OTÁVIO PRIETO GARCIA

DETECÇÃO DA ÁREA DE RASPAGEM DO TESTE DEIDENTIFICAÇÃO DO OLFATO DA UNIVERSIDADE DA

PENSILVÂNIA

LONDRINA–PR

2014

OTÁVIO PRIETO GARCIA

DETECÇÃO DA ÁREA DE RASPAGEM DO TESTE DEIDENTIFICAÇÃO DO OLFATO DA UNIVERSIDADE DA

PENSILVÂNIA

Trabalho de Conclusão de Curso apresentadoao curso de Bacharelado em Ciência da Com-putação da Universidade Estadual de Lon-drina para obtenção do título de Bacharel emCiência da Computação.

Orientador: Prof. Dr. Sylvio Barbon Junior

LONDRINA–PR

2014

Otávio Prieto GarciaDetecção da área de raspagem do Teste de identificação do Olfato da Univer-

sidade da Pensilvânia/ Otávio Prieto Garcia. – Londrina–PR, 2014-50 p. : il. (algumas color.) ; 30 cm.

Orientador: Prof. Dr. Sylvio Barbon Junior

– Universidade Estadual de Londrina, 2014.

1. UPSIT. 2. Template Matching. I. Prof. Dr. Sylvio Barbon Junior. II.Universidade Estadual de Londrina. III. Segmentação da área de raspagem doTeste de Identificação do Olfato da Universidade da Pensilvânia

CDU 02:141:005.7

OTÁVIO PRIETO GARCIA

DETECÇÃO DA ÁREA DE RASPAGEM DO TESTE DEIDENTIFICAÇÃO DO OLFATO DA UNIVERSIDADE DA

PENSILVÂNIA

Trabalho de Conclusão de Curso apresentadoao curso de Bacharelado em Ciência da Com-putação da Universidade Estadual de Lon-drina para obtenção do título de Bacharel emCiência da Computação.

BANCA EXAMINADORA

Prof. Dr. Sylvio Barbon JuniorUniversidade Estadual de Londrina

Orientador

Prof. Dr. Alan Salvany FelintoUniversidade Estadual de Londrina

Prof. Dr. Marco Aurélio FornazieriUniversidade de São Paulo

Londrina–PR, 21 de novembro de 2014

Dedico este trabalho a todos os professores que tive no decorrer da minha vida e a todosque me apoiaram até o final do curso e que nunca deixaram eu desistir

AGRADECIMENTOS

Em primeiro lugar agradeço aos meus pais, que sempre me apoiaram e me deramtodas as condições para que eu completasse esse objetivo de vida.

Em segundo lugar gostaria de agradecer o meu orientador Sylvio Barbon Junior,que me mostrou o caminho para conseguir concluir este curso.

Gostaria de agradecer também a Associação Atlética Acadêmica Exatas UEL etodos seus diretores e membros ativos que fizeram com que meu curso não fosse apenasmais uma graduação mas uma grande experiência de vida.

“Quem diz que não pode ser feitonunca deve atrapalhar quem esta fazendo.”

(Eiichiro Oda, Monkey D. Luffy (One Piece))

GARCIA, O. P.. Detecção da área de raspagem do Teste de identificação do Ol-fato da Universidade da Pensilvânia. 50 p. Trabalho de Conclusão de Curso (Bacha-relado em Ciência da Computação) – Universidade Estadual de Londrina, Londrina–PR,2014.

RESUMO

O UPSIT, University of Pennsylvania Smell Identification Test, avalia o funcionamento dosistema olfativo de um indivíduo com o intuito de diagnosticar doenças como parkinsone alzheimer, os pacientes devem raspar uma área retangular, sentir o odor e marcar aalternativa correspondente. Cada indivíduo possui uma característica diferente na formade raspar o local determinado, essas diferenças podem, ou não, influenciar no resultadofinal do teste. O atual trabalho tem como objetivo identificar padrões entre a área raspadae a identificação do odor, para alcançar o objetivo foi desenvolvido uma aplicação comprocessamento de imagens para avaliar a área de raspagem. Os experimentos foram feitosem testes aplicados na população brasileira à fim de avaliar a quantidadede área raspada,para isso foi necessário a utilização de abordagens de computação gráfica, como bina-rização, segmentação e casamento de padrões. Os resultados mostram que há diferençana área raspada de cada amostra, com uma média de 55% de área raspada. A média dedesvio padrão é inferior a 12%, mas algumas amostras ultrapassaram 15%.

Palavras-chave: UPSIT. Processamento de Imagem. Casamento de Padrões. Segmenta-ção

GARCIA, O. P.. Detection of scraping area from the University of Pennylva-nia Smell Identification Test. 50 p. Final Project (Bachelor of Science in ComputerScience) – State University of Londrina, Londrina–PR, 2014.

ABSTRACT

The University of Pennsylvania Smell Identification Test is a test to measure the indi-vidual’s ability to detect odors by scraping an area, smelling and marking the alternativeperceived. The individual that answer the test, tends to have a different way of shavingthe area required and may, or may not, influence the final result. This work present aimage process framework for scraped area recognition in order to identify a pattern ofscraping area and odors identification. The experiments was performed by test on Brazil-ian population in order to evaluate the amount of area scraped, for this was necessarya approach of Graphics Computing. The results showed that the scraping of rectangulararea were different in each test, with a average of scraping area in 55%.The average ofstandard deviation was less to 12% but in a few samples was more then 15%.

Keywords: UPSIT. Image Processing. Template Matching. Segmentation

LISTA DE ILUSTRAÇÕES

Figura 1 – (a) Vizinhança 4 Conectada; (b) Vizinhança 8 Conectada, figura reti-rada de [1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

Figura 2 – Modelo de representação básico RGB, figura retirada de http://www.sarjakuvanteko.fi/ 25Figura 3 – Modelo RGB, figura retirada de [2] . . . . . . . . . . . . . . . . . . . . 25Figura 4 – Escalas de cinza, emphfigura retirada de http://discordando-do-mundo.blogspot.com.br 26Figura 5 – (a) Imagem original; (b) imagem contaminada por ruído impulsivo; (c)

resultado da filtragem pelo filtro da mediana com máscara 3x3; (d)resultado da filtragem pelo filtro da média com máscara 3x3; figuraretirada de [2] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

Figura 6 – Efeitos da escolha do valor de limiar na binarização de uma imagem de256 tons de cinza. As imagens (c), (e) e (g) correspondem à bipartiçãodos histogramas (d), (f) e (h), respectivamente, nos limiares indicados,a saber: 128, 64 e 192. Figura retirada de [2] . . . . . . . . . . . . . . . 28

Figura 7 – Continuação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29Figura 8 – Blocos funcionais para o reconhecimento de padrão na abordagem es-

tatistica, figura retirada de [3] . . . . . . . . . . . . . . . . . . . . . . . 34Figura 9 – Teste já devidamente aplicado . . . . . . . . . . . . . . . . . . . . . . . 35Figura 10 – UPSIT, versão brasileira já aplicado. Nesta imagem temos 4 teste (ta-

lões) alinhados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38Figura 11 – Passos do algoritimo de segmentação de imagem;(a) uma amostra ori-

ginal;(b) convertida em graus de cinza;(c) filtro de mediana 5px apli-cado;(d) 1 das 4 imagens geradas com os retângulos retirados da ima-gem principal;(e) convertido em graus de cinza;(f) filtro de mediana5px aplicado;(g) limiar igual a 83. . . . . . . . . . . . . . . . . . . . . . 39

