Content uploaded by Jorge G Pires
Author content
All content in this area was uploaded by Jorge G Pires on Dec 20, 2018
Content may be subject to copyright.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
Programa Nacional de Pós-doutorado (PNPD-CAPES: processo nº 88882.306241/2018-01).
Relatório Final de pós-
doutorado
Programa Nacional de Pós-doutorado
PNPD/CAPES
JORGE GUERRA PIRES
SALVADOR, 2018
Programa de Pós-Graduação em Mecatrônica
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
Programa Nacional de Pós-doutorado (PNPD-CAPES: processo nº 88882.306241/2018-01).
Programa Nacional de Pós-doutorado
PNPD/CAPES
Programa de Pós-Graduação em Mecatrônica
Relatório Final de pós-
doutorado
Jorge Guerra Pires
Salvador, 2018
Nota. Este relatório possui figuras coloridas, impressões em preto e branco podem
tornar difíceis a interpretação de algumas figuras.
Relatório final de pós-doutorado pelo PNPD/CAPES
Programa de pós-graduação em mecatrônica
Instituto de Matemática e Estatística / Escola Politécnica.
Universidade Federal da Bahia
Jorge Guerra Pires, PhD
(jorgeguerrabrazil@gmail.com)
novembro 2017 - dezembro 2018
Título guia: Computacional Intelligence based image segmentation
Título guia alernativo: Semantic biomedical image segmentation
Guia do relatório:
• Apresentar de forma técnica as atividades desenvolvidas (atividades que o estagiário teve
contato);
• Apontar crescimento acadêmico do estagiário como resultado da experiência de estágio pós-
doutoral;
• Apresentar possíveis ramificações do período pós-doutoral (trabalhos futuros), consequência
do crescimento acadêmico;
Relatório final de estagio pós doutoral,
Salvador, Novembro, 2018
I Ciclo
Supervisor: Luciano Rebouças de Oliveira, PhD
Coordenador: D.Sc. Leizer Schnitman
Vice-coordenador: Flávio M. de Assis Silva, PhD
Este relatório foi entregue como documentação final
das atividades desenvolvidas pelo estagiário de pós-
doutorado Jorge Guerra Pires no período de
novembro 2017- dezembro 2018, como parte do
Programa de Pós-Graduação em Mecatrônica
(PPGM), Universidade Federal da Bahia (UFBA), e
Programa Nacional de Pós-doutorado da
Coordenação de Aperfeiçoamento de Pessoal de Nível
Superior (CAPES: processo nº 88882.306241/2018-
01).
ii
Nota do autor. Este relatório foi escrito na expectativa de que pessoas
externas ao projeto também possam ler e entender os pontos colocados pelo
estagiário.
iii
Apesar do pós-doutorado não ter a intensidade de um
doutorado, em questão de anos direcionados na mesma
pesquisa, é um período bem intenso; como foi dito “ostra
feliz não faz pérola” Rubem Alves. Gostaria de agradecer à
Capes pela bolsa, e a UFBA pelo ambiente de trabalho.
Gostaria também de agradecer aos colegas do Ivisionlab por
alguns momentos de boa conversa e troca de conhecimento
científico, aprendi bastante nesse período ouvindo e
conversando. Entrar em um novo campo de pesquisa nunca
é fácil, mas o aprendizado é sempre significativo/intenso.
Colocar nesse relatório todo o aprendizado seria impossível.
Fiquemos somente com o essencial e técnico.
iv
Conteúdo
Resumo............................................................................................................................................... vii
Abstract ............................................................................................................................................. viii
Nomenclaturas .................................................................................................................................... ix
Figuras .................................................................................................................................................. x
Tabelas .............................................................................................................................................. xiii
Capítulo 1: Introdução ......................................................................................................................... 1
1.1.
Local de trabalho ................................................................................................................... 2
1.2.
Formação acadêmica do estagiário........................................................................................ 2
1.3.
Objetivo ................................................................................................................................. 3
1.4.
Trabalho inicialmente proposto ............................................................................................. 3
1.5.
Experiência adquirida como parte do IVisionLab ................................................................. 4
1.6.
Passado, presente, e futuro: aprendizado essencial de se mencionar .................................... 4
1.7.
Saindo da modelagem matemática para mecatrônica: desafios ............................................ 5
1.8.
Padrão do relatório de pós doutorado (PNPD) ...................................................................... 5
1.9.
Organização do relatório ....................................................................................................... 5
Capítulo 2: Atividades Acadêmica ...................................................................................................... 8
2.1.
Eventos e cursos .................................................................................................................... 8
2.1.1.
Cursos ministrados e palestras ....................................................................................... 8
2.1.2.
Participação em cursos e palestras sem trabalhos .......................................................... 9
2.1.3.
Participação em eventos sem trabalho ......................................................................... 10
2.1.4.
Participação em eventos com trabalho ......................................................................... 11
2.2.
Outras atividades ................................................................................................................. 13
2.2.2
Revisão de artigos científicos ...................................................................................... 13
Capítulo 3: Envolvimento em pesquisas e projetos ........................................................................... 15
3.1
Projeto de pacientes hemiparéticos ..................................................................................... 15
3.2
O problema da segmentação dos dentes .............................................................................. 19
3.3
Segmentação de imagens renais .......................................................................................... 22
Capítulo 4: Segmentação de imagens valendo-se de técnicas não-convencionais ............................ 25
4.1
Segmentação de imagens usando inteligência computacional ............................................ 26
4.2
Segmentação de imagens usando cellular automata ............................................................ 28
4.3
Segmentação de alimentos: insights em um sistema virtual para simulações numéricas de
alimentação e controle de peso ...................................................................................................... 31
4.3.1
Minirrevisão ..................................................................................................................... 32
4.3.2
LigLab: Leptin- Insulin-Ghrelin Laboratory ................................................................... 33
4.4
Considerações finais ............................................................................................................ 33
Capítulo 5: Combinando análise de imagens biomédicas e modelagem matemática: uma perspectiva
valendo-se da inteligência computacional ......................................................................................... 35
5.1
Introdução ............................................................................................................................ 35
5.2
Justificativa/motivação ........................................................................................................ 37
5.3
Objetivo ............................................................................................................................... 39
5.4
Métodos ............................................................................................................................... 39
Capítulo 6: Discussões ....................................................................................................................... 41
v
Capítulo 7: Conclusões, considerações finais, e possíveis trabalhos futuros ..................................... 44
Referências e webgrafias citadas ....................................................................................................... 46
Anexos ............................................................................................................................................... 49
Anexo A: Roteiro da Capes ........................................................................................................... 50
Anexo B: Avaliação do minicurso por participantes do 1st CSDS ................................................ 53
Anexo C: programa de pós-graduação em mecatrônica ................................................................ 54
Anexo D: ciência de dados e modelagem matemática, relato de experiência (1st CSDS) ............ 55
Index ...................................................................................................................................................... i
vi
Glossário
Algoritmos Genéticos Algoritmo baseado no conceito de evolução genética, aplicado em
situações de otimização.
