Informações

Curriculo...

Publicações

Áreas de Pesquisa

Projetos de Pesquisa

Eventos

Ensino de Graduação

Ensino de Pós Graduação

Informações para Candidatos à Orientação

Minhas mulheres...

Fotografias de Florianópolis Antiga

Você lê?

4.1 Conceitos Básicos

Imagem Digital
HIS
RIS
PACS

Analize 7.5
DICOM
PAPYRUS

Baseado nas Informações do Cabeçalho
Baseado nas Informações do Diagnóstico
Baseado no Conteúdo das Imagens
Parâmetros de Medida de Similaridade entre Imagens
Recuperação por Cor
Recuperação por Textura
Recuperação por Forma
Recuperação por Semântica

Comparator Module
Similarity Based on Reference
Image Processing Methods

Forma
Density
Relative Density
Texture
Position
Relative Positioning

Autor: Antonio da Luz

4.1 Conceitos Básicos

Imagem Digital

Uma Imagem Digital pode ser entendida como uma matriz cujos índices de linhas e colunas indicam os valores para as coordenadas x e y de um plano e o valor do elemento da matriz indica o valor na escala de cor adotada, para representação de cada um dos pixels que compõe a imagem, como apresentado na Figura 60.
 

HIS

Hospital Information Systems - Sistemas de Informação Hospitalar consiste no estudo e desenvolvimento de metodologias de informatização de hospitais [1]. O ANSI - American National Standards Institute, desenvolveu um padrão internacionalmente aceito para organização de HIS conhecido como HL7 - Health Level Seven.

RIS

Radiological Information Systems - Sistemas de Informações Radiológicas consistem no estudo e desenvolvimento de metodologias de gerência e intercâmbio de imagens radiológicas e também as estratégias de integração destas ao prontuário eletrônico de paciente, definindo interfaces padrão entre sistemas [1].

PACS

Picture Archiving and Communications System - Arquivamento de Imagem e Sistemas de Comunicação são sistemas compostos por aparelhos de diagnóstico médico (fornecedores de imagens digitais), computadores (estações de trabalho para visualização e análise das imagens) e servidores de dados (responsáveis pelo armazenamento e gerenciamento das imagens) interconectados entre si através de rede lógica (local ou remota) sendo acessíveis por diferentes clientes (programas de diferentes computadores). O padrão internacionalmente aceito para sistemas PACS é o DICOM, atualmente encontrado em sua versão 3.0 [1].

4.2 Padrões de Imagem Médica Digital

Analize 7.5

O formato de imagem Analyze consiste na união de dois arquivos, um arquivo de imagem e um arquivo de cabeçalho. Por exemplo, se a imagem se chama baco, então os arquivos dessa imagem vão se chamar "baco.img" e "baco.hdr" [17].

• *.img: formado por um array de (unsigned integer, signed short, signed integer, float or double) valores de voxel. Geralmente, cada .img está associado a um arquivo de cabeçalho (*.hdr) que contém informações sobre a imagem contida no *.img. Caso o arquivo de cabeçalho não exista serão adotados valores padrões [16].
• *.hdr: consiste de 348 bytes com algumas informações sobre a imagem, como: tamanho da imagem para X, Y e Z em voxels; tamanho do voxel para X, Y e Z; tipo de dados; escala; descrição (texto descritivo); entre outras [16].

Com o aumento da utilização das tecnologias de computadores para auxiliar no diagnóstico clínico de pacientes (RIS) após o surgimento da Tomografia Computadorizada (CT), na década de 70. Diversos equipamentos foram desenvolvidos por diferentes fabricantes para atuarem nessa área de aplicação da informática.

Por serem equipamentos proprietários e, também, devido a falta de interesse dos fabricantes em publicarem o funcionamento interno de seus mecanismos, logo após o início do processo de informatização dos diagnósticos surgiram os primeiros problemas de interoperabilidade entre os diversos tipos de dados resultantes do processamento realizado pelos diferentes equipamentos.

Visando sanar tal problema, nos Estados Unidos, o ACR (American College of Radiology) e o NEMA (National Electrical Manufacturers Association) organizaram um comitê para elaboração de um padrão da forma como os resultados deveriam ser emitidos pelos equipamentos de RIS. Esse padrão foi inicialmente publicado em 1985, chamado de ACR/NEMA 1.0. Após algumas atualizações, 1986 (ACR/NEMA 2.0), em 1988 foi publicado em sua versão atual denominado de DICOM 3.0 (Digital Imaging and Communications in Medicine version 3.0).