Figura 12 – Passos do framework de segmentação. . . . . . . . . . . . . . . . . . . . 41Figura 13 – Comparação entre área de raspagem A1, A2, A3 e A4. . . . . . . . . . 43Figura 14 – (a) Área danificada; (b) Raspagem fora do limite. . . . . . . . . . . . . 44Figura 15 – Diferença entre a forma de raspar no ínicio do teste e no final do teste. 44Figura 16 – Dispersão dos valores obtidos nas áreas A1, A2 e A3 . . . . . . . . . . 45Figura 17 – Dispersão dos valores obtidos nas áreas A2, A3 e A4 . . . . . . . . . . 45Figura 18 – Dispersão dos valores obtidos nas áreas A1, A2 e A4 . . . . . . . . . . 46Figura 19 – Dispersão dos valores obtidos nas áreas A1, A3 e A4 . . . . . . . . . . 47

LISTA DE ABREVIATURAS E SIGLAS

UPSIT University of Pennsylvania Smell Identification Test

PD Parkinson’s disease

ROI Region of Interest

CG Computação Gráfica

CAD Computer-Aided Design

CIE Comission Internacionale de I’Éclairage

HCMV Human Cytomegalovirus

AIDS Acquire Immunodeficiency Syndrome

TEM Typical Transmission Electron Micrograph

DCE-MRM Dynamic Contrast-enhanced, Magnetic Resonance Mammography

SUMÁRIO

1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2 COMPUTAÇÃO GRÁFICA . . . . . . . . . . . . . . . . . . . . 232.1 Pixel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232.1.1 Topologia de um Pixel . . . . . . . . . . . . . . . . . . . . . . . . . 232.1.2 Conectividade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242.2 Cores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242.2.1 Modelo RGB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242.2.2 Niveis de Cinza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262.3 Técnicas de Realce de Imagens . . . . . . . . . . . . . . . . . . . 262.3.1 Máscaras Espaciais . . . . . . . . . . . . . . . . . . . . . . . . . . . 262.3.2 Filtro da Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . 272.4 Limiarização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282.5 Segmentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292.6 Reconhecimento de Padrões . . . . . . . . . . . . . . . . . . . . . 302.6.1 Casamento de modelos (Template Matching) . . . . . . . . . . 302.6.2 Outras Técnicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3 TESTE DE IDENTIFICAÇÃO DO OLFATO DA UNIVER-SIDADE DA PENSILVÂNIA . . . . . . . . . . . . . . . . . . . . 35

3.1 UPSIT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353.2 Versão brasileira . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4 MATERIAIS E MÉTODOS . . . . . . . . . . . . . . . . . . . . 374.1 Amostras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 374.1.1 Critérios de inclusão . . . . . . . . . . . . . . . . . . . . . . . . . . 374.1.2 Critérios de exclusão . . . . . . . . . . . . . . . . . . . . . . . . . . 374.2 Método de segmentação da imagem . . . . . . . . . . . . . . . . 384.2.1 Passos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

5 DISCUSSÕES FINAIS . . . . . . . . . . . . . . . . . . . . . . . 435.1 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 435.2 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

21

1 INTRODUÇÃO

Possuir um sentido olfativo funcional é importante para o ser humano, segundo[4] o sentido do olfato é determinante para sentir o sabor dos alimentos que ingerimos ebebidas que saboreamos, serve como um sistema de alerta para detectar fogo, fumaçasperigosas, vazamento de gás, comida estragada e ambientes poluídos.

Sabendo da grande importância do olfato para o bem estar do ser humano, pesqui-sadores desenvolveram o Teste de Indentificação do Olfato da Universidade da Pensilvânia(UPSIT), o teste conforme [5] é mundiamente utilizado e considerado por muitos como opadrão-ouro da avaliação olfatória.

[5] lembra que além da importância do olfato para os seres humanos, a avaliaçãoolfatória é um meio importante para o diagnóstico de doenças neurodegenerativas comoa doença de Parkinson e de Alzheimer.

Quando o sentido do olfato é testado - o que, segundo [5], raramente ocorre mesmoentre otorrinolaringologistas e neurologistas, esse exame é realizado, de modo conciso,apresenta-se ao paciente frascos com algum elemento de odor forte como álcool, café ouessência de baunilha e se pede ao indivíduo para que indique a presença de sensaçãoodorífica e a identidificação de substância.

O UPSIT então, conforme [6], tornou possível, conveniente e preciso medir a fun-ção olfativa em cenários fora do laborátorio sem o uso de equipamentos olfatométricoscomplexos ou garrafas de cheiro.

[7] notou que pessoas com a habilidade olfativa diminuida tendem a marcar ostestes mais vigorosamente e que essa característica pode ser útil na detecção de pacientestentando fingir sua condição. Neste trabalho foi proposto um framework de segmentaçãode imagem para determinar a área raspada em cada questão do teste, a motivação dessasanálises é baseada na hipótese da área raspada influenciar na identificação do odor.

O problema ao se pensar em avaliar manualmente as áreas de raspagem de cadateste seria a vasta quantidade de testes possuidos, pode-se então pensar em um aumentona quantidade de pessoas fazendo a avaliação das áreas porém é gerado outro problema, oda interpretação de cada avaliador quanto a área raspada. A elaboração de um frameworkque faça está avaliação de forma igual em todas as amostras e de forma rápida se tornaextremamente útil.

O framework de segmentação de imagem proposto neste trabalho utliza a técnicade template matching, uma abordagem de reconhecimento de padrões, para extrair a áreade raspagem do teste de identificação do olfato da Universidade da Pensilvânia para uma

22

melhor avaliação da área raspada.

Está separação se faz necessária já que nosso objetivo é a avaliação exclusivamenteda área destinada a raspagem no teste e as demais áreas podem vir a interferir nas técnicasde computação gráfica utilizadas para essa avaliação.

A seção desde trabalho denominada Computação Gráfica descreve a fundamenta-ção teórica desde os termos mais básicos de CG até técnicas mais avançadas e utilizadaspara o desenvolvimento deste trabalho. Já a seção denominada Teste de Identificaçãodo Olfato da Universidade da Pensilvânia descreve o UPSIT e a sua versão brasileira.Na Seção 4, denominada Materias e Métodos é a apresentado a forma de obtenção dasamostras e é feito toda a descrição dos métodos utilizados para a elaboração e implemen-tação do framework desde trabalho. A seção 5, Discussões Finais, vem para demonstraros resultados obtidos com o framework e mostrar as conclusões do trabalho.

23

2 COMPUTAÇÃO GRÁFICA

Computação Gráfica conforme [8] é uma área da Ciência da Computação que sededica ao estudo e desenvolvimento de técnicas e algoritmos para a geração (síntese) deimagens através do computador. [8] menciona que atualmente a CG está presente emquase todas as áreas do conhecimento humano, da engenharia que utiliza as tradicionaisferramentas CAD, até a medicina que trabalha com modernas técnicas de visualizaçãopara auxiliar o diagnóstico por imagens.

2.1 Pixel

O pixel1 é o menor componente de uma imagem digital, conforme [1] a imagemdigital é obtida a partir de uma amostragem e de uma quantização da função: f(x, y) =Cor no ponto (x, y); e pode ser representada pela mesma função, sendo x e y númerosinteiros, formando uma matriz de valores que representam a cor e cada elemento dessamatriz é um pixel.