Aprendizado de Máquina
Conjunto de técnicas matemático-computacionais que resolvem
problemas usando o conceito de “aprendizado” (exemplos são
apresentados). Essas técnicas podem ser, classicamente,
supervisionadas e não-supervisionadas. Modernamente, também
semissupervisionadas.
Inteligência Computacional
conjunto de técnicas matemáticas computacionais que visam
resolver problemas de forma mais genérica, como aplicando o
conceito de inteligência. Ex.: redes neurais, computação evolutiva
e inteligência de exames. No melhor do conhecimento do autor,
não existe um consenso geral, mas aprendizado de máquina pode
ser visto como inteligência computacional.
Imagens médicas
Imagens proveniente de sistemas biológicos, em geral de humanos,
pacientes.
Hemiparesia Condição médica na qual ocorrer redução da capacidade muscular
do indivíduo.
Modelagem matemática Conjunto de técnicas que visam representar um sistema de forma
abstrata e matemática. Ex.: equações diferenciais.
Segmentação de imagens
Processo pelo qual imagens são representadas em um plano
“simplificado”, nesse “plano” informações podem ser mais
facilmente inferidas, como regiões de interesse e quantidade de
objetos.
Rede neural convolucional
Em deep learning, rede neural convolucional (convolutional
neural network) é uma classe de redes deep, feed-forward,
comumente
aplicas em análise de imag
ens visuais.
Cellular Automata
Técnicas matemático-computacional usadas para simular sistemas
físicos, atualmente sendo empregadas também em segmentação de
imagens.
Nota. Aqui foram definidos alguns termos usados no relatório, baseando-se no conhecimento do
autor.
vii
Resumo
O emprego de imagens está cada vez mais presente nos tempos atuais, especialmente nas áreas
médicas e de visão computacional; e segmentação de imagens é uma metodologia largamente
empregada para se fazer bom uso dessas imagens. Conceitualmente, segmentação de imagens é parte
de quase todos esquemas computacionais para reconhecimento de padrão em imagens como fase de
pré-processamento para extrair informações úteis de objetos. Consequentemente, existem muitas
pesquisas em torno de algoritmos para segmentação de imagens, mas no presente, uma técnica
universal ainda não existe. Posto desta forma, baseando-se na análise da literatura apresentada no
relatório, essas metodologias podem ser genericamente classificadas como: abordagens clássicas, Soft
Computing ou Inteligência Computacional, ou outras abordagens. Seguindo nessa linha, neste
relatório relata-se a experiência acadêmica do estagiário. O relato inclui insights para futuras
publicações e projetos; essa experiência pode ser dividida em estudos teóricos e participações em
eventos científicos. Desta forma, o objetivo principal assumido pelo estagiário no postdoc reportado
foi absorver conhecimento na área de segmentação de imagens com aplicações na área médica com
o intuito de aumentar o campo de atuação do estagiário para possíveis trabalhos futuros em
modelagem matemática. Como resultado, nesse período de pesquisa foi possível aprender/conhecer
uma nova área de pesquisa que tem sido explorado por alguns pesquisadores da área de modelagem
matemática aplicada a sistemas biológicos. Em algumas pesquisas, como destacado no relatório,
pesquisadores empregam segmentação e processamento de imagens para alimentarem modelos
matemáticos, fazendo a estimação de parâmetros desses modelos. Finalmente, conclui-se, através de
um estudo da literatura, que a junção de modelagem matemática com técnicas de segmentação de
imagens pode criar boas oportunidades de pesquisa e publicações.
Palavras-chaves: modelagem matemática, segmentação de imagens; imagens médicas.
viii
Abstract
The application of imaging is each time getting more and more popular those days, especially in areas
of medical sciences and computer vision, and image segmentation is an imperative set of
methodologies for studying those imagens in several contexts. Abstractly, image segmentation is part
of almost any computational scheme as a phase of pre-processing for extracting useful information
of objects in images. Accordingly, there exist several computational schemes for image segmentation,
however at present, an universal technique does not exist. As a consequence, the existing
methodologies for segmentation can be roughly classified as: classical approaches, soft computing or
computational intelligence, and other approaches. Hence, this academic account states the academic
experience of the postdoc fellow researcher on the reported postdoc period. The report includes
insights for future publications and projects, this experience boils down to theoretical studies and
participation on scientific events. Therefore, the objective taken by the researcher on this postdoc
period was to take in knowledge and experience in the area of image segmentation with possible
application in medical sciences aiming at increasing the fields of action of the researcher, for possible
future works on modeling. On this period of research it was possible to learn/be aware of a new area
of research that has been exploited by other researchers from modeling applied to biological systems.
On some researches, as pointed out on the report, researches are applying image segmentation and
processing for feeding mathematical models, e.g., making parameter estimation of those models. Last
but not least, it is concluded that, from the literature, the junction of mathematical modeling and
image segmentation might create interesting new fields of research and possible publications.
Keywords: mathematical modeling; image segmentation; medical images.
