Estudo da visão computacional aplicado à urinálise

(1)

C ˆ

AMPUS CORN ´

ELIO PROC ´

OPIO

DIRETORIA DE GRADUAC

¸ ˜

AO E EDUCAC

¸ ˜

AO PROFISSIONAL

DEPARTAMENTO DE COMPUTAC

¸ ˜

AO

CURSO SUPERIOR DE ENGENHARIA DE COMPUTAC

¸ ˜

AO

RENATA CARINA SOARES

ESTUDO DA VIS ˜

AO COMPUTACIONAL APLICADO `

A URIN ´

ALISE

TRABALHO DE CONCLUS ˜

AO DE CURSO

CORN ´ELIO PROC ´OPIO 2016

(2)

ESTUDO DA VIS ˜

AO COMPUTACIONAL APLICADO `

A URIN ´

ALISE

Trabalho de conclusão de curso apresentado ao curso de Engenharia de Computação do Departamento de Computação da Universidade Tecnológica Federal do Paraná como requisito para obtenção do t´ıtulo de Bacharel em Engenharia de Computação.

Orientador: Prof. Dr. Pedro Henrique Bugatti

CORN ´ELIO PROC ´OPIO 2016

(3)

Câmpus Cornélio Procópio

Diretoria de Graduação e Educação Profissional Programa de Graduação em Engenharia de Computação

Curso Superior de Engenharia de Computac¸˜ao

TERMO DE APROVAC¸ ˜AO

ESTUDO DA VIS ÃO COMPUTACIONAL APLICADO À URIN ÁLISE por

Renata Carina Soares

Este Trabalho de conclusão de curso foi julgado adequado para obtenção do T´ıtulo de “Engenheiro em Curso Superior de Engenharia de Computação” e aprovado em sua forma final pelo Programa de Graduação em Engenharia de Computação da Universidade Tecnológica Federal do Paraná.

Corn´elio Proc´opio, 10/06/2016

Prof. Dr. Pedro Henrique Bugatti Universidade Tecnol´ogica Federal do Paran´a

Profa. Dra. Priscila Tiemi Maeda Saito Universidade Tecnol´ogica Federal do Paran´a

Prof. Dr. Claiton De Oliveira

Universidade Tecnol´ogica Federal do Paran´a

(4)

(5)

Agradeço, primeiramente, a Deus que em vários momentos me deu forças para acredi-tar que tudo daria certo, iluminado o meu caminho, os meus estudos.

Aos meus pais Osvaldo Sebastião Soares e Rosinha Leni de Jesuz Soares agradeço por todo apoio, dedicação e esforço em todos os dias da minha vida e, também, no desenvolvimento deste trabalho. Sempre estavam presentes quando estava desanimada, me dando forças para continuar. É por eles que cheguei até aqui, e por eles que irei mais longe. Amo-os, são os pilares da minha vida. Renan e eu somos os espelhos do que eles são, esforçados e otimistas.

Agradec¸o ao meu irm˜ao Renan Francisco Soares que sempre me incentivou em tudo. ´

E a pessoa mais inteligente e esforçada, por isso que chegou onde está, cursando doutorado na Universidade de Cranfield, na Inglaterra, tenho certeza de uma coisa, ele chegará onde desejar! Ao meu namorado Willian Cardoso Horikoshi agradeço por todo carinho, companhei-rismo e apoio desde o in´ıcio dos estudos nesta universidade. Engressamos na mesma turma e nos formaremos juntos, essa união com certeza será pra sempre.

Agradeço à namorada do meu irmão, Mariana Bomfim, pela amizade e apoio.

Ao meu orientador Prof. Dr. Pedro Henrique Bugatti agradeço pelo seu precioso tempo, conhecimento e dedicação direcionados em me guiar no desenvolvimento deste trabalho. Agradeço à todo corpo docente que promoveram o meu desenvolvimento pessoal e profissional.

Aos meus amigos por todos esses anos de companheirismo e que não serão esquecidos. Agradeço ao laboratório de análises cl´ınicas Laborclin, localizado em Siqueira Cam-pos/PR, por fornecer gratuitamente as fitas reagentes.

(6)

(7)

SOARES, Renata Carina. ESTUDO DA VIS ÃO COMPUTACIONAL APLICADO À URIN ÁLISE. 83 f. Trabalho de conclusão de curso – Curso Superior de Engenharia de Computação, Univer-sidade Tecnológica Federal do Paraná. Cornélio Procópio, 2016.

Existem máquinas para análise qu´ımica da urina, com base em uma fita chamada dipstick onde cada cor é uma substância qu´ımica que reage com sustâncias contidas na urina. Máquinas de-senvolvidas para analisar a composição qu´ımica são fornecidas para laboratórios, sendo para fins comerciais. A população não possui um mecanismo simples, barato e acess´ıvel para prevenção de patologias e desidratação com base no aspecto f´ısico (coloração), além do que, muitos não possuem nem mesmo o conhecimento da importância da cor que a urina apresenta. Desta forma, o presente trabalho visa fornecer a análise da coloração automaticamente, infor-mando qual é a cor presente no fluido e informações de poss´ıveis patologias ou desidratação com base nesta caracter´ıstica. Para tanto, no presente projeto, primeiramente, foi constru´ıdo um pequeno estúdio de fotografia com o intuito de obter uma padronização e qualidades das fotografias da urina, descrevê-las e, posteriormente, classificá-las automaticamente, segundo as diferentes cores que estas podem apresentar, influenciando diretamente na saúde do indiv´ıduo. Palavras-chave: Classificação, Classificadores, Descritores, Urina, Cores

(8)

SOARES, Renata Carina. STUDY OF COMPUTER VISION APPLIED URINALYSIS. 83 f. Trabalho de conclusão de curso – Curso Superior de Engenharia de Computação, Universidade Tecnológica Federal do Paraná. Cornélio Procópio, 2016.

There are machines for chemical analysis of the urine, based on a tape called dipstick where each color is a chemical that reacts with substances contained in urine. developed machinery to analyze the chemical composition are provided for laboratories and for commercial purposes. The population does not have a simple, cheap and affordable mechanism for the prevention of disease and dehydration based on physical appearance (color), and simple, besides, many lack even the knowledge of the importance of color to the urine presents. Thus, Thus, this study aims to provide the color analysis automatically, informing what the color present in the fluid and information of possible diseases or dehydration based on this feature. Therefore, in this project, first, a small photo studio in order to get a standardization and quality of the photographs of the urine will be built, describes them and then sorts them automatically, according to the different colors that these They may have, directly influencing the health of the individual.

(9)

–

FIGURA 1 An´alise f´ısica da urina, contida em um bal˜ao de vidro. . . 15 –

FIGURA 2 Instruções para análise da urina. (Courtesy of National Library of Medi-cine) . . . 16 –

FIGURA 3 Tabela usada para an´alise da urina. (Courtesy of National Library of Medicine). . . 16 –

FIGURA 4 Exame de urina com colorac¸˜ao amarelo e ligeiramente turvo. . . 17 –

FIGURA 5 Algumas poss´ıveis colorac¸˜oes que o fluido pode apresentar. . . 18 –

FIGURA 6 Org˜aos do sistema excretor. . . 21 –

FIGURA 7 Regiões relacionadas à excreção. . . 23 –

FIGURA 8 Urina transparente. . . 24 –

FIGURA 9 Urina cor de palha. . . 25 –

FIGURA 10 Urina com colorac¸˜ao amarelo forte. . . 26 –

FIGURA 11 Urina com espuma branca. . . 26 –

FIGURA 12 Urina com colorac¸˜ao amarelo alaranjado ao laranja. . . 27 –

FIGURA 13 Urina com colorac¸˜ao vermelha. . . 28 –

FIGURA 14 Urina com colorac¸˜ao marrom. . . 29 –

FIGURA 15 Urina com colorac¸˜ao verde ou azul. . . 30 –

FIGURA 16 Etapas de um sistema de processamento de imagens. . . 31 –

FIGURA 17 O espac¸o RGB representado por um cubo. . . 32 –

FIGURA 18 O modelo HSV representado por uma figura hexacˆonica. . . 32 –

FIGURA 19 Vizinhanc¸a de valor 4. . . 33 –

FIGURA 20 Vizinhanc¸a de valor 8. . . 33 –

FIGURA 21 Descritor BIC. . . 35 – FIGURA 22 Descritor LBP. . . 35 – FIGURA 23 Corantes. . . 44 – FIGURA 24 Recipientes. . . 44 –

FIGURA 25 Aparelho utilizado para fotografar. . . 45 –

FIGURA 26 Regi˜ao externa, geral, do est´udio. . . 46 –

FIGURA 27 Regi˜ao externa, detalhada, do est´udio. . . 46 –

FIGURA 28 Base interna, vista frontal. . . 46 –

FIGURA 29 Base interna, vista superior. . . 47 –

FIGURA 30 Conector de energia. . . 47 –

FIGURA 31 Interior do est´udio de fotografia. . . 47 –

FIGURA 32 Est´udio de fotografia. . . 48 –

FIGURA 33 Base com recipiente de (a) pl´astico e (b) regi˜ao complementar. . . 48 –

