An Automatic Proposal For Diagnosis Of Schistosomiasis ANDRÉ CAETANO ALVES FIRMO – UPE,CARMELO J. A. BASTOS FILHO - UPE,JONES ALBUQUERQUE, SILVANA BOCANEGRA - UFRPE, REINALDO SOUZA SANTOS - ENSP FIOCRUZ, CONSTANÇA S. BARBOSA - CPQAM FIOCRUZ

1

Motivação• A tarefa de contagem de ovos de S. mansoni pode ser uma atividade

árdua em muitos casos.

• Como o uso de tecnologia pode ajudar a resolver este problemas?

• A utilização de tais tecnologias pode ser empregada na rotina do diagnóstico laboratorial?

2

Introdução

• Este trabalho visa o desenvolvimento de uma solução, automatizada para a contagem dos ovos de S. mansoni nos exames parasitológicos de fezes. A solução é composta por um hardware de baixo custo e um sistema de classificação treinado a partir de uma técnica de inteligência computacional.

3

Metodologia

•Proposta da solução é descrita em 3 Fases:

4

Metodologia – 1ª Fase a) Requisitos para o equipamento.

5

Captura de imagem continuamente.

Resolução mínima de 352 x 288 pixels.

Taxa de captura de vídeo de 30 quadros por segundo (FPS).

Conectividade USB.

Baixo custo de aquisição ( valor nominal inferior a R$ 100,00).

Utilização simples e podendo ser usado em qualquer sistema operacional.

Metodologia – 1ª Fase b) Requisitos para a fixação da webcam no microscópio

6

Preservar a integridade do microscópio sem alterá-lo ou danificá-lo

Ser um sistema de fixação ajustável.

Ser um sistema de baixo custo.

Metodologia – 2ª Fase

a) Características de Haar – são retângulos compostos por áreas

claras e escuras.

b) Classificadores fracos – são algoritmos que identificam se uma

determinada entrada atende a uma característica de haar.

c) Cascata de classificadores – são vários classificadores fracos

interligados formando um classificador forte, proposto por

Viola e Jones.

7

Metodologia – 2ª Fase

d) Treinamento – o treinamento da cascata é feito selecionando

uma característica de haar para compor um classificador fraco.

Cada estágio da cascata é composto por um classificador fraco

que identifica uma única característica.

8

Metodologia – 3ª Fase Particle Swarm optimization (PSO) é uma técnica de inteligência computacional,

bioinspirada no vôo dos pássaros, comumente utilizada para resolução de

problemas de busca.

É composta por um enxame de partículas, onde cada partícula representa uma

possível solução do problema. As partículas se movimentam em função da sua

qualidade e da qualidade do enxame.

Foi utilizada esta técnica para selecionar as melhores características de haar para

Compor os classificadores fracos da cascata de classificadores.

9

ResultadosA taxa de acerto do sistema com 10 estágios e com a otimização (PSO) foi em

média 30% melhor do que com o método de Viola e Jones e 3% melhor que o GA.

Com relação à contagem dos ovos de S. mansoni o sistema obteve uma taxa de

Acerto de 33,6%, sendo justificada pela pequena quantidade do conjunto de

treinamento de menos de 10% do valor utilizado pela literatura.

10

Melhor Resultado

Viola e Jones 59,9%

PSO 87,5%

GA 84,2%

Ganho em tempo de treinamento

Viola e Jones GA

Média 40 vezes 7 vezes

Melhor 700 vezes 10vezes

Acertos Falsos Alarmes Tempo de Treinamento

Opencv 176 (0) 30636 (0) 275 s (0)

PSO 231 (31) 24931 (8846) 6,5 s (0,7)

GA 207 (79) 25833 (14368) 49,6 s

ConclusõesOs primeiros resultados com o protótipo indicam que é viável a

implementaçãopara o diagnóstico da Esquistossomose e apontam para a viabilidade de

uso destasolução para o diagnóstico de outras doenças baseadas na identificação

de organismos microscópicos. Destaca-se:

• A viabilização da exposição das imagens microscópicas a um público, servindo como instrumento para o treinamento e divulgação de novas descobertas e a criação de um banco de dados de imagens das lâminas.

• O favorecimento da implantação de uma nova metodologia de trabalho aos técnicos laboratoriais onde dentre os benefícios estão a preservação da visão e a ergonomia.

11

Conclusões• A realização dos exames em unidades móveis e com equipamentos portáteis e

de baixo custo como netbooks e webcams. • A criação de um banco de dados de resultados que pode ser integrado a um

sistema de gestão por geoprocessamento com atualização on-line. • Auditoria das etapas do exame desde a captura das imagens até o resultado. • Divulgação de resultados on-line e em tempo de processamento entre várias

unidades móveis à uma base centralizada. • A viabilidade da fabricação de um sistema embarcado, portátil e de baixo

custo capaz de realizar a contagem dos ovos de S. mansoni dispensando o uso do microscópio.

12

Agradecimentos

•Constança Barbosa – CPqAM/Fio Cruz•Jones Albuquerque - UFRPE•Prof. Carmelo Bastos – UPE•Fernando e Barnabé – CPqAM/Fio Cruz

Contato:caetanofirmo@gmail.com

13