2.1.1 Topologia de um Pixel

[1] menciona que muitas vezes o pixel é representado como um quadrado preenchidocom a cor do pixel, gerando uma grade (grid) regular devido à amostragem uniformementeespaçada. Nesta grade regular [1] defini dois tipos de vizinhanças: (1) 4 conectada, onde osvizinhos são equidistantes; (2) 8 conectada, onde nem todos são equidistantes (os vizinhosna diagonal são mais distantes que os vizinhos nas laterais); como pode ser observado nafigura 1. [1] ainda ressalta que normalmente usa-se uma combinação das duas vizinhanças,definindo 4 conectada para os objetos e 8 conectada para o fundo.

Figura 1 – (a) Vizinhança 4 Conectada; (b) Vizinhança 8 Conectada, figura retirada de[1]

1 Aglutinação de Picture Element, sendo Pix a abreviatura em inglês para Pictures

24

2.1.2 Conectividade

[9] ressalta que a conectividade entre dois pixels é um conceito fundamental quesimplifica a definição de inúmeros conceitos de imagem digital, como regiões e bordas, edefini que para estabelecer se dois pixels são conectados deve ser determinado se eles sãovizinhos e se o nivel de cinza deles satisfazem um critério específico de similariedade. [9]explica que sendo V o conjunto de valores de nivel de cinza usado para definir adjacência,V pode ser um subconjunto de 256 valores (nivel de cinza de 0 a 255), em uma imagembinária V = 1 (se estamos nos referindo a adjacência de pixels com valor 1). [9] consideratrês tipos de adjacência:

∙ Conectividade de 4: Dois pixels p e q com valores em V são 4-adjacentes se q é davizinhança 4 conectada de p;

∙ Conectividade de 8: Dois pixels p e q com valores em V são 8-adjacentes se q é davizinhança 8 conectada de p;

∙ Conectividade de M (adjancência mista): Dois pixels p e q com valores em V são M-adjacentes se (I) q é da vizinhança 4 conectada de p; (II) q é da vizinhança diagonalde p e a interseção da vizinhança 4 conectada de p e vizinhança 4 conectada de qnão possui pixels cujo valor está em V ;

2.2 Cores

[1] define cor como uma onda eletromagnética que matematicamente pode serrepresentada por uma função unidimensional. Conforme [1] as cores que nós percebemossão geradas a partir de diversos processos psicoquímicos, que podemos classificar em trêsgrupos:

∙ Processo Aditivo: vários raios de luz são combinados para formar um novo raio, é oprocesso mais simples e utilizado em monitores;

∙ Processo Subtrativo: um raio de luz passa por um filtro que elimina alguns compri-mentos de onda resultando numa nova cor;

∙ Processo por Pigmentação: a luz passa por diversos eventos, sendo refletida, trans-mitida e absorvida, o resultado dessa interação é a nova cor;

2.2.1 Modelo RGB

O primeiro padrão foi estabelecido em 1931 pelo comitê CIE e foi chamado deCIE-RGB2 pois define as primárias do emissor como sendo 3 cores espectrais [1].2 Red, Green e Blue do inglês

25

Figura 2 – Modelo de representação básico RGB, figura retirada dehttp://www.sarjakuvanteko.fi/

[2] menciona que o modelo RGB é baseado em um sistema de coordenadas cartesi-anas, que pode ser visto como um cubo onde três de seus vértices são as cores primárias,outros três as cores secundárias, o vértice junto à origem é o preto e o mais afastado daorigem corresponde à cor branca, conforme ilustra a figura 33.

Figura 3 – Modelo RGB, figura retirada de [2]

3 Figura retirada de [2]

26

2.2.2 Niveis de Cinza

Uma imagem em nível de cinza é uma imagem na qual o valor de cada pixel é umaúnica amostra de um espaço de cores. Imagens desse tipo são tipicamente compostas comtons de cinza, variando entre o preto como à menor intensidade e o branco como maiorintensidade como pode ser observado na figura 4.

Figura 4 – Escalas de cinza, emphfigura retirada de http://discordando-do-mundo.blogspot.com.br

2.3 Técnicas de Realce de Imagens

[2] cita que o principal objetivo das técnicas de realce de imagens é processar umacerta imagem de modo que a imagem resultante seja mais adequada que a imagem originalpara uma aplicação especifica, os métodos de filtragem de imagens são normalmenteclassificados em duas categorias:

∙ Filtragem Espacial: As técnicas de filtragem no domínio espacial são aquelas queatuam diretamente sobre a matriz de pixels que é a imagem digitalizada;

∙ Filtragem no Domínio da Frequência: A base matemática das técnicas de filtragemno domínio da frequência é o teorema da convolução;

2.3.1 Máscaras Espaciais

Conforme [2] o uso de máscaras espaciais no processamento de imagens é normal-mente denominado filtragem espacial e as máscaras são conhecidas como filtros espaciais,os filtros lineares se baseiam no conceito de que a função de tranferência de um sistema

27

linear e sua função de resposta a impulso unitário estão relacionadas entre si através datransformada de Fourier.

2.3.2 Filtro da Mediana

Como mencionado em [2], nesta técnica, o nível de cinza do pixel central da janela ésubstituído pela mediana dos píxels situados em sua vizinhança. [2] ainda ressalta que estemétodo não-linear apresenta desempenho particularmente bom em situações nas quais aimagem é contaminada por ruído impulsivo , como ilustra a figura 5.

Figura 5 – (a) Imagem original; (b) imagem contaminada por ruído impulsivo; (c) resul-tado da filtragem pelo filtro da mediana com máscara 3x3; (d) resultado dafiltragem pelo filtro da média com máscara 3x3; figura retirada de [2]

28

2.4 Limiarização

Conforme [2] o princípio da limiarização consiste em separar as regiões de umaimagem quando esta apresenta duas classes (o fundo e o objeto), devido ao fato da limia-rização produzir uma imagem binária à saída, o processo também é denominado, muitasvezes, binarização. [2] cita que a forma mais simples de limiarização consiste na bipartiçãodo histograma, convertendo os pixels cujo tom de cinza é maior ou igual a um certo valorde limiar (T ) em brancos e os demais em pretos, no caso de níveis de cinza divididosbasicamente em duas classes, onde o histograma apresenta dois picos e um vale, a limia-rização é trivial e ainda assim, os efeitos decorrentes da escolha de um valor específico delimiar dentre os diversos pontos situados na região de vale podem ser analisados na figura6 e 7.

Figura 6 – Efeitos da escolha do valor de limiar na binarização de uma imagem de 256 tonsde cinza. As imagens (c), (e) e (g) correspondem à bipartição dos histogramas(d), (f) e (h), respectivamente, nos limiares indicados, a saber: 128, 64 e 192.Figura retirada de [2]

29

Figura 7 – Continuação

2.5 Segmentação

A segmentação de imagens é um processo de dividir e separar uma imagem emobjetos ou elementos que são coerentes sob algum critério, esse processo de divisão deveocorrer até que a informação desejada seja corretamente separada.

[10] define segmentação de imagem como a divisão de uma imagem em diferentesregiões, cada uma contendo diferentes propriedades. [10] ainda separa a segmentação emtrês classes: (1) clustering; (2) detecção de borda; (3) extração de região; [11] menciona queexistem centenas de técnicas de segmentação na literatura, mas lembra que não existe umúnico método que possa ser considerado bom para todas as imagen, ou métodos igualmentebons para um tipo de imagem em particular.