FIGURA 34 Base com recipiente de (a) vidro e (b) regi˜ao complementar. . . 49 –

FIGURA 35 Imagem obtida com recipiente de (a) pl´astico e (b) com o de vidro. . . 49 –

FIGURA 36 Notebook Dell utilizado na implementac¸˜ao. . . 49 –

FIGURA 37 Os 10 tons diferentes no estudo. . . 50 –

FIGURA 38 Material para an´alise qu´ımica. . . 51 –

FIGURA 39 Fita dipstick para an´alise qu´ımica. . . 51 –

(10)

–

FIGURA 42 Amostra de colorac¸˜ao amarelo escuro. . . 53 –

FIGURA 43 Variac¸˜oes na amostra a partir de uma. . . 53 –

FIGURA 44 Duas amostras com colorac¸˜ao amarelo escuro. . . 54 –

FIGURA 45 Nova amostra obtida por mistura. . . 54 –

FIGURA 46 Variac¸˜oes na amostra a partir da mistura de duas. . . 54 –

FIGURA 47 25% de urina misturada com 75% de ´agua. . . 55 –

FIGURA 48 Pequena quantidade de corante inserido. . . 55 –

FIGURA 49 50% de urina misturada com 50% de ´agua. . . 55 –

FIGURA 50 Interface da aplicac¸˜ao. . . 56 –

FIGURA 51 Poss´ıveis procedimentos fornecidos pela aplicac¸˜ao. . . 57 –

FIGURA 52 Opc¸˜oes existentes na aba administrador. . . 58 –

FIGURA 53 Opc¸˜oes existentes em ”Criar arquivo...”. . . 59 –

FIGURA 54 Passos a serem seguidos pelo administrador. . . 59 –

FIGURA 55 Opções existentes na opção de “Classificação...”. . . 60 –

FIGURA 56 Possibilidades da opção ”Classificação...”. . . 60 –

FIGURA 57 Leitura das posições que serão para teste (verde), as demais para treina-mento (azul). . . 62 –

FIGURA 58 Formac¸˜ao dos arquivos do tipo bat. . . 63 –

FIGURA 59 Processo realizado para armazenar os valores da precis˜ao. . . 64 –

FIGURA 60 Possibilidades fornecidas para o usu´ario teste. . . 64 –

FIGURA 61 Possibilidades da opção ” Único classificador...”. . . 65 –

FIGURA 62 Passos a serem seguidos pelo usu´ario real. . . 66 –

FIGURA 63 Três botões a serem utilizados pelo usuário real. . . 66 –

FIGURA 64 Informações à respeito da urina de coloração amarelo palha. . . 66 –

FIGURA 65 Informações à respeito da urina de cor vermelho. . . 67 –

(11)

–

TABELA 1 Reabsorção de substâncias. . . 23 –

TABELA 2 Excreção de substâncias. . . 23 –

TABELA 3 Transparente ou quase transparente. . . 25 –

TABELA 4 Tonalidade amarelo forte. . . 27 –

TABELA 5 Tonalidade alaranjado. . . 27 –

TABELA 6 Tonalidade vermelho. . . 28 –

TABELA 7 Tonalidade marrom. . . 29 –

TABELA 8 Tonalidade preto. . . 29 –

TABELA 9 Estrutura de um arquivo arff (WAIKATO, 2012). . . 39 –

TABELA 10 Parˆametros para os classificadores. . . 42 –

TABELA 11 Cor respectiva de cada classe. . . 50 –

TABELA 12 Os 24 classificadores abordados. . . 58 –

TABELA 13 Descritor BIC com vizinhanc¸a 4 e classificador do tipo bayes. . . 69 –

TABELA 14 Descritor BIC com vizinhanc¸a 8 e classificador do tipo bayes. . . 70 –

TABELA 15 Comparac¸˜ao dos resultados do classificador NaiveBayesUpdateable. . . . 70 –

TABELA 16 Descritor BIC com vizinhanc¸a 4 e classificador do tipo functions. . . 71 –

TABELA 17 Descritor BIC com vizinhanc¸a 8 e classificador do tipo functions. . . 71 –

TABELA 18 Comparac¸˜ao dos resultados do classificador RBFNetwork. . . 71 –

TABELA 19 Descritor BIC com vizinhanc¸a 4 e classificador do tipo lazy. . . 72 –

TABELA 20 Descritor BIC com vizinhanc¸a 8 e classificador do tipo lazy. . . 72 –

TABELA 21 Comparac¸˜ao dos resultados do classificador IBk. . . 72 –

TABELA 22 Descritor BIC com vizinhanc¸a 4 e classificador do tipo meta. . . 73 –

TABELA 23 Descritor BIC com vizinhanc¸a 8 e classificador do tipo meta. . . 73 –

TABELA 24 Comparac¸˜ao dos resultados do classificador LogitBoost. . . 74 –

TABELA 25 Descritor BIC com vizinhanc¸a 4 e classificador do tipo rules. . . 74 –

TABELA 26 Descritor BIC com vizinhanc¸a 8 e classificador do tipo rules. . . 75 –

TABELA 27 Comparac¸˜ao dos resultados do classificador PART. . . 75 –

TABELA 28 Descritor BIC com vizinhanc¸a 4 e classificador do tipo trees. . . 76 –

TABELA 29 Descritor BIC com vizinhanc¸a 8 e classificador do tipo trees. . . 76 –

TABELA 30 Comparac¸˜ao dos resultados do classificador NBTree. . . 76 –

TABELA 31 Comparação de resultados relacionados a acurácia. . . 77 –

(12)

RGB Red, Green, Blue HSV Hue, Saturation, value GCH Global Color Histogram BIC Border/Interior classification LBP Local Binary Pattern

Weka Waikato Environment for Knowledge Analysis ARFF Attribute Relation File Format

RNA Artificial Neural Network SVM Support Vector Machine K-NN K-Nearest Neighbor

NB NaiveBayes

NBM NaiveBayesMultinomial

NBMU NaiveBayesMultinomialUpdateable NBU NaiveBayesUpdateable

(13)

1 INTRODUÇ ÃO . . . 14 1.1 MOTIVAÇ ÃO . . . 17 1.2 OBJETIVOS . . . 19 1.2.1 Objetivo Geral . . . 19 1.2.2 Objetivos Espec´ıficos . . . 19 1.3 ORGANIZAÇ ÃO DO TRABALHO . . . 20 2 FUNDAMENTAÇ ÃO TE ÓRICA . . . 21 2.1 SISTEMA EXCRETOR . . . 21 2.1.1 Filtração . . . 22 2.1.2 Reabsorção . . . 22 2.1.3 Eliminação da urina . . . 23 2.1.4 Cores da urina . . . 24 2.1.4.1 Transparente . . . 24 2.1.4.2 Amarelo palha . . . 25

2.1.4.3 Amarelo Forte/ ˆAmbar/Laranja . . . 25

2.1.4.4 Vermelho/Rosa/Marrom . . . 27 2.1.4.5 Marrom/Preto . . . 29 2.1.4.6 Azul/Verde . . . 29 2.2 PROCESSAMENTO DE IMAGENS . . . 30 2.2.1 Imagem . . . 31 2.2.2 Espaço de cor . . . 31 2.2.3 Vizinhança de um pixel . . . 33 2.3 REPRESENTAÇ ÃO E DESCRIÇ ÃO . . . 33 2.3.1 Descritores de cor . . . 34 2.3.1.1 Histograma . . . 34

2.3.1.2 Border/Interior classification (BIC) . . . 34

2.3.2 Descritores de textura . . . 35

2.3.2.1 Local Binary Pattern (LBP) . . . 35

2.4 MINERAC¸ ˜AO DE DADOS . . . 36

2.4.1 Nomenclatura b´asica . . . 37

2.4.2 Waikato Environment for Knowledge Analysis - Weka . . . 38

2.4.2.1 Classificac¸˜ao . . . 39

3 MATERIAIS . . . 43

3.1 ETAPA 1 - CORANTES . . . 43

3.2 ETAPA 2 - RECIPIENTES . . . 44

3.3 ETAPA 3 - APARELHO PARA FOTOGRAFAR . . . 44

3.4 ETAPA 4 - EST ´UDIO DE FOTOGRAFIA . . . 45

3.5 ETAPA 5 - EQUIPAMENTO PARA IMPLEMENTAC¸ ˜AO . . . 49

3.6 BASE DE IMAGENS . . . 49

3.7 MATERIAIS PARA TRABALHOS FUTUROS . . . 50

(14)