O padrão DICOM facilita a interoperabilidade dos equipamentos de imagens médicas por especificar [3]:

• Para comunicação em Rede, um conjunto de protocolos que devem ser seguidos para se manter a conformidade com o padrão;
• A sintaxe e semântica de comandos e informações associadas que podem ser trocadas utilizando esses protocolos;
• Para o meio de comunicação, um conjunto de serviços para o meio de armazenamento que devem ser seguidos para manter a conformidade com o padrão, bem como o Formato do Arquivo e a estrutura do diretório médico para facilitar o acesso às imagens e as informações relacionadas armazenadas em mídia;
• Algumas informações para que a implementação mantenha a conformidade com o padrão.

• Detalhes de aspectos da implementação que devem ser seguidos para manter a conformidade com o padrão;
• Um conjunto total de características e funções que espera que sejam implementadas para que cada um dos grupos de aparelhos ou sistemas, possam ser integrados em conformidade com o DICOM;
• Uma ferramenta de teste e validação para assegurar que uma implementação esteja em conformidade como padrão. 

O formato de imagem Papyrus foi desenvolvido pelo Grupo de Imagens Digitais do Hospital Universidade de Genebra baseando-se no padrão ARC/NEMA 2.0. Este formato foi criado para ser utilizado pelo projeto Europeu de Telemedicina e, atualmente, é utilizado pelo Hospital Universidade de Genebra em implementações de sistemas PACS.

O padrão Papyrus contribuiu para o desenvolvimento do padrão DICOM 3.0 e, recentemente, foi atualizado para que seja compatível com as especificações descritas na Part 10 do padrão DICOM 3.0, que descreve diretivas para os meios de armazenamento e o formato dos arquivos para possibilitarem intercâmbio dos dados, resultando no padrão Payrus v.3. 

Após essa atualização o Papyrus definiu dois perfis de aplicações para armazenamento [4]:

• PAPYRUS-FILE: Encapsula as Imagens de uma mesma Série em um Objeto simples chamado de PAPYRUS-File Object que é armazenado em um arquivo. Este arquivo é chamado de PAPYRUS-File; 
• E PAPYRUS-FOLDER: Consistem em uma Pasta de Arquivos para referenciar arquivos separadamente.

• A informação relacionada ao Objeto DICOM Paciente, Visita ou Estudo. Ou; 
• Um PAPYRUS-File Object encapsulando uma ou mais imagens da mesma Série. 

Imagens Médicas Digitais são armazenadas seguindo a estrutura utilizada pelo servidor de imagens, esta estrutura pode variar de servidor para servidor. Essa variação ocorre devido as diferentes implementações de servidores existentes e, também, devido as diferentes padronizações de imagens digitais.

Independente da forma que tenha sido armazenada no servidor, faz-se necessário que se realizem operações de consulta as imagens, ou informações relacionadas as imagens, para que seus conteúdos possam ser apresentados para o usuário através de um software qualquer, projetado para esse fim.

De acordo com as informações relativas as imagens armazenadas em um servidor, podem ser utilizadas diferentes abordagens para localizar uma determinada imagem, ou grupo de imagens.

Baseado nas Informações do Cabeçalho

Geralmente um arquivo de imagem é composto por duas partes distintas: um cabeçalho, contendo informações diversas sobre a imagem, e a imagem propriamente dita, contendo as informações dos pixels que compõe a imagem.

A estrutura e organização dos cabeçalhos de um arquivo de imagem variam de acordo com o tipo de imagem e o padrão adotado para representação desse arquivo de imagem. Devido este trabalho ser focado para Representação de Imagens Médicas acordantes com o Padrão DICOM, serão abordadas apenas características relativas ao cabeçalho de imagens padrão DICOM utilizadas para identificação de arquivos de imagem.

O cabeçalho de um arquivo de imagem DICOM possui informações sobre o paciente, estudo, série, equipamento e imagem. Essas informações servem para caracterizar um determinado arquivo e podem ser utilizadas para identificá-lo dentro de um conjunto de arquivos onde esteja armazenado.

Um paciente tem um ou mais estudos, um estudo corresponde a uma visita do paciente a uma instituição de saúde. Cada estudo contém uma ou mais series. Séries são seqüências de imagens ou de cortes de imagens [8].