Conforme [12] algoritimos de segmentação podem ser avaliados analiticamente ouempiricamente, os métodos analíticos examinam e avaliam diretamente os algoritimosde segmentação analisando seus princípios e propriedades, em contraponto os métodosempíricos avaliam indiretamente os algoritimos aplicando imagens testes e medindo seus

30

resultados de segmentação. [12] lembra que a performace dos algoritimos é influenciadopor vários fatores e ressalta que os métodos de avaliação empiricos são mais adequados eúteis do que métodos de avaliação analiticos.

2.6 Reconhecimento de Padrões

Há duas maneiras de se classificar um padrão, conforme [13]: (I) ClassificaçãoSupervisionada, o padrão de entrada é identificado como um membro de uma classe pré-definida, ou seja, a classe é definida pelo projetista do sistema; (II) Classificação NãoSupervisionada, o padrão é determinado por uma fronteira de classe desconhecida; Aescolhe de uma abordagem para o reconhecimento de padrões não é uma tarefa simples emuitas vezes ela conta com a experiência do projetista. [3] lembra que vale observar queas técnicas de reconhecimento de padrões não são necessariamente independentes, poisdesde os primórdios da pesquisa em reconhecimento de padrões, várias são as tentativaspara o projeto de sistemas híbridos e que na literatura de reconhecimento de padrão, àsvezes a mesma abordagem possui diferentes interpretações.

2.6.1 Casamento de modelos (Template Matching)

[14] define template matching como o processo de localizar uma subimagem dentrode uma imagem maior. De acordo com [14], o processo de template matching envolvedeslocar o template para a área de pesquisa e computar a similariedade entre eles.

[15] explica o template matching como uma abordagem básica para determinaro padrão estabelecido através da comparação de pixel’s da imagem com o determinadotemplate, que contêm o padrão desejado, para isso, o template é deslocado u passos nadireção x e v passos na direção y da imagem, e em seguida, a comparação é calculadasobre a área do template para cada posição (u, v).

[16] cita que a força desse método, reside na capacidade para tratar modelos com-plexos ou padrões que não podem ser modelados por caractetísticas locais. A literaturaatual cada vez mais traz diversos estudos que utilizam essa abordagem para resolver pro-blemas em localizar subimagens especificas dentro de imagens maiores ([17, 18, 19, 20, 21]).

[17] descreve o sistema de bobina escleral que tem se tornado padrão para medi-ção dos movimentos de um olho tridimensional por causa da sua alta resolução e fácilcalibragem, porém este sistema em estudos humanos e aplicações clínicas passa por defi-ciências significantes como o deslizamento da bobina e o uso de lentes de contato quaseque invasivas. Essas limitações apresentadas pelo sistema e os avanços na tecnológia deprocessamento de imagens durante as últimas décadas proporcionaram o impeto pelodesenvolvimento de um sistema baseado em vídeo para medir a posição de um olho tridi-mensional. [17] determina que a posição horizontal e vertical do olho pode ser calculada

31

a partir das coordenadas centrais da pupila que são determinadas a partir do centro demassa ou mais robustamente usando um ajuste elíptico parcial ao limite da pupila, oterceiro componente da posição do olho, torção, isto é, a rotação do olho sobre a linhade visão é o problema mais desafiador e que é determinado usando duas abordagens: (I)Rastreamento de marcas naturais ou marcas anexados aos olhos; (II) A utilização de varia-ções do método de correlação cruzada polar; a primeira técnica calcula a posição torsionalrelativa do olho a partir do contraste iral da amostra ao longo de um único pixel com arcocolocado sobre o centro da iris sobre a pupila, o algoritimo é computacionalmente simples,mas é muito difícil de implementar devido a uma dependência de características naturaisnas íris. O método de correlação cruzada polar não requer procedimentos invasivos, ométodo é baseado no contraste de informações da imagem digitalizada da iris, a largurade banda na direção angular é mais alta do que na direção radial portanto amostras coma imagem da íris, ou iral, amostrados a partir de um circulo de largura de um únicopixel centrado na pupila podem ser utilizadas para estimar a posição torsional do olho.A presença de reflexos da córnea e condições de iluminação desiguais podem provocarerros. [17] desenvolveu então um novo algoritimo que utiliza a técnica de template mat-ching para calcular a posição torsional do olho, [17] utilizou um programa de simulaçãopara comparar a velocidade de processamento do algoritimo de correlação cruzada e doalgoritimo de template matching. A velocidade do template matching foi inversamenteproporcional ao inter-frame de torção, com uma largura anelar de 5 pixels a técnica detemplate matching foi aproximadamente 10, 20 e 40 vezes mais rápida do que a correlaçãocruzada para inter-frame de torção com valores 2, 1 e 0,5 respectivamente.

Conforme [18] a maior parte da população adulta é portadora do virus HCMV,um membro da familia de herpesvirus, porém o virus só é prejudicial para indivíduosimuno-comprometidos como pacientes com AIDS ou pacientes passando por transplantede orgãos ou medula óssea. [18] menciona que embora vários estudos tenham examinadoos diferentes passos do processo de montagem do HCMV, nenhum método é atualmentedisponivel para monitorar as mudanças estruturais dos viriões durante o processo de ma-turação, um método de análise automatica de imagens tem várias vantagens comparadoa uma análise manual, visto a grande quantidade de dados que precisam ser processadose também permite a análises adicionais, tal como, extração de características descriti-vas de um, ou um grupo de, objetos de interesse e os resultados são mais objetivos doque a análise manual podendo ser facilmente reproduzida. [18] apresenta um método declassificação automática que oferece a possibilidade de monitorar os primeiros estágiosdo processo de maturação de citomegalovirus humanos, utilizando imagens do TEM donúcleo de células de hospedeiros foi criado perfis de densidade radiais, isto é, mudançade nível de cinza ao longo do raio da partícula para descrever as três classes diferentesde capsidios, então um tempalte para cada classe foi construído a partir desses perfís. Asprincipais técnicas usadas, média radial do nível de cinza e casamento de modelos, estabe-

32

leceram o método de análise da imagem que foi utilizado em uma variedade de aplicaçõesde microscopia eletrônica. [18] aplicou o método em várias micrografias com 3 preparaçõesdiferentes com diferentes resoluções, os resultados foram comparados com a classificaçãovisual dos capsídios na micrografia feita por um virologista e nenhum capsídio foi clas-sificado como pertencente a classe errada, todos foram classificados corretamente ou ométodo apresentado não conseguiu classificar, resumindo o método conseguiu reconhecer82 % dos capsídios.

Em [19] é mencionado que o reconhecimento facial possui várias aplicações comer-ciais e na aplicação de leis, variando de correspondência estática como formato controladode fotografias como em passaportes, cartões de crédito, licença de motorista e fotos derosto até correspondência em tempo real como imagens de camera de segurança e comu-nicação entre computadores e humanos. A detecção de faces abrange diferentes desafiostécnicos e necessita de um vasto conhecimento em processamento de imagens e reconhe-cimento de padrões. Dada uma única imagem, o objetivo é segmentar todas as regiões daimagem que contêm um rosto, independentemente de sua posição tridimensional, orienta-ção e condição de iluminação, tal problema torna-se difícil já que as faces não são rígidase tem alto grau de variabilidade no tamanho, forma, cor e textura, normalmente a técnicade slide-window é utilizada para procurar rostos em uma imagem, já que muitas técnicasde detecção de rosto existentes são demoradas. [19] propõe uma abordagem de detecçãode face usando template matching e informações da cor da pele, a ideia é segmentar eye-pairs de candidatos usando informações da cor da pele e depois detectar as faces usandocasamento de modelos. Os experimentos mostraram que o algoritimo proposto para de-tectar faces usando template matching e informações da cor da pele é efetivo e eficienteem detectar faces frontais em diferentes raças e sobre diferentes condições de iluminação,porém o algoritimo falhou em detectar faces com grandes mudanças de postura e falhouem detectar faces muito pequenas por causa da falha ao segmentar eye-pairs.