4.2.1 Obtenção das amostras transparentes e de coloração amarelo palha e escuro . . . 53

4.2.2 Obtenção das amostras de coloração azul, marrom, rosa e verde . . . 54

4.2.3 Obtenção das amostras de coloração laranja, vermelho e preto . . . 55

4.3 IMPLEMENTAC¸ ˜AO . . . 55

4.3.1 Administrador ou usu´ario teste . . . 58

4.3.1.1 Administrador . . . 58

4.3.1.2 Usu´ario teste . . . 59

4.3.2 Usu´ario real . . . 65

4.3.3 Regi˜ao da imagem a ser considerada pelo Descritor BIC . . . 67

5 EXPERIMENTOS E RESULTADOS . . . 68

5.1 EXPERIMENTO 1 - CLASSIFICADORES TIPO BAYES . . . 69

5.2 EXPERIMENTO 2 - CLASSIFICADORES TIPO FUNCTIONS . . . 70

5.3 EXPERIMENTO 3 - CLASSIFICADORES TIPO LAZY . . . 71

5.4 EXPERIMENTO 4 - CLASSIFICADORES TIPO META . . . 73

5.5 EXPERIMENTO 5 - CLASSIFICADORES TIPO RULES . . . 74

5.6 EXPERIMENTO 6 - CLASSIFICADORES TIPO TREES . . . 75

5.7 COMPARAÇ ÃO DE INFORMAÇ ÕES OBTIDAS DOS EXPERIMENTOS . . . 76

6 CONSIDERAC¸ ˜OES FINAIS . . . 79

6.1 RESULTADOS ALCANC¸ ADOS . . . 79

6.2 TRABALHOS FUTUROS . . . 81

(15)

1 INTRODUC¸ ˜AO

Estudos envolvendo imagens e não metadados no processo de classificação, fazem com que pesquisadores busquem, constantemente, apresentar novas técnicas e aplicações para diversas áreas, como medicina, segurança, automação, etc. No processo de classificação de ima-gens envolve-se máquinas, o que torna o processo altamente importante, pois a precisão obtida por ela torna-se mais relevante quando comparada a um ser humano em determinados casos. Quando o assunto é saúde, a sociedade espera novas tecnologias que auxiliem os profissionais ou até mesmo as pessoas consideradas leigas no assunto a ser considerado.

A área da saúde como citada, é extremamente importante pois envolve o bem-estar dos indiv´ıduos, o qual influencia seu modo de vida, trabalho, criatividade, etc. A saúde que um organismo possui pode ser expressa no próprio corpo e ser visualizada. Por exemplo, assim como as olheiras apresentam como poss´ıvel causa a insônia, a pele demonstra lesões que podem ser devido a desidratação, entre outras doenças. Determinados sinais corporais derivados de uma patologia não são visualizados com atenção pela sociedade, fato que ocorre com a urina, na qual alguns poss´ıveis problemas de saúde podem ser detectados.

O estudo da urina é realizado há muitos anos, pois encontra-se desenhos relacionados a este estudo em hieróglifos eg´ıpcios e em desenhos dos homens das cavernas. Atualmente, a análise desse fluido é realizado em laboratório. Tem-se na Figura 1 a imagem referente aos primeiros médicos realizando a análise da urina, a qual estava contida em um recipiente em forma de bexiga (STRASINGER; LORENZO, 2014).

(16)

Figura 1: An´alise f´ısica da urina, contida em um bal˜ao de vidro. Fonte: (STRASINGER; LORENZO, 2014)

Nessa época, o que não difere muito de hoje em dia, o profissional não conhecia o paciente, somente a urina o que é de mais interesse. As tecnologias e as novas metodologias sofisticadas utilizadas atualmente não eram encontradas naquela época, os médicos não tinham acesso, mas eram capazes de diagnosticar um paciente somente com a observação da cor, tur-bidez, odor, volume, viscosidade e, ainda, o n´ıvel de doçura, que era realizado baseando-se na atração de formigas.

Como pode-se observar antigamente era realizada uma análise f´ısica da urina, en-quanto que, agora, além dessa é necessária a análise qu´ımica e microscópica de sedimentos do fluido. Nomes conhecidos na história da medicina estão associados ao estudo da urina como Hipócrates, o qual escreveu o livro “Uroscopia”. Durante a Idade Média, os médicos concentra-ram seus esforços para desenvolver a arte da uroscopia, recebendo instruções sobre a análise do fluido como parte de seu treinamento, como mostra na Figura 2 (STRASINGER; LORENZO, 2014).

(17)

Figura 2: Instruções para análise da urina. (Courtesy of National Library of Medicine) Fonte: (STRASINGER; LORENZO, 2014)

Em 1140 d.C, a tabela de cores foi criada para descrever o significado de 20 cores distintas, como pode ser visto na Figura 3.

Figura 3: Tabela usada para an´alise da urina. (Courtesy of National Library of Medicine). Fonte: (STRASINGER; LORENZO, 2014)

O estudo foi se aprimorando com o passar dos anos. Testes qu´ımicos progrediram, com o chamado “teste da formiga” e com o “teste de sabor” relacionado a glicose, para a descoberta da albuminuria pela ebulição da urina, em 1694, por Frederik Dekkers. Contudo, a credibilidade da urinálise ficou comprometida quando pessoas chamadas de “Profetas do Xixi” sem credencias médicos, começou a oferecer previsões para a sociedade cobrando uma taxa (STRASINGER; LORENZO, 2014).

(18)

Esses indiv´ıduos, em 1627, se tornaram tema de um livro publicado por Thomas Bryant. As revelações encontradas neste livro contribui para a formulação de leis de concessão de licenças médicas na Inglaterra, o qual se tornou outra contribuição para a urinálise. Os avanços não cessaram, no século XVII houve a invenção do microscópio por Thomas Addis. Há duas caracter´ısticas importantes que não fizeram o exame de urina desaparecer:

1. A amostra da urina ´e facilmente coletada e rapidamente avaliada.

2. Obter informações, contidas na urina, sobre as principais funções metabólicas do corpo por um custo baixo. A informações referente a cor se manteve, mesmo com a evolução da tecnologia (STRASINGER; LORENZO, 2014), como pode-se na Figura 4.

Figura 4: Exame de urina com coloração amarelo e ligeiramente turvo. Fonte: Laboratório Santa Paula, em Siqueira Campos/PR.

As duas caracter´ısticas estão relacionadas as tendências atuais que estão direcionadas a medicina preventiva e redução de custos médicos. O Clinical and Laboratory Standards Institute (CLSI) define que a urinálise é um teste de urina rápido, confiável, preciso, seguro, e de forma rentável e aux´ılio em diagnósticos de doenças (STRASINGER; LORENZO, 2014).

1.1 MOTIVAC¸ ˜AO

Percebe-se a importância desse fluido, o qual passa despercebido pelas pessoas, mas que deveria ser analisado pelo próprio indiv´ıduo em seu lar, como prevenção. A urina apresenta sinais significativos, os quais podem ser abordados e apresentados a população para que esta se

(19)

conscientize da importˆancia que uma “simples urina” possui. Na Figura 5 algumas cores que a urina pode apresentar.

Figura 5: Algumas poss´ıveis colorac¸˜oes que o fluido pode apresentar.

Fonte: http://www.fatosdesconhecidos.com.br/wp-content/uploads/2014/10/destaque94.jpg

A área da saúde, é extremamente importante pois envolve o bem-estar dos indiv´ıduos, o qual influencia seu modo de vida, trabalho, criatividade, etc. Como em qualquer tipo de profissão há profissionais que não possuem o conhecimento adequado, mesmo que tenha um diploma, ou que contenha o conhecimento, mas sem experiência a utilização de uma máquina de reconhecimento de doenças, por meio de imagens, fornece ao profissional competente ratificação do resultado previsto por ele e, ainda, para aqueles com deficiência em conhecimento diminuição de diagnósticos incorretos.

A saúde que um organismo possui pode ser expressa no próprio corpo e ser visuali-zada, por exemplo, assim como as olheiras apresentam como poss´ıvel causa a insônia, a pele demonstra lesões que pode ser devido a desidratação, entre outras doenças. Determinados si-nais corporais derivados de uma patologia não são visualizados com atenção pela sociedade, fato que ocorre com a urina, na qual alguns poss´ıveis problemas de saúde podem ser detecta-dos. Alguns graves ou nem tanto, que pela simples visualização diária pode-se ter um potencial diagnóstico e, assim, com a ocorrência de alguma anormalidade consultar um profissional da urologia o mais rápido poss´ıvel para a realização da análise qu´ımica.

No caso da análise da urina, o qual é um método barato, com a vantagem de poder identificar não somente problemas renais, mas também problemas relacionadas à diabetes e as hepatopatias (KIEL; MOSKOWITZ, 1987), alguns laboratórios possuem máquinas automáticas para determinação de diagnósticos. Entretanto, a população poderia realizar exame preventivos baseados na coloração da urina, e assim, caso houver algum anormalidade consultar um profis-sional de urologia. Assim, softwares auxilam neste processo.

A população não possui um mecanismo simples, barato e acess´ıvel para prevenção, além do que, muitos não possuem nem mesmo o conhecimento da importância da coloração que a urina apresenta. A maioria da população de baixa renda e/ou escolaridade prejudicada

(20)

por algum fator não possui acesso à internet, ou seja, às informações importantes, assim como, aos estudos da coloração da urina, como mostra o Gráfico 1.

Gráfico 1. Porcentagem de pessoas que utilizaram a internet nos últimos três meses - 2013. Fonte:

http://www.ibge.gov.br/home/estatistica/populacao/acessoainternet2013/default ods 2013.shtm

Considerando a importância de prevenção, será tomado para estudos a coloração da urina. Desta forma, este trabalho visa o estudo e implementação de uma aplicação para desktop que tem por objetivo fornecer as informações necessárias baseando se na coloração da urina de um determinado indiv´ıduo. Esta caracter´ıstica f´ısica impercept´ıvel a maioria das pessoas, assim como, seus significados. Além disso, tais conhecimentos relacionados a área computacional serão utilizados em trabalhos futuros.