Essas informações são organizadas em grupos conhecidos como Data Elements, Figura 61, que são compostos por:

• Tag: consiste num par de valores hexadecimal que identificam um tipo único de informação;
• Value Representation (VR): é uma informações opcional que serve para identificar o tipo de dados armazenado no Data Element;
• Value Length: informa o tamanho do conteúdo da informação armazenada no Data Element;
• Value Field: consiste no conteúdo da informação do Data Element.

Baseado nas Informações do Diagnóstico

O processo de recuperação de imagens médicas baseadas no conteúdo da informação descrita no laudo médico possui uma maior complexidade de concepção do que a recuperação baseada no cabeçalho. Esse fato ocorre devido a necessidade de estruturação do conteúdo do laudo emitido para imagem para que se possa efetivar um processo de análise e identificação de características sobre o mesmo.

Existem trabalhos de pesquisa que propõe soluções para a estruturação e análise do conteúdo dos diagnósticos médicos, como pode ser observado em [8]. O padrão Dicom estabelece um formato, ou melhor, um padrão para estruturação de documentos médicos, incluindo laudos, denominado Dicom Structured Report. Com a utilização do Dicom SR é possível obter laudos médicos que possuem uma mesma estrutura de formação, o que possibilita o processo de identificação de características do conteúdo existente em diferentes documentos.

Um documento que contém um diagnóstico médico consiste em conjuntos de informações expressadas em linguagem natural, o que dificulta o processo de identificação de padrões de informações existentes nesses documentos. Para solucionar essa dificuldade é necessário utilizar dicionários de termos globalmente aceitos que são utilizados para elaboração dos laudos quando se necessita referenciar algum tipo de informação, ou característica da informação, que pode possuir diferentes interpretações dentro da mesma área de estudo, possibilitando a interpretação correta das informações contidas no documento.

Mesmo com a utilização de dicionários de termos ainda é necessário a definição de dicionários de sinônimos para identificar possíveis variações de palavras que podem ser utilizadas para descrever uma mesma característica ou informação.

A partir da existência de documentos de diagnóstico médico estruturados de acordo com um padrão conhecido, exemplo Dicom SR, podem ser realizadas consultas ao conteúdo desses documentos através das características das informações contidas nos documentos. Além do acesso ao conteúdo dos diagnósticos, utilizando o Dicom SR, é possível recuperar as imagens pertencentes a uma determinada série, ou mesmo a série de imagens, que estejam relacionadas a esse documento de diagnóstico. 

Baseado no Conteúdo das Imagens

O processo de recuperação de imagens baseado nas características, ou no conteúdo, das imagens apresenta variações de possibilidade de estruturação, pois o processo de recuperação pode ser baseado em diferentes características visuais, como: cor, forma, textura e identidades dos objetos, entre outras. A idéia central do conceito de recuperação baseada no conteúdo das imagens é poder localizar uma imagem ou grupo de imagens semelhantes a uma imagem, ou características de uma imagem, passada por parâmetro.

Devido às diversas possibilidades de embasamento para recuperação de imagens através do conteúdo, várias técnicas de recuperação foram propostas no decorrer dos anos. Segundo estudos apresentados em [9], as propostas que obtiveram melhor êxito até o presente momento são as que convertem através de uma metodologia própria, ou não, as características visuais da imagem em descrição textual facilitando a elaboração de consultas e comparações necessárias para a recuperação de imagens semelhantes. Porém, mesmo tendo sido a abordagem que conseguiu melhor desempenho para recuperação de imagens baseado em conteúdo, ainda apresenta discrepância entre o resultado obtido e resultados esperados de uma consulta, gerando uma taxa de erro considerável nos resultados apresentados.

Seguindo a abordagem de conversão de descrição de características visuais da imagem através de representação textual existem várias abordagens que possibilitam o desenvolvimento de processos de recuperação de imagem, como o encontrado em [10], que descreve uma linguagem de representação textual de características existentes em imagens médicas dando base para estruturação de consultas ao conteúdo da imagem, além de comparação de conteúdo existente em diferentes imagens representadas pela descrição formal proposta pela linguagem.

Parâmetros de Medida de Similaridade entre Imagens

Para realizar a recuperação de imagens baseada no conteúdo é necessário que seja realizada a identificação de características da imagem para que se possa traçar pontos de similaridade entre a imagem passada por parâmetro e as imagens contidas na base de dados onde será realizada a busca. 