[20] menciona que o número de casos de câncer de pulmão vem aumentando anoapós ano, a detecção do câncer pulmonar em seu estágio inicial é muito importante parao processo de cura contudo é muito difícil para os radiologistas detectarem e diagnos-ticarem o câncer pulmonar em imagens de raio-X do peito por várias razões como aexistência de muitos tecidos que se sobrepõem uns aos outros na radiografia torácica, apresença de tumores cancerígenos é obscurecida por costelas sobrepostas, brônquios, vasossanguíneos e outras estruturas anatômicas normais. Normalmente, as sombras de tumo-res cancerígenos na radiografia de tórax são vagos e sútis e eles tendem a ser perdidas,o desenvolvimento de um sistema de diagnóstico assistido por computador para cancêrpulmonar é uma das mais importantes pesquisas na área de processamento de imagensmédicas. [20] desenvolveu um sistema de diagnóstico assitido por computador que podepreparar valores quantitativos e a posição de lesões para radiologistas, [20] ressalta quese os radiologistas tiverem em conta as informações obtidas a partir do sistema, a sua

33

performace nos diagnósticos será melhor e o tempo gasto será menor. O método propostofoi aplicado em seis casos que consistem em seis nódulos, a sensibilidade de detecção foicalculada de acordo com a espessura minima do nódulo, se a espessura minima do nóduloé escolhido com um valor pequeno então a probabilidade de detecção de nódulos é muitoalta mas o número de regiões com falso positivo por nódulo também é bem alta, se umalto valor é escolhido para a espessura minima do nódulo a probabilidade de detectaro nódulo diminui por causa que nódulos menos espessos são perdidos mas o número deregiões de falsos positivos por nódulos é pequena.

Conforme [21] o câncer de mama é o diagnóstico mais comum e o segundo maiorcausador de morte por câncer entre as mulheres, embora a mamografia seja a ferramentaconvencional de rastreamento mais usada para detectar e diagnosticar o câncer de mama,devido à sua natureza ionizante e conhecidas limitações, especialmente em tecidos fibro-glandular, alta resolução, dinâmica com contraste, o DCE-MRM tem ganhado aceitação naavaliação do câncer. No DCE-MRM um radiologista primeiro identifica as regiões, marcaa ROI e então tenta detectar e avaliar lesões de acordo com a sua morfologia, dinâmica demelhoria ou de ambos. As imagens adquiridas e construídas pelo DCE-MRM são muitaspara serem visualmente inspecionadas pelo radiologista, a avaliação destas imagens é umprocesso demorado e que requer experiência, perder um pequneo detalhe pode resultar embaixa especificidade e sensibilidade no diagnóstico final. Assim, sistemas automatizadosque fornecem suporte para as decisões dos radiologistas têm estado em desenvolvimento,em todos os estudos algum tipo de interação com o úsuario é necessária, sendo marcaruma ROI parcial ou marcar um único ponto dentro de uma região suspeita, ou até mesmodar um valor de intensidade do limiar. [21] propôs um método totalmente automatizadoque detecta lesões em três dimensões sem nenhuma interação humana, [21] ressalta queo objetivo do método é unicamente a detecção e não a extração de características discri-minantes no diagnósticos de doenças malignas, para isso uma segmentação mais precisaseria necessária. Para ilustrar a técnica [21] considerou dois casos, o primeiro caso é deuma paciente que tenta evitar uma lesão maligna e no segundo caso uma paciente comuma lesão maligna irregular, o sistema foi testado usando um conjunto de dados de 2064imagens de alta resolução e 97% das mamas foram segmentadas corretamente e todas aslesões foram detectadas corretamente (ou seja, 100% de sensibilidade de detecção), devidoa artefatos de segmentação e uma série de vasos sanguíneos de grande diâmetro houvealgumas detecções de falso positivo, estas estatísticas sugerem que este sistema pode serutilizado para facilitar a detecção de leões nas DCE-MRM.

2.6.2 Outras Técnicas

[3] menciona outras técnicas para reconhecimento de padrões, como técnicas es-tatísticas onde um padrão é representado por um conjunto de características chamadode vetor de características d-demensional, os coneitos da teoria de decisão estatística são

34

utilizados para estabelecer fronteiras de decisão entre classes e padrões e o sistema de re-conhecimento é operado em dois modos: (I) treinamento (aprendizagem); (II) classificação(tese); como visto na figura 9.

Figura 8 – Blocos funcionais para o reconhecimento de padrão na abordagem estatistica,figura retirada de [3]

[3] também menciona a técnica de casamento de modelos por correlação, o conceitobásico de correlação de imagens é considerado como a base para encotrar casamento deuma sub-imagem w(x,y) de tamanho J x K dentro de uma imagem f(x,y) de tamanho Mx N.

35

3 TESTE DE IDENTIFICAÇÃO DO OLFATO DA UNIVER-SIDADE DA PENSILVÂNIA

3.1 UPSIT

[6] define o UPSIT como uma abordagem alternativa para avaliação da função olfa-tiva de um indivíduo, de forma conveniente, precisa e sem a necessidade de um laborátoriocom equipamentos complexos.

Conforme [22], é usado em pesquisas e contextos clínicos, tem provado ter valor emdiagnóstico de perda de olfato devido doenças neurológicas bem como condições otorri-nolaringológicas primarias tais como sinusite crônica. Também é usado para diagnósticosdiferencial de parkinsonismo e deméncia.

O teste possui 4 livretos diferente com 10 questões cada, totalizando 40 questões,em cada pagina há uma área de raspagem diferente com um odor diferente e 4 opções deresposta para o odor sentido. Ao final do teste o paciente obtem uma pontuação que éavaliada e determina o grau de funcionalidade do olfato do individuo de acordo com suaidade e gênero.

A figura 10 demonstra um único teste, retirado das amostras utilizadas neste tra-balho, podemos observar a área de raspagem já raspada e uma das 4 opções de odores jáassinalado. Conforme podemos observar na figura 10 é extremamente complicado a olhonú determinar quanto da área de raspagem foi exatamente raspada e cada pessoa queavaliar essa área poderá ter uma interpretação diferente e consequentemente um valorde área raspada diferente surgirá, através da utilização de processamento de imagens épossível fazer uma avalição totalmente padronizada para todos os testes.

Figura 9 – Teste já devidamente aplicado

36

3.2 Versão brasileira

Como dito em [22] os testes de olfato não tem validação automáticaem em culturasdiferentes da cultura estado unidense, sendo assim para uma avaliação na população bra-sileira fez-se necessário a utilização do teste em sua versão brasileira, onde as opções sãofamiliares a cultura do Brasil. Quando traduzido para outras linguas, o UPSIT precisa seradaptado para a cultura local [5]. Porém, a tradução para outras línguas é recente e pou-cas versões foram validadas para outros idiomas, como o inglês australiano, o portuguêsbrasileiro e o japonês ([23, 5, 24, 22]).