1.2 OBJETIVOS

1.2.1 OBJETIVO GERAL

Desenvolver uma aplicação desktop para análise da coloração da urina por meio de técnicas de visão computacional.

1.2.2 OBJETIVOS ESPEC´IFICOS

Os objetivos espec´ıficos do trabalho s˜ao:

• Estudar o fluido corpóreo (urina), focando nas colorações poss´ıveis que esta pode apre-sentar;

(21)

• Estudo e análise do processo de obtenção e de descrição de imagens e dos métodos de classificação em relação ao processo de urinálise;

• Por meio dos dois anteriores desenvolver um software para desktop eficaz e eficiente para aplicac¸˜oes futuras.

1.3 ORGANIZAC¸ ˜AO DO TRABALHO

O presente trabalho apresenta a seguinte organizac¸˜ao:

• No presente Cap´ıtulo foram apresentadas as considerações iniciais, a motivação para o desenvolvimento do trabalho, assim como os objetivos para o seu desenvolvimento; • No Cap´ıtulo 2 são apresentados conceitos referentes ao processamento de imagens, bem

como técnicas de extração de caracter´ısticas e métodos de classificação relevantes para o contexto em questão;

• No cap´ıtulo 3 s˜ao apresentados os materiais utilizados para o desenvolvimento do traba-lho;

• No Cap´ıtulo 4 é apresentada a metodologia proposta para o desenvolvimento do traba-lho, bem como as técnicas utilizadas durante esse processo e também os experimentos realizados com os classificadores e os resultados destes experimentos;

(22)

2 FUNDAMENTAÇ ÃO TE ÓRICA

2.1 SISTEMA EXCRETOR

As informações desta seção e subseções estão baseadas em (STRASINGER; LO-RENZO, 2014), (JUNIOR; SASSON, 2002) e (EXPOENTE, 2010), com exceção das referências indicadas no texto.

A função desse sistema está relacionada a eliminação de substâncias nitrogenadas, as quais podem ser ácido úrico, amônia e ureia produzidas pelo organismo. Cada substância possui um n´ıvel de toxidade e solubilidade, esta relacionada com a quantidade de água que é eliminada para que a substância seja excretada.

Os seres humanos excretam ureia, produzida por meio da desaminação de aminoácidos que acontece, especialmente, no f´ıgado, representando quase metade dos corpos sólidos en-contrados na urina. O organismo gera também a amônia devido a degradação de compostos orgânicos, contudo, é transformada em ureia. Essa encontra-se no sangue que passa pelos rins, o qual forma a urina e, assim, a elimina. O sistema urinário é composto por dois rins, dois ureteres, bexiga urinária, esf´ıncter e uretra, como mostra a Figura 6.

Figura 6: Org˜aos do sistema excretor. Fonte: (JUNIOR; SASSON, 2002)

(23)

região abdominal, nas costas do indiv´ıduo. Esses órgãos não são responsáveis somente pela filtração e posteriormente excreção, mas também pela osmorregulação que se refere ao controle da eliminação da água e sais presentes na urina mantendo a tonicidade do sangue adequada às necessidades das células do organismo (EXPOENTE, 2010).

2.1.1 FILTRAC¸ ˜AO

Na cápsula renal ocorre a filtração do sangue, o qual é trazido pela artéria aferente esquerda para o rim esquerdo e direita para o rim direito, passa em alt´ıssima velocidade dentro do glomérulo renal.

As substâncias presentes no sangue como aminoácidos, água, glicose, ureia e sais minerais e diversas moléculas pequenas ultrapassam as finas paredes desse glomérulo. Essas substâncias passam por entre as células da parede da cápsula renal e e são lançadas no túbulo contorcido proximal, formando a urina inicial (filtrado glomerular). Uma pessoa diariamente tem-se 2.000 litros de sangue passando pelos rins, originando, aproximadamente, 160 litros de urina inicial (STRASINGER; LORENZO, 2014).

2.1.2 REABSORC¸ ˜AO

Após a formação do filtrado glomerular, as substâncias consideradas úteis para o or-ganismo como hormônios, glicose, vitaminas e alguns sais minerais, são lançadas para os ca-pilares, ramificações da artéria aferente, que envolvem os néfrons. Dos 2.000 litros de sangue que são filtrados pelos rins diariamente, aproximadamente, 160 litros são de filtrado glomerular. Pelo processo de reabsorção, desses 160 litros, aproximadamente, 1,5 litro se refere a urina fi-nal, o que mostra que mais de 92% de água é reabsorvida (STRASINGER; LORENZO, 2014). A urina final é composta por:

• 95% de ´agua;

• 3% de ureia. Aproximadamente 1 litro de ´agua se perde para eliminar esta porcentagem de ureia. Metade desta encontrada no filtrado glomerular;

(24)

Tabela 1: Reabsorção de substâncias. Filtragem nos néfrons

Substância ou ´ıon Reabsorção (%) ´ Agua 99,0 Sódio 99,5 Glicose 100,0 Ureia 50,0 Creatinina 0 2.1.3 ELIMINAÇ ÃO DA URINA

Após o processo de filtragem e reabsorção a chamada urina final, composta em cada néfron, é direcionada a um único canal denominado de ureter, como é apresentado na Figura 7, o qual deixa os rins em direção à bexiga urinária, onde é armazenado a urina final e eliminada periodicamente pela uretra. A bexiga possui possui uma parede elástica de musculatura lisa (JUNIOR; SASSON, 2002). As substâncias excretadas são apresentadas na Tabela 2.

Figura 7: Regiões relacionadas à excreção. Fonte: (JUNIOR; SASSON, 2002)

Tabela 2: Excreção de substâncias. Filtragem nos néfrons Substância ou ´ıon Excreção (%)

´ Agua 1,0 S´odio 0,5 Glicose 0 Ureia 50,0 Creatinina 100,0

Tem-se a chamada oligúria que é uma diminuição na produção de urina quando está ocorrendo uma desidratação. Ela pode levar a chamada anúria que é a cessação do fluxo do fluido, o que pode causar sérios danos aos rins. Os rins produzem três vezes mais urina durante o dia quando comparado a noite. Um aumento na excreção de urina noturna se chama noctúria. Enquanto, que um aumento na excreção durante o dia chama-se de poliúria, essa associada na maioria das vezes ao diabetes (JUNIOR; SASSON, 2002).

(25)

2.1.4 CORES DA URINA

As informações desta seção estão baseadas em (STRASINGER; LORENZO, 2014), (RIBEIRO, 2012), (FULLER et al., 2008), (LIOU et al., 2013), (JOVILIANO, 2010), (SINGH et al., 2014) e (KIEL; MOSKOWITZ, 1987).

A análise f´ısica da urina considera a cor, turbidez, etc. Essas caracter´ısticas, como antigamente, fornecem informações preliminares de poss´ıveis patologias como hemorragia, doenças hepáticas, infecção urinária e alterações do metabolismo. Os pré-diagnósticos podem ser confirmados com a análise qu´ımica e microscópica.

A coloração da urina não muda apenas pela presença de fatores patogênicos no orga-nismo, a ingestão de terminados alimentos, medicações e vitaminas também poder provocar esta mudança (EVANS, 1979), como por exemplo, a ingestão de beterraba que tinge a urina de vermelho.

Quando nota-se mudança na coloração habitual da urina deve-se procurar um médico. Que por meio de exames laboratoriais terá um diagnóstico (LIOU et al., 2013).

2.1.4.1 TRANSPARENTE

Transparente ou amarelo muito claro demonstra excesso de l´ıquido, como mostra a Figura 8 e informac¸˜oes da Tabela 3.

Figura 8: Urina transparente.

Fonte: http://www.megacurioso.com.br/medicina-e-psicologia/40270-o-xixi-pode-ter-11-cores-distintas-veja-o-que-isso-significa-infografico-.htm

Como descrito na subseção 2.1.3, um aumento na excreção durante o dia chama-se de poliúria, essa associada na maioria das vezes ao diabetes. Poliúria é aumento na ingestão de l´ıquidos é, na maioria das vezes, um sintoma de alguma doença. Há dois tipos de diabetes, em ambas a perda de água é compensada por maior ingestão dela.

• Diabetes Mellitus: é causada por um problema tanto na produção de insulina no pâncreas quanto na função dessa, resultando em um aumento da concentração de glicose. Os rins

(26)

recebem um excesso dessa substância e, assim, necessita de mais água para elimina-la. • Diabetes Insipidus: é causada pela diminuição da produção ou da função do hormônio

antidiurético (ADH). A função desse é aumentar a permeabilidade das membranas das células dos túbulos em relação à água, facilitando sua reabsorção. E uma disfunção´ hormonal da hipófise. Pouca água é reabsorvida nos túbulos renais e, assim, ocorre a eliminação de grande quantidade de urina, podendo ultrapassar 20 litros/dia. Indiv´ıduos com este problema ingerem muita água, sede insaciável, para repor a que foi perdida.

Tabela 3: Transparente ou quase transparente.

Aspecto Significado

Hidratação Alta ingestão de l´ıquidos. Redução. Patologia Poliúria ou diabetes insipidus.