Em [22] os parâmetros utilizados para medida de similaridade de imagens são divididos em grupos distintos: Nível 1, representando os grupo de características primitivas (Cor, Forma, Textura, etc); e, Nível 2, representando a utilização de características semânticas extraídas da imagem.

Recuperação por Cor

Os métodos de recuperação de imagem através da similaridade de cores constroem o histograma de cores para cada imagem da base de dados, este histograma também é armazenado na base dados. Ao se passar uma imagem como parâmetro para busca é construido um histograma de cores para ela e este é comparado com os histogramas armazenados na base de dados. O sistema retorna as imagens que possuem histogramas mais parecidos com o histograma da imagem passada por parâmetro. Podem existir algumas variações de concepção/implementação entre os métodos dessa classe, mas a ideia básica de funcionamento é a mesma para todos.

Recuperação por Textura

Os métodos que utilizam a Textura da imagem como parâmetro para a localização de imagens semelhantes analisa cararacterísticas da imagem como: graus de contraste, direcionamento, regularidade, periodicidade, entre outras. Outras abordagens utilizadas também são a utilização de Filtros de Gabor e Fractais. Esses métodos são bastante eficientes para distinção de regiões com cores similares, por exemplo, céu e mar [22]. Geralmente é passada por parâmetro uma imagem a qual se deseja localizar semelhantes, são extraídas e calculadas as características dessa imagem e comparadas com as características previamente extraídas e armazenadas das imagens existentes na base de dados.

Recuperação por Forma

Os métodos que utilizam a forma do objeto, ou objetos, existentes na imagem para localização de imagens semelhantes, possui um funcionamento bastante similar ao reconhecimento humano. As carateristicas relativas a forma do objeto são identificadas, extraídas e armazenadas em cojunto com as imagens. Ao receber uma imagem por parâmetro para consulta, os sistemas que implementam esses métodos identificam e extraem características da forma dessa imagem e buscam na base de dados imagens que possuem características semelhantes. Geralmente as características de forma são divididas em dois grupos, globais e locais, para melhor organizar a comparação entre as características. Ainda, podem ser consideradas características de capacidade de elasticidade e deformação dos objetos.

Recuperação por Semântica

Utilização de caracteristica semântica como parâmetro para recuperação de imagens consiste na identificação do significado dos objetos existentes na imagem que está sendo passada para consulta e posterior busca por imagens que possuem significados semelhantes a esta. 

Existem várias abordagens que se propoe a realizar essa identificação das características do significado das imagens. Dentre essas abordagens podem ser citadas: 

• A utilização de rótulos para identificar determinados objetos, contendo um conjunto de interpretações possiveis e as probabilidades em que podem ocorrer [22];
• Extração de informações de características de cor, textura, regiões e informação espacial dos objetos para gerar uma descrição textual da cena apresentada pela imagem, permitindo a realização de consulta textual comum para localização de imagens semelhantes;
• Treinamento de redes neurais a partir de informações extraídas de componentes de imagens com baixa freqüência; dentre outras.

Essa proposta consiste num sistema de cálculo de similaridade entre imagens médicas para separar imagens normais de imagens com possível patologia. O Sistema de Similaridade (SS), Figura 62, recebe uma imagem como entrada, efetua um pré-processamento sobre essa imagem para extrair suas características, estrutura essas informações através de uma linguagem própria definida para esse fim, compara as informações extraídas com informações existentes numa Base de Conhecimento para definir o grau de similaridade e baseado nesse resultado classifica a imagem de entrada como sendo uma imagem Normal ou como uma imagem possivelmente Patológica.
 
 

Comparator Module

O Módulo Comparador utilize as informações preprocessadas e efetua a consulta a Base de Conhecimento buscando por protótipos (imagens classificadas como normais previamente armazenadas na Base do Conhecimento) semelhantes. Ao localizar o protótipo efetua o cálculo de similaridade e de acordo com os graus de tolerância definidos classifica essa imagem. Caso a imagem seja classificada como patológica o sistema envia o resultado diretamente para a saída. Caso contrário às informações são repassadas ao SBR.

Similarity Based on Reference

No SBR os valores de similaridade local são calculados e então combinados com os valores de similaridade global. De acordo com a relevância definida para as características de similaridade é gerada uma classificação para essa imagem utilizando os pontos limites, Figura 63. É necessário que sejam definidos valores para s e t anteriormente.
 