ix
Nomenclaturas
AVE – Acidente Vascular Encefálico
CSDS – Conference on Statistics and Data Science
CAPES – Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
IvisionLab – Intelligent Vision Research Lab
D.Sc – Doctor of Science
Postdoc – pós-doutorado
PNPD – programa nacional de pós-doutorado
P.hD – Doctor of Philosophy
PPGM – Programa de Pós-Graduação em Mecatrônica
CBIC – Congresso Brasileiro de Inteligência Computacional
SIMPEP – Simpósio de Engenharia de Produção
x
Figuras
Figura 1: Segmentação de um tumor cerebral maligno. Fonte: Simulação própria. ........................... 1
Figura 2. Crescimento acadêmico decorrente da experiência vinda do postdoc. Fonte: elaboração
própria. ................................................................................................................................................. 2
Figura 3: resultado da análise de opinião de alguns participantes do curso. a) análise do grau de
satisfação; b) posição acadêmica; c) área de concentração do participante. Fonte: coletado
passivamente no dia do evento. .......................................................................................................... 12
Figura 4: resultado numérico de um dos modelos apresentados no minicurso. a) modelo para
dinâmica de câncer com dois fármacos; b) modelo para dinâmica de câncer com um fármaco. Fonte:
simulações do autor. ........................................................................................................................... 13
Figura 5: Articulações/junções rastreadas pelo Kinect (pontos verdes). Fonte: Barros Silva (2017,
p.33). .................................................................................................................................................. 16
Figura 6: Layout em semicírculo para o posicionamento dos 3 kinect para buscar empiricamente a
melhor configuração. Fonte: Chaparro Guayara (2018). ................................................................... 17
Figura 7: Gráfico de barras gerado para julgar a “qualidade” de cada configuração da Figura 6, neste
caso 55°. Fonte: Chaparro Guayara (2018, p.79). .............................................................................. 17
Figura 8: Dificuldades em se identificar o braço robótico. Fonte: gerado em laboratório Barros Silva
(2018). ................................................................................................................................................ 19
Figura 9: Anotação manual da região de interesse para segmentação dos dentes. Fonte: Silva et al
(2018). ................................................................................................................................................ 20
Figura 10: Exemplo de máscara binária usada por Silva et al (2018), máscara gerada manualmente,
em um processo de anotação. Fonte: Silva et al (2018). .................................................................... 20
Figura 11: Exemplo de máscara binária usada por Jader et al (2018), máscara gerada manualmente,
em um processo de anotação; nessa foi feito o que se chamaram de “fio dental” (separação dos dentes
manualmente para treinar a rede, ver Jader et al (2018)); a) imagem de raio-X; b) máscara; c) esquema
do “fio dental” . Fonte: data set de Jader et al (2018). ....................................................................... 21
Figura 12: Exemplo de imagens do COCO. Fonte: http://cocodataset.org/#home. .......................... 22
Figura 13: diagrama de fluxo para o processo de segmentação de imagens. Fonte: Chouhan et al
(2017). ................................................................................................................................................ 25
Figura 14: Técnicas de software computing organizadas em categorias; sobre a hierarquia de redes
neurais, dever-se-ia incluir redes neurais convolucionais e deep learning. Fonte: Chouhan et al
(2017). ................................................................................................................................................ 27
xi
Figura 15: Exemplo simples usando um algoritmo baseado em cellular automata. Fonte: simulações
do autor. ............................................................................................................................................. 29
Figura 16: Tipo de vizinhança usada em cellular automata (a cor indica grau de proximidade). Fonte:
ver....................................................................................................................................................... 29
Figura 17: Resultados de segmentação de imagem médica usando cellular automata. Fonte: Diosan
et al (2017, p.294). ............................................................................................................................. 30
Figura 18: Exemplo de detecção de câncer de mama usando cellular automata; a) imagem de mama
com câncer maligno; b) região de interesse segmentada. Fonte: Wongthanavasu e Tangvoraphonkchai
(2007, p.44). ....................................................................................................................................... 30
Figura 19: Prevalência de obesidade em alguns países do mundo. Fonte: World Obesity Federation.
............................................................................................................................................................ 31
Figura 20: LigLab: Leptin- Insulin-Ghrelin Laboratory, proposta de simulador para estudos
relacionados à alimentação e controle de peso; a caixa “pre-processing” seria algo do tipo da Figura
13. Fonte: estendido de Pires (2017). ................................................................................................. 33
Figura 21: Aprendizado de máquina vs. deep learning. Fonte: MathWorks. .................................... 34
Figura 22: Crescimento do uso de ferramentas da inteligência computacional em segmentação de
imagens usando como base o site pubmed; a) somente algoritmos genéticos (computação evolutiva)
na busca; b) adicionando segmentação à busca; c) mesmo para deep learning em a; d) mesmo para
deep learning em b. Fonte: pubmed. .................................................................................................. 34
Figura 23. A region growing method aplicado a uma imagem. O “x” na imagem da esquerda mostra
a “semente”. A imagem da esquerda é a imagem original, ao passo que a imagem da direita é depois
da segmentação. Fonte: elaboração própria. ...................................................................................... 36
Figura 24. Diagrama de um modelo matemático que faz uso de análise e processamento imagens.
Em essência, lesões provocadas no fígado são simuladas e comparadas com imagens reais, mas
incialmente o modelo precisa ser validado, e essas “mesmas” imagens são usadas para criar o modelo.
Fonte: Drasdo et al (2014). ................................................................................................................ 38
Figura 25. Esquema do algoritmo proposto, esquema genéricos esperado para os modelos já presentes
na literatura. Fonte: elaboração própria. ............................................................................................ 39
Figura 26. Comparação entre modelos baseados “análise do dados” (e.x., segmentação) e
“modelagem dos dados” (e.x., equações diferenciais). Fonte: CSDS short-course “Data Science and
Biomathematics: an introduction to mathematical modeling applied to biological systems with
Matlab”............................................................................................................................................... 55
xii
Figura 27. A questão de transforma em parâmetros informação presente em banco de dados. Fonte:
CSDS short-course “Data Science and Biomathematics: an introduction to mathematical modeling
applied to biological systems with Matlab” ....................................................................................... 55
NOTA. Algumas imagens podem estar protegidas por diretos autorais pelos respectivos autores.
xiii
Tabelas
Tabela I : resumo de atividades planejadas pós-estágio de pós-doutorado ...................................... 41
Tabela II: possíveis artigos futuros. .................................................................................................. 42
Tabela III: possíveis artigos futuros (cont. Tabela II). ..................................................................... 42
Capítulo 1: Introdução
O emprego de imagens está cada vez mais presente nos tempos atuais, especialmente nas áreas
médicas e de visão computacional. Atrelado ao uso de imagens, temos o conceito de segmentação de
imagens (de forma mais genérica, processamento e análise de imagens, ver como possíveis
referências (Gonzalez e Woods, 2008; Sonka et al, 2009); ex., Figura 1), que é em essência:
procedimento computacional pelo qual um conjunto de imagens, ou mesmo uma imagem somente,
são resumidas em um conjunto de “regiões” que podem ser empregadas para se fazer “sentido” das
imagens (retirar informações úteis)
1
; ex., em uma imagem médica, pode ser uma região de interesse
clínico, como uma lesão (ver Figura 1 para exemplo de tumor cerebral ou/e Figura 18 para um
possível exemplo em câncer de mama).
a) b)
Figura 1: Segmentação de um tumor cerebral maligno. Fonte: Simulação própria
2
.