Diabetes Mellitus.

2.1.4.2 AMARELO PALHA

A coloração amarelo palha, apresentada na Figura 9, informa que o indiv´ıduo está saudável e bem hidratado.

Figura 9: Urina cor de palha.

2.1.4.3 AMARELO FORTE/ ˆAMBAR/LARANJA

Tons de amarelo são promovidos pelo pigmento chamado de urocromo. A quantidade desse pigmento que será produzida dependerá do estado metabólico do corpo, por exemplo, no caso de doenças envolvendo a tireóide e no estado de jejum, a produção aumenta, também quando a urina permanece em temperatura ambiente. Quando esta coloração se altera, mas ainda se encontra na tonalidade amarelo, se refere a hidratação e a concentração na urina. Ou seja, está relacionada a concentração de substâncias. A coloração amarelo escuro é apresentada na Figura 10.

(27)

Figura 10: Urina com colorac¸˜ao amarelo forte.

Esta coloração pode ser causada, também, pela presença de pigmentos de bilirrubina, o que é anormal, além do que junto a este pigmento, há chances de que seja encontrado o v´ırus da hepatite, a qual pode ser detectada na análise qu´ımica. Se a amostra quando agitada apresentar espuma é um ind´ıcio destes pigmentos, enquanto, que uma urina normal quando agitada rapidamente desaparece a pequena quantidade de espuma. Quando há presença de espuma e é de cor branca significa concentração de prote´ına, como mostra a Figura 11.

Figura 11: Urina com espuma branca.

Grandes quantidades de urobilinogênio quando sofrem o processo de foto-oxidação, também, fazem com que a urina apresente coloração amarelo escuro.

A cor amarelo alaranjado, mostrada na Figura 12, é causada pela medicação de phe-nazopyridine (marca Pyridium). A amostra quando agitada possui uma espuma amarela o que pode ser confundido com bilirrubina, ou azogantrisin, as quais são medicamentos para infecção urinária. Tais informações são resumidas nas Tabelas 4 e 5.

(28)

Figura 12: Urina com colorac¸˜ao amarelo alaranjado ao laranja.

Tabela 4: Tonalidade amarelo forte.

Aspecto Significado

Hidratac¸˜ao Aumentar o consumo de l´ıquidos.

Concentrac¸˜ao

Bilirrubina (apresenta espuma amarela). Urobilinogênio (processo de oxidação). Protéinas (apresenta espuma branca). Vitaminas do complexo B.

Medicação Nitrofurantoin (Antibiótico para infecção urinária).

Tabela 5: Tonalidade alaranjado.

Aspecto Significado

Hidratação O organismo não está recebendo l´ıquido o suficiente. Medicação

Phenazopyridine (espuma amarela). Azogantrisin (infecção urinária). Fenindiona (anticoagulante). Concentração Urobilina

Alimentac¸˜ao Corante

Patologia (Laranja) Doenc¸as relacionadas ao ducto hep´atico ou biliar.

2.1.4.4 VERMELHO/ROSA/MARROM

Amostras que apresentam estas coloração estão relacionadas à presença de sangue. Coloração ilustrativa apresentada na Figura 13. Na maioria das vezes, o sangue tinge a urina de vermelho, podendo variar do rosado ao negro, dependendo da quantidade de sangue, do pH e a duração do contato.

(29)

Figura 13: Urina com colorac¸˜ao vermelha.

A coloração castanho está relacionada aos glóbulos vermelhos que permaneceram, du-rante horas, em um fluido ácido. A cor marrom está relacionada com a transformação da hemo-globina em metemohemo-globina.

A ocorrência de glóbulos vermelhos tornam a urina vermelha e turva. Uma análise considerando o sangue pode distinguir se é hemoglobinúria (desagregação de hemácias) ou mioglobinúria (Repartição de músculos esqueléticos).

Desconsiderando patologias a urina pode apresentar uma coloração avermelhada de-vido à menstruação ocorrida em mulheres, assim como, pela ingestão de alimentos altamente pigmentados como a beterraba, e medicamentos como rifampicina, fenolftale´ına, fenindiona, e fenotiazinas. Tais informações são resumidas na Tabela 6.

Tabela 6: Tonalidade vermelho.

Aspecto Significado

Ocorrˆencia

Hemoglobina. Hemoglobinúria. Mioglobina. Mioglobinúria. Eritrócitos.

Alimentação Beterraba (genético). Contaminação menstrual Coágulos, muco, etc.

Patologia Doenças renais. Tumores. Infecção urinária. Problema de prostáta. Anemia hemol´ıtica. Medicação

Rifampicina (antibi´otico bactericida). Que cont´em Fenolftale´ına.

Fenindiona (anticoagulante).

(30)

2.1.4.5 MARROM/PRETO

Para amostras que contenham a coloração marrom (Figura 14) para o preto é necessário a realização de testes adicionais. O sangue pode conter melanina ou ácido homogent´ısico.

Figura 14: Urina com colorac¸˜ao marrom.

A melanina é um produto de oxidação do pigmento incolor, melanogen, produzido em excesso, quando uma melanoma maligno está presente. Ácido homogent´ısico, um metabólito da fenilalanina, provoca a cor preta para urina alcalina, isso é chamado de alcaptonúria. Tais informações são resumidas nas Tabelas 7 e 8.

Os medicamentos que produzem a coloração de marrom a preto são levodopa (anti-parkinsónicos), metildopa (anti-hipertensivo), derivados de fenol, e metronidazol (antibiótico).

Tabela 7: Tonalidade marrom.

Aspecto Significado

Hidratação Desidratação grave.

Concentração Acido homogent´ısico.´ Hemoglobina em repouso. Transformação da hemoglobina Metemoglobina.

Patologia

Doença hepática (distúrbios do f´ıgado). Hepatite viral aguda. Cirrose.

Tabela 8: Tonalidade preto.

Aspecto Significado

Concentrac¸˜ao Melanoma maligno. Melanina ou melanogem.

2.1.4.6 AZUL/VERDE

Infecções bacterianas promovem estas colorações, apresentadas na Figura 15. Assim, como a infecção do trato urinário por pseudomonas, infecções do trato intestinal. A ingestão de

(31)

corantes pode causar a cor verde.

Figura 15: Urina com colorac¸˜ao verde ou azul.

O medicamento methocarbamol (relaxante muscular), causa o azul de metileno, e ami-triptilina (anti-depressivo) tamb´em. Medicamentos intravenosos oxidados podem provocar a cor verde.

2.2 PROCESSAMENTO DE IMAGENS

As informações desta seção estão baseadas em (GONZALEZ; E.WOODS, 2002) e (PEREIRA, 2015), com exceção das referências indicadas no texto.

Em diversas áreas a utilização dos conceitos de processamento de imagens são, extre-mamente, importantes e transformam a realidade de uma sociedade, como por exemplo, na área da segurança, agricultura e saúde, entre outras.

Para ratificar a importância, uma das áreas mais importantes é a da saúde. Diversos indiv´ıduos recebem diagnósticos incorretos diariamente, seja por erro médico ou pela falta de comprometimento do profissional da medicina. Problemas de saúde afetam o psicológico do paciente, assim, a precisão de um diagnóstico é esperado. Doenças pulmonares, tumores, en-tre outros, podem ser detectados por um sistema que envolve o processamento de imagens e, assim, o médico poderá diagnosticar o problema com alto n´ıvel de precisão. Percebe-se então a importância de aplicações contendo processamento de imagens. Este possui algumas etapas descritas a seguir, assim como, apresentadas na Figura 16 .

1. Problema: procedimentos do mundo real que possuem deficiˆencias e que podem ser oti-mizados por meio do sistema de processamento de imagens;

2. Aquisição de imagens: imagens padronizadas são armazenadas em uma base para, poste-riormente, serem requisitadas;

(32)

4. Segmentação: retirar da imagem aquilo que é o foco do problema e, assim, eliminará o que não é de interesse da imagem;

5. Representação e descrição: por meio de descritores relacionados a forma, textura ou cor, um vetor de caracter´ısticas será formado, o qual descreve a imagem;

6. Reconhecimento: classificadores s˜ao utilizados nesta etapa;

7. Resultado: ap´os todas as etapas pode-se ter uma conclus˜ao para o problema.

Figura 16: Etapas de um sistema de processamento de imagens. Fonte: Autoria pr´opria.

2.2.1 IMAGEM

Uma imagem é definida como uma função bidimensional f(x,y), onde x e y são as coordenadas espaciais no plano. O resultado de f(x, y) representa o n´ıvel de cinza da imagem em um dado ponto. Para se ter uma imagem digital os valores de x, y e da intensidade devem ser valores finitos (discretos). É composta por um número finito de elementos, denominados de pixels, cada possuindo um valor e uma localização (GONZALEZ; E.WOODS, 2002).

2.2.2 ESPAC¸ O DE COR

O espaço de cor, geralmente mais utilizado, é o RGB (Red, Green e Blue) para repre-sentar cores em dados de 8 bits. Este modelo de cores é um espaço tridimensional, como mostra a Figura 17, onde os valores de cada eixo representam valores R, G e B normalizados entre 0

(33)

e 1. Qualquer ponto no interior deste espaço representa uma cor derivada da combinação das intensidades das três cores primárias, as quais são azul, verde e vermelho.