[22] menciona uma tradução do UPSIT que foi previamente aplicado no Brasil eprovou ser capaz de diferenciar PD e controles com especifidade de 83,5% e sensibilidadede 82,1%, apesar disso alguns items do teste não foram identificados pelos brasileiros quepossuiam senso olfativo normal.

[25] aplicou a versão comercialmente disponível em português em brasileiros econstatou que houve indícios de boa aplicabilidade do teste, com o escore dos brasileirospouco abaixo da normosmia.

37

4 MATERIAIS E MÉTODOS

4.1 Amostras

Para este trabalho contamos com uma coleção de 332 testes já devidamente apli-cados em pessoas com 20 ou mais anos, de ambos os gêneros, vários níveis educacionais ediferentes classes econômicas. O teste foi aplicado em individuos seguindo critérios de in-clusão e de exclusão, assim excluindo prováveis casos com influências externas do pacienteque poderiam demonstrar alteração no resultado final do teste.

4.1.1 Critérios de inclusão

∙ viver na cidade de São Paulo;

∙ ter 20 ou mais anos;

∙ ausência de dificuldade em sentir cheiros ou gostos;

4.1.2 Critérios de exclusão

∙ estar gripado ou resfriado no dia do teste;

∙ reportar doença psicológica ou neurológica;

∙ reportar problema sério de memória;

∙ ter histórico de traumatismo craniano;

∙ ser displicente durante o teste;

∙ ter menos de 55 anos e não identificar corretamente ao menos metade dos odores;

∙ ter idade igual ou superior a 65 anos e com escore inferior a 24 pontos no MiniExame do Estado Mental;

Esses testes foram escaneados como mostra a Figura 11. As imagens possuem 4tamanhos diferentes: (1) 2603x1707; (2)5205x3413; (3) 1707x2603; (4) 3413x5205. Cadaimagem possui 4 segmentos (retângulos) para serem avaliados quanto a quatidade de áreaconsiderada raspada e a quantidade de área considerada não raspada.

38

Figura 10 – UPSIT, versão brasileira já aplicado. Nesta imagem temos 4 teste (talões)alinhados

4.2 Método de segmentação da imagem

Para separar os retângulos raspados do teste, à fim de fazer a contagem da quan-tidade de área raspada, foi necessário utilizar uma técnica de casamento de padrões paradeterminar a exata posição dos segmentos dentro da imagem principal. Foi usado o Fea-ture Finder, que é descrito em [26] como um plugin do ImageJ para casamento de padrõesque localiza padrões iguais ou similares a um protótipo (tempalte). [26] também descrevesimilaridade como um baixo desvio quadrático médio entre a imagem e o protótipo.

Mas esse plugin é extremamente lento já que utiliza um algoritimo de força bruta eas imagens possuem tamanhos grandes, como dito em [27] a busca em força bruta por todaa imagem consome muito tempo mas vários métodos podem ser aplicados para reduziresse cálculo. Então para facilitar o processo e diminuir o tempo de execução, uma técnicade redução das imagens foi utilizada, aplicando o mesmo grau de divisão para reduzir opadrão. Como descrito em [26] o plugin requer que a imagem seja convertida para grausde cinza, o próximo passo então foi de converter o padrão e a imagem para graus de cinza.

A fim de remover os rúidos e melhorar a qualidade da imagem, o filtro de medianavem sendo muito estudado. A filtragem mediana é uma técnica de filtragem não linear, égeralmente superior a filtragens lineares [28]. A fim de melhorar a exatidão do plugin emlocalizar o padrão um filtro de mediana 5px foi aplicado na imagem principal.

39

Neste ponto o Feature Finder localizou o padrão dentro da imagem principal e re-tornou o exato ponto central da área localizada. Com o ponto central foi possivel expandiruma ROI com as dimensões exatas do protótipo e gerar novas imagens apenas com asáreas de raspagem.

Já com as áreas de raspagem separadas da imagem principal, convertemos paragraus de cinza e aplicamos um filtro de mediana 5px para ajudar na separação da áreaconsiderada raspada do restante. Para separar o que é considerado área raspada do que éconsiderado área não raspada é necessário estabelecer um limiar. [29] disse que todos ospixels com valor de brilho entre o limiar são considerado parte interessada e o restante éconsiderado fundo. Após algumas analizes manuais das imagens com diferentes limiares,um valor médio foi encontrado, um limiar de 83 provou ser o mais eficaz para essa etapaespecífica.

Com a área considerada raspada em destaque, uma formula básica de porcentagemfoi usada para calcular a quantidade da área que foi raspada. A Figura 11 é um exemplodos passos do método de segmentação e a figura 12 um diagrama dos passos aplicados noframework.

Figura 11 – Passos do algoritimo de segmentação de imagem;(a) uma amostra original;(b)convertida em graus de cinza;(c) filtro de mediana 5px aplicado;(d) 1 das 4imagens geradas com os retângulos retirados da imagem principal;(e) conver-tido em graus de cinza;(f) filtro de mediana 5px aplicado;(g) limiar igual a83.

40

4.2.1 Passos

O Framework de Segmentação como pode ser observado na figura 13 pode serdescrito em alguns passos:

∙ Passo 01 (Carregar a Imagem): O programa recebi uma quantidade determinada dearquivos e converte todos para o formato de BufferedImage para que possam serprocessados adequadamente, enviando então o BufferedImage do arquivo carregadopara o próximo passo;

∙ Passo 02 (Selecionar o template): Através do tamanho do BufferedImage recebidoé selecionado o template adequado, o tempalte então é convertido para o formatoBufferedImage e retornado par ao próximo passo;

∙ Passo 03 (Modificar o tamanho da imagem e do template): A imagem de o templateagora em formatos adequados são reduzidos de tamanho proporcionalmente paraque a execuação do programa seja mais rápido, após a redução da imagem e dotemplate é terminada a suas versões menores são enviadas ao próximo passo;

∙ Passo 04 (Converter a imagem e o template para niveis de cinza): A imagem e otemplate estão no modelo de cores RGB, neste passo é feita a conversão de ambospara níveis de cinza e logo após é retornado para o próximo passo suas novas versões;

∙ Passo 05 (Aplicar um filtro de mediana com 5px): As versões reduzidas e em níveisde cinza da imagem e do template passam por um filtro de mediana com raio de 5pixels, o que retira certos ruídos das imagens, assim enviando ambas par ao próximopasso;

∙ Passo 06 (Localizar o template dentro da Imagem): Através da utilização do pluginFeature Finder são localizados pixels que possuem similariedade com o template,retornando para o programa o ponto central de cada "template"localizado dentro daimagem;

∙ Passo 07 (Detectar a ROI e produzir novas imagens): Cada ponto central obtido étranferido para a imagem original (em níveis de cinza), obdecendo a proporcionali-dade utilizada na redução de tamanho do passo 03, assim é expandida uma ROI comas dimensões originais do template e logo após é recortada e separada da imagemoriginal, gerando assim novas imagens para o próximo passo;

∙ Passo 08 (Aplicar um filtro de mediana 5px): É então aplicado um filtro de medianacom raio 5 pixels em cada uma das novas imagens, enviando o resultado para opróximo passo;

41

∙ Passo 09 (Binarizar as imagens): As imagens são binarizadas tornando-se agorapreto e branco (0 ou 1) e são retornadas para o último passo;

∙ Passo 10 (Calcular a quantidade de pixel que representam a área considerada ras-pada): Com as imagens binarizadas e a utilização de uma regra de porcentagembásica é feito um calculo em cada imagem para determinar quantos porcentos daimagens tem pixels brancos e quantos tem pixels pretos, sendo respectivamente pixelconsiderados não raspados e pixels considerados raspados;

Figura 12 – Passos do framework de segmentação.