Neste estágio de pós-doutorado, procurou-se expandir o universo de conhecimento do estagiário,
neste caso para o campo de segmentação e análise de imagens (ver Figura 2).
1
Definições mais técnicas e precisas podem ser encontradas em livros textos como Gonzalez e Woods (2008).
2
Usando códigos-fontes de Manu BN. Brain MRI Tumor Detection and Classification. MathWorks File Exchange.
https://www.mathworks.com/matlabcentral/fileexchange/55107-brain-mri-tumor-detection-and-
classification?s_tid=FX_rc1_behav. Acessado em 30/11/2018.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
2
18 dezembro 2018
Figura 2. Crescimento acadêmico decorrente da experiência vinda do postdoc. Fonte: elaboração
própria.
1.1. Local de trabalho
O IVisionLab (Intelligent Vision Research Lab)
3
é um laboratório dentro da Universidade Federal
da Bahia (UFBA) (parte do Instituto de Matemática e Estatística (IME), Departamento de
Computação). O foco principal do laboratório é visão computacional, com estudos recentes em deep
learning. Apesar de ser um laboratório com alguns anos de fundação, tem demonstrado liderança nas
suas respectiva atribuições, como segmentação de imagens e aplicações
4
. Atualmente, o laboratório
é lar de pesquisadores de mestrado e doutorado pelo programa de pós-graduação em mecatrônica
(PPGM) e Programa de Pós-graduação em Ciência da Computação (PGComp), tendo o estagiário
deste relatório como primeiro pós-doutorado, pelo PPGM.
Esse ambiente de pesquisa propiciou ao estagiário a oportunidade de entrar em contato com pesquisas
que poderão acrescentar à sua formação acadêmica precedente ao postdoc, principalmente pesquisas
na área de segmentação de imagens (ver Capítulo 5). Como será estressado no relatório em inúmeros
ocasiões, como parte de seus estudos, o estagiário aprendeu sobre estudos que mesclam modelagem
matemática com segmentação de imagens (Figura 25).
1.2. Formação acadêmica do estagiário
O estagiário é formado em engenharia de produção pela Universidade Federal de Ouro Preto (UFOP),
com enfoque em otimização tanto linear quanto não-linear; trabalhou no Laboratório de Polímeros
LAPPEM do departamento de física da UFOP e colaborou com o departamento de computação da
UFOP em algumas ocasiões (DECOM). Cursou algumas disciplinas do mestrado da UFRJ em
inteligência computacional, e fez mestrado duplo pelas universidades de L’Aquila e Gdansk em
Engenharia Matemática e Física Técnica (com enfoque em modelagem matemática de sistemas
biológicos, simulação numérica). Terminou o doutorado pela Universidade de L’Aquila em
Engenharia da Informação em colaboração com o BioMathLab-CNR-Roma (Gemelli Ospedale), em
3
Endereço eletrônico: http://www.ivisionlab.ufba.br/contact.html
4
Ver: http://www.ivisionlab.ufba.br/publications.html
segmentação
de imagens
(IvisionLab)
modelagem
matemática de
sistemas
biológicos
(mestrado e
doutorado)
trabalhos futuros
em segmentação
de imagens e
modelagem
matemática (ver
Tabela I).
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
3
18 dezembro 2018
modelagem de sistemas biológicos; títulos de mestrado e doutorado reconhecidos no Brasil como
bioinformática pela Universidade de São Paulo (USP). Atualmente tem interesse em modelagem
computacional de sistemas biológicos e áreas biomédicas afins.
Lattes: http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4466905E0
1.3. Objetivo
Objetivo principal almejado pelo estagiário durante o pós-doutorado:
Absorver conhecimento na área de segmentação de imagens com aplicações na área médica
com o objetivo de aumentar o campo de atuação do estagiário, para futuros trabalhos em
modelagem matemática (ver Figura 2).
Esse objetivo foi buscado devido ao fato de que existem estudos atualmente que mesclam modelagem
matemática e segmentação de imagens (e.x., Drasdo, 2014); ver capítulo Capítulo 5)
5
. Esses estudos
geralmente almejam empregar informações adquiridas como resultado da segmentação como forma
alternativa, ou mesmo mais eficiente, de estimar parâmetros em modelos matemáticos.
Objetivos específicos:
• Aumentar o campo de conhecimento do estagiário;
• Aplicar conhecimentos acumulados no doutorado e mestrado;
• Conhecer pesquisadores com pesquisas afins no contexto brasileiro, em especial da UFBA;
• Acumular conhecimento/material para futuras publicações;
1.4. Trabalho inicialmente proposto
Inicialmente foi proposto que o estagiário trabalhasse com o projeto de "pacientes hemiparéticos"
6
:
que seria provisório até que se conseguisse dados para o projeto que o estagiário tinha real interesse,
que era o projeto de "segmentação de imagens dos rins"
7
; ver “Capítulo 3: Envolvimento em
pesquisas e projetos”. Como foi acordado, o estagiário daria suporte ao pessoal trabalhando nesse
projeto de "pacientes hemiparéticos" na parte de modelagem matemática (isso foi aproximadamente
5
Tendo como premissa a formação do estagiário na área de modelagem matemática, essa foi a linha de pesquisa mais
promissora. No entanto, trabalhos mais concretos ficaram para trabalhos futuros.
6
Resultado de trocas de e-mails, combinado no momento da candidatura com o estagiário de pós-doutorado.
7
Essa escolha foi baseado na formação acadêmica do estagiário, sendo mestrado e doutorado na área de biomatemática
(bioinformática), tendo experiência com problemas de medicina e biologia, trabalhos inter- e multidisciplinar. Ver Pires
(2013) e Pires (2015) ou mesmo palestras/cursos mais recentes, mencionados nesse relatório.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
4
18 dezembro 2018
de novembro 2017-fevereiro 2018)
8
. Como não tinha-se ainda definido o dataset do projeto pelo qual
o estagiário inicialmente tinha mostrado interesse primário ("segmentação de imagens dos rins"),
começou-se a direcionar para um projeto mais na linha de interesse do estagiário, que chamou-se
inicialmente de “Segmentação semântica de imagens (bio) médicas” (semantic segmentation of
biomedical images). A ideia central seria estudar modelos computacionais para segmentação de
imagens, com possível aplicação futura em imagens médicas, sendo o projeto de segmentação de
dentes uma possível aplicação. Esse trabalho se tornou em um interesse por técnicas baseadas em
inteligência computacional (isso foi aproximadamente de março a diante)
9
.