Figura 17: O espac¸o RGB representado por um cubo. Fonte: (PEREIRA, 2015)

Existe o modelo HSV (Hue, Saturation e valeu). Este considera trˆes parˆametros (PE-REIRA, 2015):

• Tonalidade (H). Se refere a medida do comprimento de onda m´edio da luz que um objeto emite, variando de 0◦a 360◦;

• Saturação (S). Está relacionada a “pureza”, variando de 0 a 1; • Valor (V). Define o n´ıvel de brilho, variando de 0 a 1.

A figura 18 apresenta o modelo HSV, onde o eixo da figura hexacônica se refere ao valor (V), a distância de um ponto P em qualquer seção transversal consiste no valor da saturação (S) e (H) é o ângulo formado pela reta que liga o ponto P ao eixo no plano do hexâgono gerado pela seção transversal.

Figura 18: O modelo HSV representado por uma figura hexacˆonica. Fonte: (PEREIRA, 2015)

(34)

2.2.3 VIZINHANC¸ A DE UM PIXEL

Uma imagem pode ser representada por f(x, y). Utiliza-se p ou q para se referir a um pixel em particular. A vizinhança pode considerar quatro, oito, ou mais pixels. A relação entre um dado pixel e seus vizinhos chama-se conectividade (PEREIRA, 2015). Considerando um dado pixel p de coordenadas (x,y) tem-se:

• Conectividade 4. Considera-se dois pixels vizinhos na horizontal e dois na vertical, como mostra a Figura 19. Suas coordenadas s˜ao (x+1,y), (x-1,y), (x,y+1), (x,y-1);

• Conectividade 8. Considera-se dois pixels vizinhos na horizontal, dois na vertical e quatro diagonais, como mostra a Figura 20. Suas coordenadas s˜ao (x+1, y+1),(x+1, y-1),(x-1, y+1),(x-1, y-1);

Figura 19: Vizinhanc¸a de valor 4. Fonte: (PEREIRA, 2015)

Figura 20: Vizinhanc¸a de valor 8. Fonte: (PEREIRA, 2015)

2.3 REPRESENTAÇ ÃO E DESCRIÇ ÃO

Um dos pilares para a classificação de imagens é o módulo de extração das carac-ter´ısticas. Isso ocorre pois são as caracter´ısticas extra´ıdas das imagens que são levadas em consideração no processo de classificação. O padrão de um dado objeto é criado por meio des-tas caracter´ısticas. Existem duas maneiras para a obtenção de tais caracter´ısticas, a partir de

(35)

dados brutos ou transformados. Contudo, quando se trata de imagens, ´e usual extrair carac-ter´ısticas por meio de dados brutos (pixels da imagem) (GUDIVADA; RAGHAVAN, 1995).

Os algoritmos de extração levam em consideração o conteúdo intr´ınseco das imagens que, normalmente, são representados por eles como vetores de caracter´ısticas para a medição das dissimilaridades entre duas imagens. Nas subseções a seguir serão apresentados alguns destes algoritmos baseados em cor, forma e textura.

2.3.1 DESCRITORES DE COR

A caracter´ıstica relacionada a cor ´e representada por um dado descritor em um sistema de cores espec´ıfico, esse sistema de cores pode ser por exemplo o RGB (red, green, blue), HSV (hue, saturation, value), dentre outros.

2.3.1.1 HISTOGRAMA

Consiste em um método que realiza a contagem de frequência das intensidades de co-res diferentes de uma imagem como, por exemplo, o descritor Global Color Histogram (GCH) (SWAIN; BALLARD, 1991). Para cada intensidade, atribui-se um valor que representa a proba-bilidade da mesma ocorrer na imagem como um todo. Geralmente, é realizada a requantização da imagem para um valor arbitrário (e.g. 64 cores) e, assim, calcula-se o histograma.

2.3.1.2 BORDER/INTERIOR CLASSIFICATION (BIC)

O descritor Border/Interior classification (BIC) utiliza o espaço de cores RGB unifor-memente quantizado em um número de cores, em geral 26= 64 (STEHLING et al., 2002). Este descritor gera uma representação compacta e consiste em separar os dados da imagem em dois histogramas, um para os pixels de borda e outro para os pixels de interior. Ou seja, o BIC é representado por um vetor de caracter´ısticas de 128 posições, o qual é obtido pela concatenação de dois vetores de 64 posições, os quais são inicializados com zero, como pode ser visto na Figura 21.

O BIC pode considerar como valor de vizinhança o 4 ou 8. Se os vizinhos forem iguais a do pixel central da máscara é um pixel de interior e, assim, o conteúdo da posição é incremen-tada, o mesmo ocorre se for de borda. A posição incrementada é obtida pela combinação dois números mais significativos de cada banda (RGB), os quais são adicionados logo após 00.

(36)

da an´alise, sem perdas percentuais em termos de eficiˆencia. (STEHLING et al., 2002)

Figura 21: Descritor BIC. Fonte: Autoria pr´opria.

2.3.2 DESCRITORES DE TEXTURA

Esta caracter´ıstica presente nas imagens pode ser definida como sendo “um padrão visual em que há um grande número de elementos vis´ıveis arranjados de forma equânime com densidades variadas”, no qual um elemento corresponde a “uma região de intensidade uniforme de forma simples que se repete dentro de um intervalo” (BUENO, 2001). Não é simples defini-la mesmo que seja fácil para a percepção humana.

2.3.2.1 LOCAL BINARY PATTERN (LBP)

O descritor Local Binary Pattern (LBP) é considerado robusto principalmente para detecção de faces (MUSCI et al., 2011). O LBP é representado por um vetor de caracter´ısticas de 256 posições, o qual é inicializado com zero (OJALA. et al., 1996). Como pode ser visto na Figura 22, este descritor verifica se as intensidades dos pixels vizinhos, podendo ser vizinhança 4 ou 8, geralmente 8, são menores em relação ao pixel central da máscara. Se for menor coloca-se valor zero, caso contrário, colocá-coloca-se valor um. A partir do pixel a direita da máscara forma-coloca-se um valor em binário o qual é transformado para decimal. O valor obtido representa a posição a ser incrementada no vetor de caracter´ısticas.

Figura 22: Descritor LBP. Fonte: Autoria pr´opria.

(37)

2.4 MINERAC¸ ˜AO DE DADOS

As informações desta seção e subseções estão baseadas em (WITTEN et al., 2011), (SANTOS, 2008) e (LOPES, 2007), com exceção das referências indicadas no texto.

A população procura padrões nos dados desde que a vida humana começou, quando nossos ancestrais procuravam padrões de comportamento de migração animal. Por exemplo, os agricultores procuram padrões de crescimento da cultura, pol´ıticos buscam padrões na opinião dos eleitores, etc. O trabalho de um cientista é descobrir padrões que regem a forma como o mundo f´ısico funciona e encapsulá-los em teorias que podem ser utilizadas para prever o que acontecerá em novas situações. O trabalho do empreendedor é identificar oportunidades, isto é, padrões de comportamento que podem ser transformados em um negócio rentável explorá-los (STRASINGER; LORENZO, 2014).

O aprendizado de máquina é uma nova tecnologia emergente para o conhecimento de mineração de dados, a tecnologia que muitas pessoas estão começando a levar a sério. Os dados são armazenados eletronicamente e a busca é automatizada. O objetivo é resolver problemas através da análise de dados já presentes em bancos de dados.

Há muitos problemas relacionados à tomada de decisão como, por exemplo, a fertilização in vitro. A qual envolve a coleta de vários óvulos dos ovários de uma mulher, que após a fertilização com o parceiro ou doador de esperma, produzem vários embriões. Alguns destes são selecionados e transferidos para o útero dela. O desafio é selecionar os “melhores” em-briões, os que têm mais probabilidade de sobreviver. O número de recursos é grande o sufici-ente para tornar dif´ıcil para um embriologista avaliá-los todos ao mesmo tempo e correlacionar dados históricos. O aprendizado de máquina tem sido investigado como uma técnica para fazer a seleção, usando um registro histórico de embriões e dos seus resultados, como treinamento (WITTEN et al., 2011).

Nos últimos anos a quantidade de dados está crescendo rapidamente. Estima-se que a quantidade de dados armazenados em bases de dados do mundo dobra a cada 20 meses. A análise manual dessas bases de dados com grandes números de atributos ou registros pode ser um processo demorado, tornando-se inviável. Por exemplo, os resultados obtidos da análise de determinados dados armazenados podem ser utilizados para atribuir maior competitividade às empresas, as quais podem desenvolver estratégias mais efetivas para obtenção de sucesso em suas respectivas áreas de atuação.

Na área de saúde e médica, Mineração de Dados tem sido usada tanto no sentido de administração de serviços a pacientes quanto no diagnóstico e tratamento de doenças. Podem

(38)

ser encontrados trabalhos para automatizar o diagnóstico de câncer cervical, câncer de mama, ataques card´ıacos, entre outros.