 

Image Processing Methods

Para que um computador possa entender as características dos objetos existentes em uma imagem médica é necessária a execução de métodos de processamento de imagem para extrair as características desses objetos.

Após a execução desses métodos de processamento de imagem é possível determinar valores para as características existentes nos objetos e parâmetros para comparação entre imagens.

4.5 Pré-processamento

O Pré-processamento é o primeiro passo dentro do modulo de processamento de imagens. Nesta fase os objetos existentes na imagem são separados utilizando um método de segmentação de imagem. A Figura 64, apresenta a segmentação de uma imagem utilizando o algoritmo de Mumford & Shah.
 
 

Forma

As estruturas dos objetos existentes em imagens médicas não seguem o padrão de classificação para formas geométricas. Este é um dos fatores que dificulta a identificação da forma dessas estruturas. Geralmente os especialistas classificam esses objetos de acordo com 3 tipos distintos: oval, irregular e "as a butterfly". 

Oval: Na área de imagens médicas, mesmo quando um objeto é classificado como oval ele possui variações com relação a forma normal de um objeto oval. Isso acontece, principalmente, devido a existência de pequenas concavidades na estrutura do objeto. A Figura 65 apresenta um exemplo de um objeto classificado como oval. 

Para classificar a forma de um objeto como oval é levada em consideração a relação entre os valores de largura e comprimento do objeto. A Figura 66 apresenta a identificação de extremidades para extração dos valores de largura e comprimento do objeto.

Irregular: Um dos maiores problemas para classificar um objeto com forma irregular é a análise de estruturas convexas. Isso dificulta para determinar a área do objeto e a identificar os limites da estrutura do objeto. Um exemplo de objeto com forma irregular é a massa encefálica, Figura 67.
 
 

Butterfly: Para classificar um objeto como butterfly é necessário analisar duas partes distintas, asa direita e asa esquerda. Essa característica dificulta o processo de identificação de objetos com essa forma. A Figura 68 mostra um exemplo de objeto com forma butterfly e suas partes distintas, asas direita e esquerda.
 
 

Density

O valor da densidade em objetos de imagens médicas é obtido através da análise do valor de intensidade de cor dos pixeis que compõem o objeto. Com relação a densidade os objetos podem ser classificados em: Hypodensity, Middle Hypodensity, Middle Hyperdensity e Hyperdensity.

Para efetuar a classificação é utilizada uma escala de distribuição de densidade, como apresentado na Figura 69. Os valores para as variáveis min value, v1, v2, v3 e max value devem ser previamente definidas por um especialista.

Relative Density

O valor da relative density de um objeto é importante para descrever o diagnóstico da imagem. Os valores possíveis para esse atributo são:

a)Hyperdensity in relation to (object X);

b)Hypodensity in relation to (object X).

Texture

Em [3] foram utilizados apenas dois termos para definir a característica de um objeto com relação a sua textura: Heterogeneous ou Homogeneous. Para definir esse valor é utilizado um método de análise de textura de imagem. Esse método está relacionado a avaliação dos aspectos do histograma da imagem.

a)Homogeneous: o objeto é classificado como homogeneous baseado na análise do desvio padrão do seu histograma;

b)Heterogeneous: o objeto é classificado como heterogeneous se ele não for classificado como homogeneous.

Position

Para determinar a posição de um objeto é necessário calcular o centróide do polígono. Esse centróide é utilizado como ponto de referência para a posição do objeto.

Para auxiliar na identificação do posicionamento dos objetos da imagem é criada uma matriz 3x3 especificando nove quadrantes (center, left, right, top, top-left, top-right, bottom, bottom-left e bottom-right). A Figura 70 apresenta a distribuição desses quadrantes numa imagem de cabeça.

Durante o processo de aquisição de imagens médicas sempre o posicionamento dos lados direito e esquerdo são invertidos. Para facilitar a compreensão na Figura 68 foram preservados os posicionamentos originais.

Relative Positioning

O atributo de relative positioning representa o relacionamento existente entre duas estruturas. Antes de calcular esse atributo é necessário definir o centróide dos polígonos.

Around: indica que uma estrutura x envolve o centróide de uma estrutura y. A Figura 71 mostra um exemplo desse relacionamento.
 
