Grades computacionais na recuperação de imagens médicas baseada em conteúdo / Grid computing in the optimization of content-based medical images retrieval

OBJETIVO: Utilizar o poder de processamento da tecnologia de grades computacionais para viabilizar a utilização do algoritmo de medida de similaridade na recuperação de imagens baseada em conteúdo. MATERIAIS E MÉTODOS: A técnica de recuperação de imagens baseada em conteúdo é composta de duas etapas seqüenciais: análise de textura e algoritmo de medida de similaridade. Estas são aplicadas em imagens de joelho e cabeça, nas quais se avaliaram a eficiência em recuperar imagens do mesmo plano e a seqüência de aquisição em um banco de 2.400 imagens médicas para testar a capacidade de recuperação de imagens baseada em conteúdo. A análise de textura foi utilizada inicialmente para pré-selecionar as 1.000 imagens mais semelhantes a uma imagem de referência escolhida por um clínico. Essas 1.000 imagens foram processadas utilizando-se o algoritmo de medida de similaridade na grade computacional. RESULTADOS: A precisão encontrada na classificação por análise de textura foi de 0,54 para imagens sagitais de joelho e de 0,40 para imagens axiais de cabeça. A análise de textura foi útil como filtragem, pré-selecionando imagens a serem avaliadas pelo algoritmo de medida de similaridade. A recuperação de imagens baseada em conteúdo utilizando o algoritmo de medida de similaridade aplicado nas imagens pré-selecionadas por análise de textura resultou em precisão de 0,95 para as imagens sagitais de joelho e de 0,92 para as imagens axiais de cabeça. O alto custo computacional do algoritmo de medida de similaridade foi amortizado pela grade computacional. CONCLUSÃO: A utilização da abordagem mista das técnicas de análise de textura e algoritmo de medida de similaridade no processo de recuperação de imagens baseada em conteúdo resultou em eficiência acima de 90 por cento. A grade computacional é indispensável para utilização do algoritmo de medida de similaridade na recuperação de imagens baseada em conteúdo, que de outra forma seria limitado a supercomputadores.

OBJECTIVE: To utilize the grid computing technology to enable the utilization of a similarity measurement algorithm for content-based medical image retrieval. MATERIALS AND METHODS: The content-based images retrieval technique is comprised of two sequential steps: texture analysis and similarity measurement algorithm. These steps have been adopted for head and knee images for evaluation of accuracy in the retrieval of images of a single plane and acquisition sequence in a databank with 2,400 medical images. Initially, texture analysis was utilized as a preselection resource to obtain a set of the 1,000 most similar images as compared with a reference image selected by a clinician. Then, these 1,000 images were processed utilizing a similarity measurement algorithm on a computational grid. RESULTS: The texture analysis has demonstrated low accuracy for sagittal knee images (0.54) and axial head images (0.40). Nevertheless, this technique has shown effectiveness as a filter, pre-selecting images to be evaluated by the similarity measurement algorithm. Content-based images retrieval with similarity measurement algorithm applied on these pre-selected images has demonstrated satisfactory accuracy - 0.95 for sagittal knee images, and 0.92 for axial head images. The high computational cost of the similarity measurement algorithm was balanced by the utilization of grid computing. CONCLUSION: The approach combining texture analysis and similarity measurement algorithm for content-based images retrieval resulted in an accuracy of > 90 percent. Grid computing has shown to be essential for the utilization of similarity measurement algorithm in the content-based images retrieval that otherwise would be limited to supercomputers.

Software livre na investigação científica: NeuroCAD - uma ferramenta "open-source" para auxílio ao diagnóstico em neurologia / Free-software in scientific research: NeuroCAD - an open-source neurology computer-aides toolkit

Este artigo apresenta a implementação de uma ferramenta computacional "open-source" para o auxílio ao diagnóstico em neurologia - NeuroCAD. Esta ferramenta é resultado de uma parceria entre o Centro de Ciência das Imagens e Física Médica da Faculdade de Medicina de Ribeirão Preto e o Centro de Cirurgia de Epilepsia do Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto, da Universidade de São Paulo. O NeuroCAD foi desenvolvido em plataforma Linux sob uma filosofia "open-source", buscando suprir as necessidades apresentadas pelos profissionais do CIREP quanto ao processamento de imagens para auxílio ao diagnóstico clínico da Epilepsia do Lobo Temporal. A ferramenta é constituída por três módulos: a) um módulo de corregistro de imagens (anatômicas e funcionais), no qual o especialista posiciona marcadores e seus respectivos pares, possibilitando operações geométricas de escala, translação e rotação; b) um módulo de análise volumétrica com segmentação manual (o sistema armazena todos os objetos marcados e aplica o método de Cavalieri para cálculo de volume); c) um módulo de visualização, no qual as estruturas marcadas são reconstruídas tridimensionalmente