A mineração de dados possui como função extrair padrões dos dados, ou seja, descobrir similaridades que possam evidenciar um padrão de comportamento, se preocupando em ajustar modelos ou determinar padrões a partir dos dados observados. Utiliza técnicas baseadas em análise estat´ıstica e inteligência artificial (IA). Na mineração de dados é escolhida a tarefa a ser executada e são definidos os algoritmos de regressão, classificação, associação, agrupamento em clusters e sumarização (LOPES, 2007).

2.4.1 NOMENCLATURA B ´ASICA

Adota-se uma nomenclatura para as informações de uma base de dados (LOPES, 2007), as quais são:

• Atributos: descrevem uma caracter´ıstica ou um aspecto que as instâncias podem possuir, ou seja, são as informações existentes em cada uma elas. Por exemplo, em uma tabela os atributos são as colunas desta;

• Instâncias: são conjuntos de valores que definem as ocorrências de uma base de dados. Uma instância pode ter alguns atributos sem valores associados. Por exemplo, em uma tabela as instâncias são as linhas desta;

• Valores: correspondem as informações que uma determinada instância pode conter para cada atributo. Podendo ser valores numéricos ou categóricos. Por exemplo, em uma tabela os valores são as informações contidas em cada uma das células desta;

• Classes: se referem às poss´ıveis categorias em que as instâncias podem ser agrupadas. A classe representa a informação que se quer extrair da base de dados, sendo, portanto, o objetivo da aprendizagem supervisionada determinar a classe correta para cada instância. As classes podem ser definidas por um único atributo denominado de atributo preditor, em algumas bases de dados, pois o seu valor define qual será a classe na qual cada instância será classificada.

Os atributos podem ser classificados em quatro tipos b´asicos (LOPES, 2007):

• Categóricos nominais: são atributos qualitativos. Seus valores fornecem informações apenas para distinguir um objeto de outro. Exemplo: cor dos olhos;

(39)

• Categóricos ordinais: seus valores servem não somente para distinguir os objetos, pois também permitem uma ordem natural entre eles. Exemplo: número de ruas.;

• Numéricos intervalares: não representam somente informações pontuais, mas subcon-juntos de sequências ordenadas por uma unidade de medida. Exemplo: datas;

• Numéricos de razão ou diferenças: representações numéricas significativas expres-sando relações entre grandezas. Exemplos: idade e massa corporal.

2.4.2 WAIKATO ENVIRONMENT FOR KNOWLEDGE ANALYSIS - WEKA

As informações desta subseções estão baseadas em (BOUCKAERT et al., 2014) e (WAIKATO, 2012), com exceção das referências indicadas no texto.

Na Nova Zelˆandia, o Waikato Environment for Knowledge Analysis (Weka) surgiu na Universidade de Waikato, a qual possui como caracter´ısticas (BOUCKAERT et al., 2014):

• Implementado em Java;

• Ferramenta open source, além de ter código aberto e dispon´ıvel, gratuitamente, na Web; • Possui vários algoritmos já implementados para a realização de mineração de dados; • Atualizado constantemente;

• Fornece manual referente a como utilizar a ferramenta (est´a inclusa na pasta onde foi instalado o Weka).

Esta ferramenta possui algoritmos que podem ser agrupados nas seguintes categorias (SCHMITT, 2013):

• Classificação: nessa categoria estão implementados os mais usados algoritmos de classificação. Existem métodos bayesianos, árvores de decisão, entre outros;

• Regressão: exemplos de algoritmos de regressão: regressão linear simples e múltipla, vetorial, entre outras;

• Clusterização: exemplos de algoritmos de clusterização: K-means, algoritmos EM (Es-timation - Maximization), entre outros;

(40)

• Seleção de atributos: há duas abordagens filter e wrapper. Filter se refere a seleção de atributos independente do algoritmo de mineração que será aplicado aos atributos seleci-onados. E o Wrapper consiste em executar o algoritmo de mineração de dados para cada conjunto e, posteriormente, analisar os resultados obtidos.

Esta ferramenta possui seu pr´oprio formato para arquivos utilizados como entrada, o Attribute Relation File Format (ARFF) (ALCANTARA, 2012). Este formato foi desenvol-vido pela Universidade de Waikato para ser usado pelo Weka. Lembrando que outros formatos tamb´em podem ser utilizados, como por exemplo, DAT, CSV.

Na Tabela 9 pode-se observar a estrutura de um arquivo ARFF. O nome da base de dados é relevante para identificação. Na parte de definição de atributos deve-se definir todos os tipos de dados que a base contém, dando um nome a cada um deles e definindo o seu tipo. Por fim deve haver a apresentação dos dados. Após o uso do comando @data, serão apresentados cada um em uma linha, sendo que cada atributo será separado por v´ırgula.

Tabela 9: Estrutura de um arquivo arff (WAIKATO, 2012).

Informação Notação

Nome @relation ”Nome Base de Dados”

Atributos

@attribute Nome Atributo1 Tipo Atributo1 @attribute Nome Atributo2 Tipo Atributo2 @attribute Nome UltimoAtributo Tipo UltimoAtributo

Dados @data

Primeiro Atributo1, Atributo2, Atributo UltimoAtributo Segundo Atributo1, Atributo2, Atributo UltimoAtributo

´

Ultimo Atributo1, Atributo2, Atributo UltimoAtributo

2.4.2.1 CLASSIFICAC¸ ˜AO

A classificação é uma forma de analisar um conjunto de dados e extrair modelos que definem uma categoria (classe). Há dois tipos de estilos de classificação (COLONHEZI, 2013):

1. Aprendizagem supervisionada: as instâncias de treinamento contém as classes para exemplos e com isso é poss´ıvel conhecer os valores desejados como sa´ıda. Este tipo de aprendizagem pode ser dividido em duas fases. A primeira é chamada de treina-mento, onde o classificador é constru´ıdo com o objetivo de determinar o grupo ou obter a definição de classes por meio dos atributos obtidos como entrada, que podem ser referidos como: exemplos, instâncias ou objetos;

(41)

2. Aprendizagem não supervisionada: o conjunto de treinamento não possui indicação das classes de entradas em que são divididos, sendo necessário a utilização de racioc´ınio probabil´ıstico para o conhecimento das classes.

Existem seis tipos de classificadores com abordagens distintas na execução da tarefa de classificação (SOUZA, 2011). São eles :

1. Classificadores baseados em árvore de decisão: possuem uma abordagem determin´ıstica, cuja construção da árvore ocorre conforme a informação extra´ıda dos dados;

Um classificador deste tipo, consiste em uma técnica de classificação baseada em al-goritmos de particionamento sucessivo, conhecido como indução de árvore de decisão, a qual decorre do princ´ıpio de dividir para conquistar para produz´ı-las. A partir da informação contida nos dados, cada ramo da árvore surge em função de um questio-namento de classificação e cada folha é uma partição do conjunto de dados contendo a sua respectiva classificação. Uma árvore de decisão é formada pelo nó raiz, arestas e ou-tros nós internos e terminais, que resultam da separação de regisou-tros com caracter´ısticas diferentes.

2. Classificadores baseados em redes neurais artificiais: não conhecem a distribuição, extraindo assim, a estat´ıstica dos dados;

Trata-se de técnicas não paramétricas e não-lineares, que permitem o mapeamento dos dados de entrada em associação com os de sa´ıda de maneira que a sa´ıda da rede consiste na classe associada à amostra. Uma Rede Neural Artificial (RNA), análoga à estrutura do cérebro humano, é composta de um conjunto interligado de nodos e links direciona-dos. Consiste em um conjunto de elementos de processamento (neurônios), agrupados em diversas topologias e regido por procedimentos matemáticos, como clusterização de vetores, minimização de erros e otimização discreta, entre outros.

3. Classificadores bayesianos: Possuem uma abordagem não determin´ıstica, baseiam-se na inferência probabil´ıstica. São classificadores estat´ısticos que classificam um objeto numa determinada classe, baseando-se na probabilidade deste objeto pertencer a esta classe. Há aplicações em que o relacionamento entre o conjunto de atributos e o rótulo da classe pode não ser determin´ıstico, ou seja, o rótulo da classe de um registro de teste não pode ser previsto com certeza, mesmo que seu conjunto de atributos seja idêntico a alguns dos exemplos de treinamento, devido a dados com ru´ıdos ou à presença de determinados fato-res de confusão que afetam a classificação. Como solução destes problemas adota-se uma

(42)

abordagem baseada no teorema de Bayes para a construção de modelos fundamentados em um princ´ıpio estat´ıstico que combina o conhecimento prévio das classes com novas evidências extra´ıdas dos dados, ou seja, combina conhecimento a priori (probabilidade a priori ou incondicional) com dados de observação.

4. Classificadores baseados em vetores de suporte: consideram a teoria de aprendizado estat´ıstico para minimizar erros da classificação emp´ırica e maximizar a margem geométrica entre os resultados;

Um classificador deste tipo consiste em uma técnica fundamentada na teoria de apren-dizagem estat´ıstica. Foi desenvolvida por (VAPNIK, 1995) a máquina de vetores de su-porte, do inglês Support Vector Machine (SVM), com o intuito de resolver problemas de classificação de padrões.