Vale ressaltar que não foi proposto incialmente um conjunto de atividades pré-definidas, ficando o
andamento do estágio a cargo do estagiário e do supervisor.
1.5. Experiência adquirida como parte do IVisionLab
Os trabalhos do IvisionLab giram em torno da Visão Computacional (Computer Vision). Uma das
linhas de pesquisa mais forte no lab tem sido na área de de Redes Neurais Convolucionais
(convolutional neural network, deep learning). A experiência adquirida de maior interesse de se
mencionar está em torno do conceito de segmentação de imagens, e conhecimento de deep learning.
Houve também aprendizado no uso de python, adotada no lab por alguns pesquisadores para
programar deep learning.
1.6. Passado, presente, e futuro: aprendizado essencial de se mencionar
O ponto inicial do background da formação do estagiário de postdoc foi a área de modelagem
matemática de sistemas biológicos, ver trabalho pelo estagiário para um possível resumo desta área
de pesquisa: Biologia Sistêmica “ou” Biologia de Sistemas: um novo paradigma para as ciências
biológicas e médicas
10
. O desafio do postdoc seria como transformar essa experiência adquirida no
doutorado e mestrado em algo no período de estágio pós-doutoral. Existem estratégias diferentes
para o percurso de um postdoc: desde dedicar-se a pequenos projetos ou a projetos maiores. A
estratégia adotada foi dedicar-se a um projeto provisório ("pacientes hemiparéticos") para então
8
No entanto, foi seguido uma linha alternativa de pesquisa, com teor mais empírico. Ver Chaparro Guayara (2018), ou
Capítulo 3.
9
O estagiário vem trabalhando com inteligência computacional (computação evolutiva e redes neurais) desde a
graduação, iniciando um mestrado em inteligência computacional pela UFRJ em 2010.
10
http://jcnoticias.jornaldaciencia.org.br/29-biologia-sistemica-ou-biologia-de-sistemas-um-novo-paradigma-para-as-
ciencias-biologicas-e-medicas/#. Ver curso ministrado pelo estagiário e palestras mencionados nesse relatório.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
5
18 dezembro 2018
migrar ao projeto planejado "segmentação de imagens dos rins"
11
, mas no caminhar do projeto houve
uma mudança de plano, o estagiário começou a dedicar-se a estudos da literatura sobre segmentação
de imagens
12
, como enfoque subsequente à inteligência computacional e aprendizado de máquina.
1.7. Saindo da modelagem matemática para mecatrônica: desafios
O conceito de inter- e multidisciplinaridade é algo cada vez mais presente nos dias atuais. A área de
mecatrônica inicialmente encontrava-se fora da formação básica do estagiário quando esse se
candidatou para o programa de pós-doutorado, sendo assim, foi um ano de intenso aprendizado. Ainda
mais, o foco principal do laboratório é ainda mais novo: visão computacional (ex., segmentação de
imagens). Apesar do estagiário já ter tido várias experiências de trabalhar em um ambiente inter- e
multidisciplinaridade, essa experiência foi ainda mais desafiadora por se tratar de um ambiente
predominante por cientistas da computação: o estagiário está habituado a trabalhar em ambientes
mesclados com relação à formação acadêmica
13
.
A figura anterior, Figura 2, esquematiza o crescimento acadêmico decorrente dessa mudança de área:
modelagem matemática -> mecatrônica.
1.8. Padrão do relatório de pós doutorado (PNPD)
Uma pesquisa ne internet com o título “Relatório postdoc PNPD” mostra alguns exemplos de
relatórios dessa natureza, não existe um padrão adotado pela Capes, apenas algumas diretrizes. Esse
relatório segue semelhança com esses resultados, com as devidas adaptações. De forma adicional,
esse relatório sintetiza as atividades do estagiário como participação em eventos e aprendizado. Como
se trata de um relatório, adotou-se a estratégia de também documentar insights resultantes do período
pós-doutoral, como sugestões de trabalhos futuros baseado no que se aprendeu no laboratório durante
o período pós-doutoral.
1.9. Organização do relatório
O objetivo deste relatório é “relatar”: apresentar de forma coerente atividades que o estagiário esteve
envolvido durante o postdoc, para efeito de futuras consultas a quem for de interesse. Como pode ser
11
Infelizmente, como os dados pertenciam a outro grupo, esses não estavam disponíveis no início da pesquisa, e somente
ficaram disponível mais a frente, ponto no qual o estagiário já tinha iniciado uma linha de pesquisa alternativa.
12
Resultado de amadurecimento acadêmicos nos primeiros meses, conhecimento melhor do ambiente.
13
Com predominância de pessoas da área de modelagem matemática, com enfoque em sistemas biológicos.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
6
18 dezembro 2018
observado, o estagiário optou por se envolver em várias pesquisas, sendo esse relatório o resumo do
conhecimento acumulado e perspectivas futuras para artigos e projetos. Vale estressar que algumas
pesquisas documentadas aqui o contato foi bem breve, mas como este documento é um relatório,
achou-se importante documentar para possíveis consultas futuras ou/e mesmo trabalhos futuros. Em
cada pesquisa mencionada deixa-se propostas para trabalhos futuros, que podem ser adotadas pelos
pesquisadores do IVisionLab ou mesmo pelo próprio estagiário.
O relatório foi organizado em seções chamadas de “capítulos”
14
:
• No “Capítulo 2: Atividades Acadêmica” são apresentadas as principais atividades acadêmicas
que os estagiário participou;
• No “Capítulo 3: Envolvimento em pesquisas e projetos”, discute-se brevemente algumas
pesquisas que o estagiário teve contato, em alguns casos contribuindo indiretamente com
discussões com os envolvidos;
• No “Capítulo 4: Segmentação de imagens valendo-se de técnicas não-convencionais”,
resume-se estudos pelo estagiário em segmentação de imagens usando técnicas não
convencionais (ex., cellular automata);
• No “Capítulo 5: Combinando análise de imagens biomédicas e modelagem matemática: uma
perspectiva valendo-se da inteligência computacional”, disserta-se sobre um possível artigo
científico resultante da experiência adquirida no postdoc;
• No “Capítulo 6: Discussões”, apresenta-se um conjunto de discussões baseado no relatório.
• No “Capítulo 7: Conclusões, considerações finais, e possíveis trabalhos futuros”, fecha-se o
relatório com conclusões, considerações finais, e trabalhos futuros;
O trabalho é concluído com um conjunto de anexos que almeja complementar as informações do
relatório:
• “Anexo A: Roteiro da Capes” apresenta uma versão resumida do relatório, seguindo um
modelo de relatório disponibilizado pela Capes.