43

5 DISCUSSÕES FINAIS

5.1 Resultados

A aplicação retornou um relatório com a porcentagem de área raspada em cadaárea de raspagem obtida, cada teste possuia 4 áreas sendo assim denominaremos elascomo A1, A2, A3 e A4. Os resultados mostram uma média de 60,46% de área raspadapara a área A1, 57,08% para A2, 51,16% para A3 e 52,30% para A4, tendo uma médiade 55,25% no geral. O desvio padrão na quantidade de área raspada entre A1, A2, A3 eA4 de uma mesma amostra teve média de 11,22%.

Observando a diferença entre os resultados das áreas A1 e A2, localizadas na partesuperior do teste que são questões do ínicio do teste, e as áreas A3 e A4, localizadas naparte inferior do teste que fazem parte do final do teste, obtemos uma média de árearaspada na parte superior de 58,77% e na parte inferior de 51,73%, sendo assim umadiferença de aproximadamente 7% entre elas, porém algumas amostras obtiveram umadiferença maior que 17% merecendo a sua avaliação em individual.

Todas as amostras destacadas por possuirem a diferença entre suas médias deárea raspada na parte superior e de área raspada na parte inferior maior que 17% foramobservadas separadamente resultando na obtenção de 3 anomalias nos testes que foramgeradas ou na digitalização dos testes ou pelo paciente:

∙ O fundo da parte superior onde estão localizadas as áreas de raspagem A1 e A2,como podemos observar na figura 13, demonstrou valores de pixel entre 178 e 198,tendo uma média de 190,917 no seu histograma, já o fundo da parte inferior ondeestão localizadas as áreas de raspagem A3 e A4, demonstrou valores de pixel entre192 e 209, tendo uma média de 202,891 no seu histograma.

Figura 13 – Comparação entre área de raspagem A1, A2, A3 e A4.

44

∙ O individuo ultrapassou completamente os limites da área de raspagem determinada,em certos casos estragando a área determinada pelo teste, como observado na figura14.

Figura 14 – (a) Área danificada; (b) Raspagem fora do limite.

∙ O individuo mudou drasticamente sua forma de raspar entre uma área e outra, comopode ser observado na figura 15.

Figura 15 – Diferença entre a forma de raspar no ínicio do teste e no final do teste.

A figura 16 ilustra em um gráfico os valores obtidos em todos as áreas A1, A2 eA3, já na figura 18 as áreas ilutradas são A2, A3 e A4, na figura 19 são utilizadas as áreasA1, A2 e A4 e por final na figura 20 foram utilizados os valores de A1, A3 e A4

Na figura 16 é possível observar a distribuição dos valores das áreas A1 e A2, queestão localizadas na parte superior do teste, e a área A3, localizada na parte inferior doteste, apesar de alguns valores com desvio alto a maioria dos valores se encontram entre

45

30 e 80, conseguimos observar os valores de A3 com um padrão parecido dos valores deA1 e A2 e com valores bem próximos.

Figura 16 – Dispersão dos valores obtidos nas áreas A1, A2 e A3

Na figura 17 é possível observar a distribuição dos valores da área A2, que estálocalizada na parte superior do teste, e as áreas A3 e A4, localizadas na parte inferior doteste, apesar de alguns valores com desvio alto a maioria dos valores se encontram entre30 e 70, conseguimos observar os valores de A2 com um padrão parecido dos valores deA3 e A4 e com valores bem próximos.

Figura 17 – Dispersão dos valores obtidos nas áreas A2, A3 e A4

Na figura 18 é possível observar a distribuição dos valores das áreas A1 e A2, queestão localizadas na parte superior do teste, e a área A4, localizada na parte inferior do

46

teste, apesar de alguns valores com desvio alto a maioria dos valores se encontram entre40 e 80, conseguimos observar os valores de A4 com um padrão parecido dos valores deA1 e A2 porém com valores, em maioria, menores que a das duas áreas da região superiordo teste.

Figura 18 – Dispersão dos valores obtidos nas áreas A1, A2 e A4

Na figura 19 é possível observar a distribuição dos valores da área A1, que estálocalizada na parte superior do teste, e as áreas A3 e A4, localizadas na parte inferior doteste, apesar de alguns valores com desvio alto a maioria dos valores se encontram entre40 e 70, conseguimos observar os valores de A1 com um padrão bem diferente dos valoresde A3 e A4 e com valor, em maioria, maior que a das duas áreas da região inferior doteste.

Os gráficos observados nas figuras 16, 17, 18 e 19 demonstram a proximidadeexistente entre os valores das áreas A1 e A2, também demonstra a proximidade entre osvalores de A3 e A4 que possuem uma leve dispersão da média geral das áreas.

Atráves dos relatórios obtidos com a aplicação e os resultados dos testes foi possívelobservar que 70% dos individuos que tiveram média de área raspada maior ou igual a 65%obteve pontuação igual ou maior a 30 pontos no teste, foi observado também que 57,14%dos individuos que tiveram média de área raspada maior ou igual a 70% obteve pontuaçãoigual ou maior a 30 pontos no teste. Os resultados dos testes e o relatório gerado pelaaplicação possibilitaram observar também que 41,18% dos individuos que tiveram médiade área raspada menor ou igual a 45% obteve pontuação igual ou menor que 30 pontos noteste e 66,67% dos individuos que tiveram média de área raspada menor ou igual a 40%obteve pontuação igual ou menor que 30 pontos no teste.

Os relatórios e os resultados dos testes também demonstraram que 75% (3 em

47

Figura 19 – Dispersão dos valores obtidos nas áreas A1, A3 e A4

cada 4) dos individuos que o teste possue um desvio padrão no valor da área raspadaacima ou igual a 20 obteve 29 ou mais pontos no resultado final do UPSIT. Os resultadosmostraram também que todos os individuos com resultado no teste igual ou menor que15 pontos tiveram o desvio padrão nos valores de quantidade de área raspada entre 8 e14.

5.2 Conclusões

A técnica de reconhecimento de padrões template matching, ou casamento demodelos, é ideal para se remover uma característica específica e previamente conhecida deuma imagem, o seu uso é frequente no desenvolvimento de métodos de análise automáticade imagens e se mostrou significante no método desenvolvido neste trabalho. É importantelembrar que a pequena diferença que seja do template faz com que a característica nãoseja extraída, como por exemplo uma pequena rotação da área de raspagem pode causara não localização da mesma e consequentemente a sua não avaliação.

As técnicas de computação gráfica se mostraram ideais para se desenvolver métodosde análise automática de imagens, métodos estes que facilitam o trabalho desgastante erepetitivo do ser humano e em sua grande maioria adiciona precisão e melhores resultadosao trabalho, essas análises automatizadas tornam práticas as abordagens que se utilizamde imagens para se obter resultados, o framework desenvolvido neste trabalho facilitoua contagem de área raspada dos testes aplicados, além de padronizar a sua avaliaçãoe diminuir o tempo e a quantidade de pessoas que seriam necessárias para obter estesresultados, lembrando ainda que a sua precisão é maior do que a de um ser humano.