5. Classificadores de vizinho mais pr´oximo: do inglˆes K-Nearest Neighbor (K-NN). Bus-cam encontrar todos os exemplos de treinamento poss´ıveis, que sejam relativamente se-melhantes aos atributos do exemplo de teste;

Um classificador deste tipo possui como objetivo encontrar todos os exemplos de treina-mento que sejam relativamente similares aos atributos do exemplo de teste. Estes exem-plos são denominados vizinhos mais próximos e podem ser utilizados para determinar o rótulo da classe como exemplo de teste. Uma desvantagem desta abordagem está re-lacionada ao fato de que alguns registros de testes podem não ser classificados por não corresponderem a nenhum exemplo de treinamento. Então, assim que a lista de vizinhos mais próximos for obtida pelo algoritmo de classificação, o exemplo de teste é classifi-cado baseado na classe majoritária dos mais próximos.

6. Classificadores baseados em regras: realizam a classificac¸˜ao se baseando em registros a partir de um conjunto de regras.

A expressividade de um conjunto de regras é praticamente equivalente àquela de uma árvore de decisão, porque uma árvore de decisão pode ser representada por um conjunto de regras completas e mutuamente excludentes. Tanto os classificadores de árvores de decisão quanto os baseados em regras criam partições retil´ıneas do espaço de atributos e atribuem uma classe a cada partição.

Para a realização da classificação das imagens a ferramenta Weka é essencial. Os algoritmos de aprendizagem referentes aos de classificação estão contidos na classe classifiers. Nessa classe há os classificadores bayes, functions, lazy, meta, rules, trees, os quais foram utilizados nos experimentos.

(43)

Há uma quantidade de opções para entradas e definições para os classificadores no Weka (WAIKATO, 2015), as mais importantes são apresentadas na Tabela 10.

Tabela 10: Parˆametros para os classificadores. Parˆametros Significado

-t Especifica o arquivo de treinamento (formato arff). -T

Especifica o arquivo de teste (formato arff).

Se esse parâmetro estiver ausente, uma validação cruzada será realizada.

-x Determina o n´umero de pastas para o cross-validation. Esse ser´a realizado somente se o -T estiver ausente. -p

Se um arquivo teste é especificado, este parâmetro mostra as previsões para todas as instâncias do teste, caso, contrário, nada é apresentado.

-i

Uma descrição mais detalhada do desempenho por meio de precisão, recall, taxa positiva verdade-e-falso é adicionada a sa´ıda com esse parâmetro. Todos estes valores também podem ser calculados a partir da matriz de confusão.

-o Apresenta detalhes como custos, tempo, etc.

Com os arquivos de treinamento e teste, executa-se o Weka, dois comandos são ne-cessários, um para obter informações de classificação para cada instância do teste (1) e outro para obter o tempo de execução (2).

1. java -cp weka.jar weka.classifiers.tipo do classificador.nome do classificador -k -t cami-nho do arquivo treinamento (arff)-T caminho do arquivo teste (arff) -p 0 > caminho onde salvar, nome e tipo do arquivo de sa´ıda (txt)

2. java -cp weka.jar weka.classifiers.tipo do classificador.nome do classificador -k -t cami-nho do arquivo treinamento (arff) -T caminho do arquivo teste (arff) -p -o > caminho onde salvar, nome e tipo do arquivo de sa´ıda (txt)

(44)

3 MATERIAIS

O presente trabalho possui dois fatores importantes para a concretização do projeto, os quais são: criação da base de imagens e implementação da aplicação. Em cada etapa foram utilizados alguns materiais para a obtenção dos resultados.

Para formar a base de imagens as etapas 1 a 4 foram executadas. A implementação do código está relacionada a etapa 5.

3.1 ETAPA 1 - CORANTES

Obteve-se urina de três indiv´ıduos em horários variados. Urina com coloração anormal (azul, verde, entre outras) não foi obtida, assim, a utilização de corantes substituiu a coloração azul, rosa, marrom, preto, verde e vermelho. Seis colorações de corantes, como mostra a Figura 23, foram utilizados: 1. Laranja; 2. Rosa; 3. Vermelho; 4. Azul; 5. Verde; 6. Marrom.

(45)

Figura 23: Corantes. Fonte: Autoria pr´opria.

3.2 ETAPA 2 - RECIPIENTES

Utilizou-se dois tipos de recipientes para armazenamento da urina, como mostra a Fi-gura 24, um com coloração avermelhada, normalmente, são vendidos somente para laboratórios. Assim, este foi fornecido pelo laboratório Santa Paula, localizado na cidade de Siqueira Cam-pos. Este recipiente foi usado para a criação da base de imagens. Enquanto, que o outro recipi-ente foi utilizado para armazenar o fluido do indiv´ıduo para, posteriormrecipi-ente, serem repassados para o outro recipiente para obtenção das fotografias.

Figura 24: Recipientes. Fonte: Autoria pr´opria.

3.3 ETAPA 3 - APARELHO PARA FOTOGRAFAR

Para fotografar os recipientes com a urina utilizou-se um celular da marca Motorola, modelo segunda geração, memória 16GB, câmera 8MP, apresentado na Figura 25.

(46)

Figura 25: Aparelho utilizado para fotografar.

Fonte: http://i4.zst.com.br/images/smartphone-motorola-moto-g-colors-edition-xt1033-camera-5-0-mp-desbloqueado-2-chips-16-gb-android-4-3-jelly-bean-wi-fi-3g-photo22064371-12-3-2e.jpg

As configurações utilizadas da câmera:

• HDR desativado; • Flash desativado;

• Controle de foco/exposic¸˜ao ativado; • Foto: Tela cheia.

3.4 ETAPA 4 - EST ´UDIO DE FOTOGRAFIA

Para que as imagens fossem capturadas com qualidade e padronizadas foi projetado e constru´ıdo um pequeno estúdio de fotografia. No processo de projeção as seguintes medidas foram aplicadas:

• Externo geral. Base possui tamanho 16x16 cm, enquanto, que a altura corresponde a 19 cm, dos quais 3 cm correspondem a base, como mostra a Figura 26. O estúdio é composto por duas regiões. Região da base (até 3 cm) e região complementar, as quais são separáveis, ou seja, pode-se desconectar essas partes. Esta caracter´ıstica é relevante pois manutenções e limpezas podem ser realizadas com facilidade.

(47)

Figura 26: Região externa, geral, do estúdio. Fonte: Autoria própria.

• Externo detalhado. A região complementar, possui duas aberturas, apresentada na Figura 27. Uma frontal de 7x8 cm e uma superior de 8x8 cm. A frontal é destinada a fotografia, enquanto, que a superior à inserção do recipiente.

Figura 27: Região externa, detalhada, do estúdio. Fonte: Autoria própria.

• Base interna. Desconsiderando a região complementar, a base possui uma região se-cundária, a qual corresponde à altura de 0,7 cm, como mostra a Figura 28 e 14,5x14,5 cm de área, como mostra a Figura 29 .

Figura 28: Base interna, vista frontal. Fonte: Autoria pr´opria.

(48)

Figura 29: Base interna, vista superior. Fonte: Autoria pr´opria.

• Interno da região complementar. Utilizou-se como fonte de iluminação leds de coloração branca. Tais leds estão inseridos nesta região e, por meio de uma pequena abertura no estúdio, seu conector possui acesso à região externa para conexão com a energia, apre-sentado na Figura 30.

Figura 30: Conector de energia. Fonte: Autoria pr´opria.

Por meio da abertura superior tem-se acesso ao interior do est´udio, como mostra a Figura 31. No qual est´a inserido uma pequena base para o posicionamento do recipiente.

Figura 31: Interior do est´udio de fotografia. Fonte: Autoria pr´opria.

(49)

Figura 32: Est´udio de fotografia. Fonte: Autoria pr´opria.

Na Figura 33 pode-se visualizar a região da base e a complementar. Na base está um recipiente de coloração branca, dentro do qual estará o objeto em estudo, e a região comple-mentar, na qual esta inseridos os leds.

Figura 33: Base com recipiente de (a) plástico e (b) região complementar. Fonte: Autoria própria.

Um recipiente de vidro foi constru´ıdo e envolvido por cartolina branca, como mostra a Figura 34 , contudo, o vidro proporciona um tom azulado `a imagem, apesar da cartolina, assim, a qualidade desta fica comprometida (Figura 35). Portanto, este recipiente foi desconsiderado.

(50)

Figura 34: Base com recipiente de (a) vidro e (b) regi˜ao complementar. Fonte: Autoria pr´opria.

Figura 35: Imagem obtida com recipiente de (a) pl´astico e (b) com o de vidro. Fonte: Autoria pr´opria.

3.5 ETAPA 5 - EQUIPAMENTO PARA IMPLEMENTAC¸ ˜AO

Utilizou-se para a implementação e obtenção dos resultados um Notebook, marca Dell, como mostra a Figura 36, com processador Intel Core i5 de 2,4 GHz e memória RAM de 6GB.

Figura 36: Notebook Dell utilizado na implementac¸˜ao.

Fonte: http://isuba.s8.com.br/produtos/01/00/item/113059/1/113059172SZ.jpg

3.6 BASE DE IMAGENS

A base de imagens criada possui no total 450 imagens, sendo dividida em 10 clas-ses, onde cada uma possui 45 imagens, com pequenas variações de tonalidade. Cada classe correspondente à coloração da urina como mostra a Tabela 11 e a Figura 37.