• “Anexo B: Avaliação do minicurso por alguns participantes do 1st Congress of Statitics and
Data Science (1st CSDS)” apresenta uma avaliação do minicurso mencionado no relatório,
oferecido pelo estagiário a participantes do 1st CSDS.
• “Anexo C programa de pós-graduação em mecatrônica” apresenta um breve resumo do
PPGM, onde o programa de postdoc se encontra inserido.
• “Anexo D: ciência de dados e modelagem matemática, relato de experiência (1st CSDS)”
apresenta um breve relato da experiência do estagiário ao participar do 1st CSDS.
14
Diferente de uma tese/dissertação/livros, os capítulos podem ser independentes.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
7
18 dezembro 2018
Finalmente, um conjunto de referências bibliográficas citadas é apresentado no final do relatório,
antes dos anexos; mistura-se tanto referências convencionais quanto referências online (chamadas
de webgrafia). Essas foram referências selecionadas, não sendo as únicas referências consultadas.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
8
18 dezembro 2018
Capítulo 2: Atividades Acadêmica
Este capítulo apresenta algumas atividades acadêmicas que o estagiário participou. O objetivo da
participação em cada atividade foi o crescimento acadêmico do estagiário.
2.1. Eventos e cursos
Esta seção apresenta eventos e cursos que o estagiário participou: sendo dividas entre “com trabalhos
apresentados” e “sem trabalhos apresentados”.
2.1.1. Cursos ministrados e palestras
Modelagem matemática aplicada às ciências da vida e medicina
Ciclo de Palestras. Departamento de Estatística, Instituto de Matemática e Estatística (IME),
Universidade Federal da Bahia. 21/07/2018. https://est.ufba.br/pt-br/modelagem-matematica-
aplicada-ciencias-da-vida-e-medicina
Nesta palestra, apresentada pelo estagiário, discutiu-se o conceito de modelagem matemática aplicada
a sistemas biológicos, com aplicações em medicina. O conteúdo incluiu resultados do doutorado,
adaptados para o público alvo da apresentação (professores e alunos de estatística do Departamento
de Estatística (IME), estatísticos aplicados).
Data Science and Biomathematics: an introduction to mathematical modeling applied to
biological systems with Matlab.
First Conference on Statistics and Data Science – CSDS, Salvador, 12-14 November, 2018.
Neste curso de curta duração foi apresentado modelagem matemática como forma alternativa de se
usar/interpretar dados na medicina e biologia. O curso fez parte das atividades do “First Conference
on Statistics and Data Science” e teve duração de 4 horas seguidas (ver Figura 3 e Figura 4).
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
9
18 dezembro 2018
2.1.2. Participação em cursos e palestras sem trabalhos
Seminários
Medidas de covariância direcionada e aplicações em neurociência
K. Lopes. Ciclo de Palestras. Departamento de Estatística, Instituto de Matemática e Estatística,
Universidade Federal da Bahia. . 20/06/2018. https://est.ufba.br/pt-br/medidas-de-covariancia-
direcionada-e-aplicacoes-em-neurociencia.
Escolas/Cursos
Workshop Ivision Lab 2018: Deep Learning com Python para visão computacional
Centro de Capacitação Tecnológica em Automação Industrial - CTAI, Escola Politécnica. 13-
16/08/2018
Nesse workshop (Oficina) foi apresentado aos alunos do Ivision Lab os conceitos introdutórios de
Deep Learning utilizando ferramentas Python para visão computacional. Houve um enfoque em redes
neurais convolucionais (convolutional neural networks).
Workshop de Redes Complexas:
Introdução
à Teoria de Redes
Hernane B.B. Pereira. 16- 30/08/2018. SENAI/CIMATEC Salvador - Bahia. http://www.inct-intree-
modelagem.ufba.br/
Nesta escola de verão, foi apresentado a teoria de redes complexas. Redes complexas estão presentes
em áreas bem variadas, desde a física à ciência da computação.
1st LARS-IASC School on Computational Statistics and Data Science
Faculdade de Comunicação, Salvador, 12-14 November, 2018
Este evento ocorreu como parte do First Conference on Statistics and Data Science. Nesta escola de
verão, tratou-se do uso de modelos matemáticos/estatísticos para estudar eventos
“raros/catastróficos”.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
10
18 dezembro 2018
Ouvinte em defesas de mestrado
15
Barros Silva, JP. Reachable Workspace a partir de múltiplos kinects para análise de movimento
de pacientes hemiparéticos. Defesa Dissertação (Mestrado), Universidade Federal da Bahia,
Instituto de Matemática, 2017.
Esta tese fechou o trabalho do estudante de mestrado JP Barros Silva. O estagiário se envolveu nessa
pesquisa no início do pós-doutorado
16
como pesquisa provisória.
Ver Capítulo 3: Envolvimento em pesquisas e projetos.
Chaparro Guayara, L.X. Configurando múltiplas câmeras RGB-D para captura de movimentos
de pacientes hemiparéticos. Defesa Dissertação (Mestrado). Programa de pós-graduação em
Mecatrônica da Universidade Federal da Bahia. Salvador, 2018.
Esta tese fechou o trabalho da estudante de mestrado L.X Chaparro Guayara, sendo uma continuação
do trabalho de JP Barros Silva, mas com um enfoque diferente: o enfoque foi na otimização empírica
da posição das câmeras em um semicírculo (ver Figura 6), ao passo que para JP Barros Silva o
enfoque foi o sistema em se, sem considerar configuração otimizada (foi testado uma configuração
básica).
Ver Capítulo 3: Envolvimento em pesquisas e projetos.
2.1.3. Participação em eventos sem trabalho
CNMAC 2018
XXXVIII Congresso Nacional de Matemática Aplicada e Computacional
17 a 21 de Setembro de 2018 - IMECC/UNICAMP - Campinas - SP
Motivação: em algumas definição da mecatrônica, matemática é colocada como um dos pilares ao
lado de ciência da computação e engenharia. Matemática aplicada e computacional busca resolver
problemas de várias áreas valendo-se de modelos matemáticos e computacionais. Ex.: em uma das
apresentações de trabalhos, mostrou-se como aplicar métodos matemáticos em junção com redes
neurais na previsão de clima. Nesse trabalho mencionado, questões da visão computacional foi
confrontado com uma abordagem matemática.
Palestras de maior interesse
17
:
15
Menciona-se somente as principais, relacionadas com as pesquisas mencionadas no relatório.