 

To the left or right of; at the top or bottom of: Este tipo de relacionamento indica a relação de vizinhança ente os centróides dos objetos. 

a) x is the left of y;

b) x is the right of y;

c) x is at the top of y;

d) x is at the bottom of y.

Between the… and…: com esse tipo de relacionamento pode se identificar se o centróide de uma estrutura está entre os centróides de outras duas estruturas. Esse relacionamento pode ser calculado tanto verticalmente como horizontalmente. A Figura 72 mostra um exemplo desse tipo.

4.6 Sistemas de Recuperação de Imagens Médicas

IRMA – Aachen University of Tehcnology

IRMA (Image Retrieval in Medical Applications – Recuperação de Imagens em Aplicações Médicas) é um projeto cooperativo do Departamento de Radiologia Diagnóstica, do Departamento de Informática Médica, da Divisão de Processamento de Imagens e do Curso de Ciência da Computação da Universidade de Tecnologia de Aachen (RWTH Aachen), Alemanha.

O objetivo desse projeto é o desenvolvimento de métodos de recuperação de imagem baseados no conteúdo em aplicações de diagnóstico médico. A idéia que está sendo desenvolvida consiste de um sistema de classificação e registro de imagens radiológicas baseado nas características gerais da imagem. Com base nessa classificação é realizada uma análise estrutural da imagem que é utilizada para descrever o conteúdo da imagem baseada em algumas características. Essa descrição é utilizada para a comparação dessa imagem com as imagens armazenadas em um servidor [13]. 

A Figura 73 apresenta os passos seguidos no processo de execução do IRMA e os níveis de visão semântica existentes.

As Figuras 74 a 78 apresentam exemplos de utilização do sistema IRMA versão 3.2, disponível na Web [13]. A imagem apresentada na Figura 74 corresponde a tela inicial do sistema, onde é possível selecionar o grupo de imagens com o qual se deseja trabalhar.

Na tela apresentada na Figura 75 são exibidas as imagens existentes na base de dados, correspondente ao grupo selecionado na tela anterior. O usuário deve selecionar uma dessas imagens para servir de parâmetro para a busca. No primeiro exemplo, selecionamos a imagem em destaque.

A Figura 76 apresenta as imagens retornadas como resultado da busca realizada por imagens semelhantes a imagem selecionada na tela anterior.
 
 
 
 
 

Realizamos outra consulta, conforme imagem selecionada na Figura 77.
 
 

A Figura 78 apresenta o resultado dessa nova consulta.
 
 
 
 

CASIM@GE – University Hospitals of Geneve

O objetivo deste projeto é o desenvolvimento de bancos de dados com "arquivos inteligentes". Um banco de dados é uma coleção de casos de imagens, onde cada uma dessas coleções contém diversas imagens pertencentes a algum tipo de modalidade, além de uma descrição textual. Esse banco de dados é uma extensão do sistema PACS desenvolvido pelo Hospital Universidade de Genebra e é apresentado como uma solução para o gerenciamento e a criação de arquivos de imagens "inteligentes".

Uma estrutura geral para o Banco de Dados foi projetada para atender a seguinte idéia: o banco de dados CASIM@GE é utilizado por muitos usuários e cada um desses usuários está interessado em gerenciar uma ou mais coleções (pessoal, oficial, para estudo, para pesquisa, etc), todas essas coleções contem um ou mais casos com uma descrição textual e muitas imagens.
 
 

O Projeto CaseIm@ge disponibiliza via Web um sistema Beta para demonstração de suas tecnologias [15]. As Figuras 90 a 93 apresentam um exemplo de utilização deste sistema.

A Figura 90 apresenta a tela com as opções de base de dados a serem utilizadas durante o processamento da consulta. Para a execução desse exemplo foi utilizada a base de dados de imagens de tórax, conforme destaque.
 
 

Na Figura 91 são exibidas todas as imagens pertencentes a base de dados selecionada.

Na Figura 92 são apresentados em destaque os campos Query, onde o usuário deve passar a string de consulta, e a lista dos parâmetros passíveis de serem utilizados para realização da consulta.
 
 

Na Figura 93 são exibidos os resultados de uma consulta realizada passando por parâmetro a string "pneumonia" e utilizando o parâmetro Diagnosis.

GBDI(Grupo de Bases de Dados e Imagens) - USP/São Carlos

O GBDI - Grupo de Bases de Dados e Imagens da USP/São Carlos através do projeto Arboretum disponibiliza uma biblioteca C++ com implementação de vários métodos de métricas de acesso, através da qual podem ser desenvolvidas aplicações para realização de recuperação de imagens baseadas em conteúdo de forma facilitada. Essa biblioteca pode ser encontrada na web no site do projeto [20].