Os resultados obtidos das amostras demonstram que as anomalias citadas anteri-

48

ormente, no capítulo de Resultados, afetam a aplicação, dificultando a precisão de seusresultados podendo causar um desvio alto entre os resultados das áreas de uma amostra,é importante destacar a taxa de iluminação diferenciada entre a parte superior (íniciodo teste), que possui as áreas A1 e A2, e a região inferior (final do teste), que possui asáreas A3 e A4, possivelmente causada no momento de aquisição das imagens digitaliza-das através do aparelho de scaner, a taxa de iluminação maior na parte inferior torna alimiarização padrão não completamente ideal para o método, deixando a possibilidade deuma melhora na aquisição das amostras que consequentemente iriam tornar a limiarizaçãoideal e os resultados seriam ainda mais próximos do esperado.

Para o uso do UPSIT em um idioma diferente do inglês faz-se necessário a suatradução e principalmente a sua adaptação para a cultura local tornando as opções deodores familiares a população local, através dos resultados obtidos pelo método de análiseautomática desenvolvido neste trabalho foi possível auxiliar na validação do Teste deIdentificação do Olfato da Universidade da Pensilvânia para sua versão brasileira, validadaem [5].

49

REFERÊNCIAS

[1] SCURI, A. E. Fundamentos da imagem digital. Pontifícia Universidade Católica doRio de Janeiro, 1999.

[2] FILHO, O. M.; NETO, H. V. Processamento digital de imagens.

[3] BIANCHI, M. F. de. Extração de características de imagens de faces humanasatravés de wavelets, PCA e IMPCA. Tese (Doutorado) — Universidade de SãoPaulo, 2006.

[4] DOTY, R. L.; SHAMAN, P.; DANN, M. Development of the university ofpennsylvania smell identification test: a standardized microencapsulated test ofolfactory function. Physiology & Behavior, Elsevier, v. 32, n. 3, p. 489–502, 1984.

[5] FORNAZIERI, M. A. Validação do teste de identificação do olfato da Universidadeda Pensilvânia (UPSIT) para brasileiros. Tese (Doutorado) — Universidade de SãoPaulo, 2013.

[6] DOTY, R. L.; FRYE, R. E.; AGRAWAL, U. Internal consistency reliability ofthe fractionated and whole university of pennsylvania smell identification test.Perception & Psychophysics, Springer, v. 45, n. 5, p. 381–384, 1989.

[7] DOTY, R. L.; GENOW, A.; HUMMEL, T. Scratch density differentiates microsmicfrom normosmic and anosmic subjects on the university of pennsylvania smellidentification test. Perceptual and motor skills, Ammons Scientific, v. 86, n. 1, p.211–216, 1998.

[8] MANSSOUR, I. H.; COHEN, M. Introdução à computação gráfica. RITA, v. 13,n. 2, p. 43–68, 2006.

[9] GONZALEZ, R. C.; WOODS, R. E. Digital image processing. [S.l.]: Prentice hallUpper Saddle River, NJ:, 2002.

[10] FU, K.-S.; MUI, J. A survey on image segmentation. Pattern recognition, Elsevier,v. 13, n. 1, p. 3–16, 1981.

[11] PAL, N. R.; PAL, S. K. A review on image segmentation techniques.

[12] ZHANG, Y. J. A survey on evaluation methods for image segmentation. Patternrecognition, Elsevier, v. 29, n. 8, p. 1335–1346, 1996.

[13] CONNELL, S. D.; JAIN, A. K. Template-based online character recognition.Pattern Recognition, Elsevier, v. 34, n. 1, p. 1–14, 2001.

[14] GOSHTASBY, A.; GAGE, S. H.; BARTHOLIC, J. F. A two-stage cross correlationapproach to template matching. Pattern Analysis and Machine Intelligence, IEEETransactions on, IEEE, n. 3, p. 374–378, 1984.

[15] BRIECHLE, K.; HANEBECK, U. D. Template matching using fast normalized crosscorrelation. In: INTERNATIONAL SOCIETY FOR OPTICS AND PHOTONICS.Aerospace/Defense Sensing, Simulation, and Controls. [S.l.], 2001. p. 95–102.

50

[16] JURIE, F.; DHOME, M. Hyperplane approximation for template matching. PatternAnalysis and Machine Intelligence, IEEE Transactions on, IEEE, v. 24, n. 7, p.996–1000, 2002.

[17] ZHU, D.; MOORE, S. T.; RAPHAN, T. Robust and real-time torsional eye positioncalculation using a template-matching technique. Computer methods and programsin biomedicine, Elsevier, v. 74, n. 3, p. 201–209, 2004.

[18] SINTORN, I.-M. et al. A refined circular template matching method for classificationof human cytomegalovirus capsids in tem images. Computer methods and programsin biomedicine, Elsevier, v. 76, n. 2, p. 95–102, 2004.

[19] JIN, Z. et al. Face detection using template matching and skin-color information.Neurocomputing, Elsevier, v. 70, n. 4, p. 794–800, 2007.

[20] OSMAN, O.; OZEKES, S.; UCAN, O. N. Lung nodule diagnosis using 3d templatematching. Computers in Biology and Medicine, Elsevier, v. 37, n. 8, p. 1167–1172,2007.

[21] ERTAŞ, G. et al. Breast mr segmentation and lesion detection with cellular neuralnetworks and 3d template matching. Computers in Biology and Medicine, Elsevier,v. 38, n. 1, p. 116–126, 2008.

[22] SILVEIRA-MORIYAMA, L. et al. Applying a new version of the brazilian-portugueseupsit smell test in brazil. Arquivos de neuro-psiquiatria, SciELO Brasil, v. 68, n. 5,p. 700–705, 2010.

[23] MACKAY-SIM, A.; DOTY, R. L. The university of pennsylvania smell identificationtest: Normative adjustment for australian subjects. http://proquest. umi.com/pqdweb? did= 101953268&sid= 1&Fmt= 4&clientId= 13713&RQT=309&VName= PQD, 2001.

[24] OGIHARA, H. et al. Applicability of the cross-culturally modified university ofpennsylvania smell identification test in a japanese population. American journal ofrhinology & allergy, OceanSide Publications, Inc, v. 25, n. 6, p. 404–410, 2011.

[25] FORNAZIERI, M. A. et al. Applicability of the university of pennsylvania smellidentification test (sit) in brazilians: pilot study. BRAZILIAN JOURNAL OFOTORHINOLARyNGOLOGy, v. 76, n. 6, p. 695–9, 2010.

[26] SCHMID, M. Template matching plugin for ImageJ @ONLINE. 2010. Disponível em:<http://imagejdocu.tudor.lu/doku.php?id=plugin:analysis:feature_finder:start>.

[27] PAPAGEORGIOU, C.; POGGIO, T. Trainable pedestrian detection. In: IEEE.Image Processing, 1999. ICIP 99. Proceedings. 1999 International Conference on.[S.l.], 1999. v. 4, p. 35–39.

[28] CHEN, T.; MA, K.-K.; CHEN, L.-H. V. conclusion. IEEE TRANSACTIONS ONIMAGE PROCESSING, v. 8, n. 12, p. 1835, 1999.

[29] RUSS, J. C. Discrimination and thresholding. In: Computer-Assisted Microscopy.[S.l.]: Springer, 1990. p. 99–127.