16
Primeiros 2-3 meses de estágio.
17
Caderno completo: http://www.cnmac.org.br/novo/index.php/CNMAC/conteudo/2018/24/47
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
11
18 dezembro 2018
• Mathematical analysis of models of tumor growth and therapy, Benoit Perthame (Université
Pierre et Marie Curie, França)
18
;
• Mathematical and Computational Modeling of Tumor Growth, Regina Almeida (LNCC);
2.1.4. Participação em eventos com trabalho
First Conference on Statistics and Data Science – CSDS
Salvador, 12-14 November, 2018
Motivação: este evento reuniu pessoas de diferentes formações acadêmicas, mas com o interesse em
comum por ciências dos dados e estatística. Ciência de dados (Data Science, como é referenciada
em inglês), como mostrado pelas palestras de naturezas bem variadas, é um área que embarca
profissionais interessados em “fazer sentido de” bancos de dados (dataset). Participar desse evento
mostrou-se como uma grande oportunidade de conhecer várias abordagens para tratamento de
dados, que vão desde estatísticas, processamento de imagens, a modelagem matemática.
Seções de maior interesse:
• Deep learning for image segmentation (Luciano Rebouças de Oliveira): nessa seção,
organizado pelo IvisionLab, mostrou-se desde o “básico” do deep learning a aplicações na
área médica (sendo aplicações de segmentação de imagens médicas nas áreas médicas de
maior interesse do postdoc, ver trabalhos futuros);
• The Data Science Expert in the Room Katherine D. Ensor (Rice University): nessa
apresentação, mostrou-se como data science pode ser empregado para resolver problemas da
sociedade, em alguns casos com uso de imagens, neste caso tratadas estatisticamente.
Participações no evento
19
:
• Short-course (4h), ver Figura 3 e Figura 4: “Data Science and Biomathematics: An
introduction to mathematical modeling applied to biological systems with Matlab”. Nessa
seção, foi apresentado uma forma alternativa de se usar/interpretar dados na medicina e
biologia, neste caso o uso de modelos matemáticos. Como pode ser notado nos trabalhos
futuros propostos, existem algumas intercessões entre modelagem matemática e trabalhos
com imagens (ver Capítulo 5);
• Oral presentation, derivado do minicurso (20 min): “Stochastic models in medicine and life
sciences: a short-term dynamics for ghrelin”; nessa apresentação de curta duração, mostrou-
18
Ver minicurso dado pelo estagiário.
19
Baseado em material desenvolvido durante o doutorado.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
12
18 dezembro 2018
se um exemplo da teoria discutida no minicurso, derivado de trabalhos desenvolvidos no
doutorado.
• Round-table, derivado do minicurso (60 min): “Data science and mathematical modeling
applied to biological systems: How mathematical models can be advantageous for data
scientists and statisticians”;
a)
b)
c)
Figura 3: resultado da análise de opinião de alguns participantes do curso. a) análise do grau de
satisfação; b) posição acadêmica; c) área de concentração do participante. Fonte: coletado
passivamente no dia do evento.
III Congresso Brasileiro de Jovens Pesquisadores em Matemática Pura, Aplicada e Estatística.
12 à 14 de dezembro de 2018, Curitiba-PR. Universidade Federal do Paraná.
Motivação: Este evento reuniu jovens pesquisadores de matemática pura e aplicada de todo o Brasil
e do exterior.
Palestra de maior interesse:
• Testes para agrupamento em dados de alta dimensionalidade e pequeno tamanho de
amostra com base em U-estatísticas (Gabriela Cybis Universidade Federal do Rio Grande
do Sul): esta palestra apresentou uma técnica em desenvolvimento baseado em estatística que
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
13
18 dezembro 2018
pode ser usada para agrupar imagens, como fotos das mesmas pessoas. Como indagado pelo
estagiário, e confirmado, essa técnica poderia ser usado em imagens médicas, apesar de não
ter sido usada ainda, somente no agrupamento de código genético. Como ressaltou a
pesquisadora, essa técnica diferencia das técnicas de aprendizado de máquina devido à
observação de minimizar falsos-positivos.
a)
b)
Figura 4: resultado numérico de um dos modelos apresentados no minicurso. a) modelo para
dinâmica de câncer com dois fármacos; b) modelo para dinâmica de câncer com um fármaco. Fonte:
simulações do autor
20
.
2.2. Outras atividades
2.2.2 Revisão de artigos científicos
Simpósio de engenharia de produção
20
Resultados adicionais foram apresentados durando o curso, como análises estatística de qualidade do modelo.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
14
18 dezembro 2018
O Simpósio de Engenharia de Produção é um simpósio anual, atualmente na sua XXV edição. Esse
evento é organizado pela Universidade do Estado de São Paulo (UNESP). As seções temáticas
cobrem todas as vertentes da engenharia de produção, e áreas alheias, como ciência da computação.
Artigos revisados:
• QUADRO DE BICICLETA EM BAMBU LAMINADO COLADO: ETAPAS
PRELIMINARES DE PROJETO CONCEITUAL SISTEMÁTICO;
• MODELO COMPARATIVO PARA REDUÇÃO DE CUSTO DE TOLERANCIAMENTO
DE PROJETO;
• ENTENDENDO OS PROCESSOS QUE ENVOLVEM O CICLO DE VIDA DO
PRODUTO;
• ESTUDO DE POLUIÇÃO ATMOSFÉRICA POR AMOSTRAGEM PASSIVA NA
DISCIPLINA DE CIÊNCIAS AMBIENTAIS;
Revista Docência do Ensino Superior
A Revista Docência do Ensino Superior é um periódico científico editado pelo GIZ - Diretoria de
Inovação e Metodologias de Ensino, vinculada à Pró-Reitoria de Graduação da Universidade Federal
de Minas Gerais (UFMG), e se apresenta como espaço de debate e reflexão sobre as atividades
docentes de ensino superior
21
.
Artigo revisado:
• Mapeamento de produções recentes sobre o uso da Modelagem Matemática no ensino do
Cálculo Diferencial Integral
21
Ver https://seer.ufmg.br/index.php/rdes/index.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
15
18 dezembro 2018
Capítulo 3: Envolvimento em pesquisas e projetos
Nesta seção, serão apresentados os projetos que o estagiário teve contato, sendo os projetos
desenvolvidos por estudantes/pesquisadores do Ivisionlab, a participação foi através de discussões
com os respectivos estudantes/pesquisadores, e foi mais significativa no primeiro projeto
apresentado. O objetivo era possíveis contribuições. As pesquisas que evolveram iniciativas mais
ativas do estagiário encontram-se no próximo capítulo: “Capítulo 4: Segmentação de imagens
valendo-se de técnicas não-convencionais”.