Além do Projeto Arboretum existe, também, o Projeto Siren, que propõe a integração de consulta de imagem baseada em conteúdo com a linguagem SQL. É disponibilizada uma interface Web para realização de testes com os resultados obtidos com o Siren [21].

A Figura 94 apresenta um exemplo de utilização do aplicativo disponibilizado pelo projeto Siren. A instrução de consulta utilizada no exemplo foi extraída dos exemplos disponíveis no site do projeto.
 
 
 
 
 
 
 
 

A Figura 95 apresenta as imagens resultantes do processamento da consulta utilizada no exemplo.
 
 
 
 
 
 
 
 
 
 

Originalmente os projetos desenvolvidos/implementados pelo GBDI/USP não objetivam apenas a recuperação de imagens médicas, porém, atualmente seus resultados estão sendo utilizados pelo Hospital Universitário de Ribeirão Preto para integrar o sistema PACS implementado pelo Hospital para atender as necessidades internas, como descrito em [22]. 
 

4.7 Referências Bibliográficas

[1] (OCT - Oficina Catarinense de Telemedicina)

[2] (http://www.informaticamedica.org.br/informaticamedica/n0106/imagens.htm) 

[3] Digital Imaging and Communications in Medicine (DICOM) Parte 1.

[4] (Papyrus v. 3 – Specifications) - http://www.sim.hcuge.ch/papyrus/01_Papyrus_Presentation_EN.htm

[5] http://oscar.mcw.edu/rep.php?&MMN_position=12:12

[6] http://www.alumni.ca/~chia4a0/main.htm

[7] http://www.psychology.nottingham.ac.uk/staff/cr1/dicom.html

[8] Desenvolvimento de uma metodologia de interpretação, recuperação e codificação inteligente de laudos médicos independente de língua – Fábio Alexandrini. Tese de Doutorado em Engenharia de Produção/UFSC.

[9] A Review of Content-Based Image Retrieval Systems in Medical Applications - Clinical Benefits and Future Directions - Henning Muller, Nicolas Michoux, David Bandon and Antoine Geissbuhler - Division for Medical Informatics, University Hospital of Geneva.

[10] Comunello E., Richter, M.M., Abdala, D.D., Santos, T.R. dos, Wangenheim A.v., and Wille, P.R., CycML - A Language to Describe Radiological Images. In: CBMS2003, New York. 16th IEEE Symposium on Computer-Based Medical Systems, Los Alamitos, CA: IEEE Computer Society, ISBN 0-7695-1901-6, p. 145-149, 2003.

[11] Comunello, E. CMIIS - The Cyclops Medical Image Interpretation System.

[12] The IRMA Project: a state of the art report on content-based image retrieval in medical applications - Thomas M. Lehmann - Aachen University of Technology - Aachen, Germany.

[13] http://libra.imib.rwth-aachen.de/irma/index.php

[14] http://www.casimage.com/

[15] http://www.casimage.com/4dmethod/_html_loopcasim/%23%23220473615.0

[16] Medical Image Format FAQ – Part 7 - http://www.dclunie.com/medical-image-faq/html/part7.html#ANALYZEFromMayoWebSite.

[17] Statistical Parametric Mapping 99 - http://www.fil.ion.ucl.ac.uk/spm/software/spm99/.

[18] The Analize Data Format – 

http://www.mrc-cbu.cam.ac.uk/Imaging/Common/analyze_fmt.shtml.

[19] Grupo de Bases de Dados e Imagens – USP/São Carlos - http://www.gbdi.icmc.usp.br/.

[20] Projeto Arboretum - http://gbdi.icmc.usp.br/arboretum/.

[21] Projeto Siren - http://gbdi.icmc.usp.br/siren/.

[22] Azevedo-Marques, Paulo Mazzoncini de. Integrating RIS/PACS: The Web-based Solution at University Hospital of Ribeirão Preto, Brazil. Journal of Digital Imaging. SCAR (Society for Computer Applications in Radiology) 2004.

[23] [Eakins 99] Eakins, John P. Content-based Image Retrieval - A report to the JISC Technology Applications Programme. Institute for Image Data Research, University of Northumbria at Newcastle. January 1999.