ao de um servi¸co que recebe a imagem e faz a segmenta¸c˜ao e a classifica¸c˜ao, e devolve esses resultados. O TongueStone
chamaria esse servi¸co que ficaria hospedado em um servidor, e poderia dar uma resposta ao usu´ario mostrando a imagem segmentada e o resultado da classifica¸c˜ao e do TCI
cal-culado diretamente na tela do aplicativo. Para concluir o processo o usu´ario precisaria estabelecer uma conex˜ao com a internet.
Dentro do mesmo aplicativo, pode-se criar a op¸c˜ao do usu´ario avaliar a l´ıngua de acordo com seu conhecimento e seguindo a t´ecnica do TCI. Com isso possibilitaria estar
reconstruindo o modelo do lado do servidor com uma base de testes cada vez mais s´olida e, portanto, se aproximando de uma avalia¸c˜ao de senso comum. Outra melhoria seria dar
37
a op¸c˜ao para o usu´ario do TongueStone segmentar a l´ıngua manualmente caso n˜ao esteja
satisfeito com a segmenta¸c˜ao autom´atica do processo, assim garantir´ıamos a satisfa¸c˜ao do usu´ario e uma maior confiabilidade na classifica¸c˜ao.
Uma funcionalidade interessante para o aplicativo ´e a op¸c˜ao de detectar se o filtro artesanal est´a apto a realizar as capturas, podendo detectar assim quando o filtro artesanal
sofrer desgaste e realizar sua manuten¸c˜ao.
Em quest˜ao de otimiza¸c˜ao, a re-implementa¸c˜ao dos processos de imagem
imple-mentados em Java poderia ser considerada. O uso de multi-threads para paralelizar o processo utilizando a GPU j´a traria grande melhoria.
Referˆ
encias Bibliogr´
aficas
[1] H. Jaeger, “Multivariate gaussians, mixture of gaussians, em-algorithm,”
http://minds.jacobs-university.de/sites/default/files/uploads/teaching/MLSpring16/ LN ML Gaussians MoG EM V1.2.pdf, 2016.
[2] M. D. Concei¸c˜ao, “Saburra lingual,” http://www.saburralingual.com.br/, 2016.
[3] D. E. Avel˜as, “L´ıngua branca pode causar mau h´alito e indicar presen¸ca
de doen¸cas,” http://www.minhavida.com.br/saude/materias/18312-lingua-branca-pode-causar-mau-halito-e-indicar-presenca-de-doencas, 2016.
[4] T. Shimizu, T. Ueda, and K. Sakurai, “New method for evaluation of tongue-coating status,” Journal of Oral Rehabilitation, vol. 34, no. 6, pp. 442–447, 2007.
[5] G. H. Rosenfield, “A coefficient of agreement as a measure of thematic classifica-tion accuracy,” Photogrammetric Engineering and Remote Sensing (PE&RS), vol. 52,
no. 2, pp. 223–227, 1986.
[6] G. G. K. J. Richard Landis, “The measurement of observer agreement for categorical
data,” Biometrics, vol. 33, no. 1, pp. 159–174, 1977.
[7] E.-S. Lee, Y.-K. Yim, H.-S. Lee, J.-H. Choi, J.-H. Lee, and B.-I. Kim, “Clinical
assessment of oral malodor using autofluorescence of tongue coating,” Photodiagnosis and Photodynamic Therapy, vol. 13, pp. 323–329, March 2016.
[8] Inspektor, “Qlf-d biluminator,” http://www.inspektor.nl/index.php/products/research/
qlf-d, 2016.
[9] M. Cybernetics, “Imagepro plus,” http://www.mediacy.com/imageproplus, 2016.
39
[10] J. Kim, Y. Young, K. Park, and J.-W. Park, “A digital tongue imaging system for
tongue coating evaluation in patients with oral malodour,” Oral Diseases, pp. 565– 569, 2009.
[11] S. Rold´an, E. G. Winkel, D. Herrera, M. Sanz, and A. J. Van Winkelhoff, “The effects of a new mouthrinse containing chlorhexidine, cetylpyridinium chloride and
zinc lactate on the microflora of oral halitosis patients: a dual-centre, double-blind placebo-controlled study,” Journal of clinical periodontology, vol. 30, pp. 427–434,
2003.
[12] Stephanie, “Pearson correlation: Definition and easy steps for use,” http://www.statisticshowto.com/what-is-the-pearson-correlation-coefficient/, 2016.
[13] L. Y. Bai, Y. Shi, J. Wu, Y. Zhang, W. Wong, Y. Wu, and J. Bai, “Automatic extraction of tongue coatings from digital images: A traditional chinese medicine
diagnostic tool,” Tsinghua Science & Technology, vol. 14, no. 2, pp. 170 – 175, 2009.
[14] O. Magazine, “O uso da fluorescˆencia Optica´ na odontologia,”
http://www.odontomagazine.com.br/2013-08-o-uso-da-fluorescencia-optica-na-odontologia-12061, 2016.
[15] L. Science, “What is ultraviolet light?” http://www.livescience.com/50326-what-is-ultraviolet-light.html, 2016.
[16] M. do Mundo, “Como fazer luz negra caseira usando celular,”
http://www.manualdomundo.com.br/2015/01/como-fazer-luz-negra-caseira-usando-celular/, 2016.
[17] MomentoCurioso, “Crie uma luz negra usando seu smartphone,”
http://momentocurioso.com.br/crie-uma-luz-negra-usando-seu-smartphone/, 2016.
[18] H. Eduardo, “ ´Area 42: como fazer uma lanterna de luz negra com o seu
ce-lular [v´ıdeo],” http://www.tecmundo.com.br/area-42/102593-area-42-fazer-lanterna-luz-negra-celular-video.htm, 2016.
[19] Itseez, “Opencv,” http://docs.opencv.org/, 2016.
40
[21] R. Jain, R. Kasturi, and B. G. Schunck, Machine Vision. New York, NY, USA:
McGraw-Hill, Inc., 1995.
[22] J. Schneider, “Cross validation,” https://www.cs.cmu.edu/
sch-neide/tut5/node42.html, 2016.
[23] C. S. D. C. University, “Empirical methods in machine learning & data mining,” http://www.cs.cornell.edu/courses/cs578/2003fa/performance measures.pdf, 2016.