3.1 Projeto de pacientes hemiparéticos
Neste projeto, desenvolvido pelos pesquisadores de mestrado do IvisionLab (João Paulo Barros Silva
(2015-2017) e Laura Chaparro Guayara (2016-2018)), desenvolveram-se um sistema para auxiliar na
reabilitação de pacientes hemiparéticos (avaliação objetiva do tratamento). O projeto originou-se de
pesquisas anteriores por Vieira et al (2015). O próximo passo da pesquisa é a sua validação diante de
um “ground truth”.
O Acidente Vascular Encefálico (AVE) pode ser visto como uma questão à saúde da população
mundial, colocando-se como a segunda principal causa de morte e uma das principais causas de
imobilidade físicas no mundo (BARROS SILVA, 2017); uma das sequelas do AVE é a hemiparesia
(condição médica na qual ocorre redução da capacidade muscular do indivíduo, sendo necessário
fisioterapia). Esses pacientes são chamados de pacientes hemiparéticos. No estado da arte atual,
profissionais da saúde em geral usam escalas subjetivas para avaliar a evolução do paciente
22
. Uma
das desvantagens de escalas subjetivas é a incapacidade da geração de modelos computacionais mais
eficientes, ou mesmo análise ou modelo matemático; uma segunda desvantagem, não menos
importante, é a incapacidade de se quantificar de forma “numérica” (objetiva) a evolução do
tratamento em questão.
Para alcançar seus objetivos, Barros Silva (2017) adotou o que se chamou de “fusão de esqueletos”.
Barros Silva (2017) concluiu que a fusão de esqueletos demonstra ser mais robusta para a
22
Esse tipo de problema é bem comum nas áreas médicas, ver trabalho anterior do estagiário (PIRES, 2009); nesse
trabalho mencionado, a questão era similar: eliminar a subjetividade de um tratamento médico. Essas abordagens têm
ganhado muito nas últimas décadas com novos sistemas computacionais, como exemplo o crescimento da engenharia
biomédica.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
16
18 dezembro 2018
minimização das falhas de rastreamento do que a utilização das câmeras individualmente
23
;
basicamente, quando um junção/articulação
24
é perdida pela câmara principal, um esquema heurístico
é usado para compensar essa perda de informação. Ao passo que usando o mesmo esquema, Chaparro
Guayara (2018) concluiu que certas angulações otimizam ainda mais esse esquema de esqueleto
composto.
Figura 5: Articulações/junções rastreadas pelo Kinect (pontos verdes). Fonte: Barros Silva (2017,
p.33).
Como salienta Barros Silva (2017), métodos menos subjetivos são usados em algumas ocasiões na
avaliação da hemiparesia, como acelerômetros e plataformas de força, contudo requerem maior
espaço físico, são mais sofisticadas e intrusivas no preparo dos pacientes
25
. Posto desta forma, Barros
Silva (2017) propõe a utilização de múltiplas câmeras RGB-D, do tipo Kinect, para calcular
objetivamente o reachable workspace (volume de movimento) dos movimentos realizados pelos
membros superiores de um indivíduo hemiparéticos, almejando a obtenção de um índice quantitativo
para avaliar a evolução de pacientes hemiparéticos durante seu tratamento; ver esquema de Chaparro
Guayara (2018), Figura 6. Esse índice deriva da triangulação da área de varredura do braços em certos
movimentos padronizados, desafios surgiram devido a problemas de identificação de articulações no
extremo (ex., punho próximo da parte superior da cabeça).
Apesar de terem a mesma base, o trabalho de Vieira et al (2015), os trabalhos de Chaparro Guayara
(2018) e Barros Silva (2017) diferem nos objetivos e resultados finais. Ao passo que Barros Silva
(2017) estava interessado em criar o sistema baseado em câmeras para o tratamento fisioterapêutico,
Chaparro Guayara (2018) se concentrou partindo desse sistema, como achar uma configuração em
semicírculo (Figura 6) que minimizasse a efeitos de inclusão (somente uma câmera não consegue
captar de forma eficiente os movimentos do paciente, sendo necessário um sistema de 3 câmeras para
23
Esse problema pode ser empiricamente observado em laboratório, ao se posicionar de frente para a câmera, ou mesmo
ao juntar “partes” do corpo, o Kinect perde rastreabilidade.
24
Junção ou articulação são pontos que o Kinect reconhece, como pontos no braço e cabeça. Ver Figura 5.
25
Neste caso temos um tradeoff entre custo e eficiência.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
17
18 dezembro 2018
melhor monitorar o movimento, como defende (CHAPARRO GUAYARA, 2018; BARROS SILVA,
2017 )).
Figura 6: Layout em semicírculo para o posicionamento dos 3 kinect para buscar empiricamente a
melhor configuração. Fonte: Chaparro Guayara (2018).
Apesar de inicialmente haver um interesse de uma solução analítica
26
, Chaparro Guayara (2018)
adotou uma estratégia empírica para achar a melhor configuração das três câmeras: foi amostrado
cada posição de 15 em 15 graus, e foi anotado o número de articulações rastreadas, as angulações
com menor número de articulações perdidas foi definido como ótimo (ou seja, com o “menor índice”
de oclusão, ver como exemplo a Figura 7); chamado de número de articulações rastreadas (NAR).
Chaparro Guayara (2018) conclui que a melhor angulação usando o esquema da Figura 6 é 45 e 55
graus.
Figura 7: Gráfico de barras gerado para julgar a “qualidade” de cada configuração da Figura 6, neste
caso 55°. Fonte: Chaparro Guayara (2018, p.79).
26
Aparentemente, uma “formula analítica” pode ser trabalhada para provar que a angulação empírica é de fato a melhor,
mesmo para situações de mudanças das configurações. Como o estagiário não tinha esse projeto como principal, optou-
se por investir tempo e energia nos estudos nos próximos capítulos.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
18
18 dezembro 2018
A aplicabilidade dos achados de Chaparro Guayara (2018) nasce do fato de que uma vez que repita-
se a mesma configuração em um lugar diferente, seria possível, em teoria, conseguir bons resultados
respeitando as angulações ótimas; algo interessante seria repetir esses experimentos em clinicas de
reabilitação, “projetos pilotos”; como Chaparro Guayara (comunicação pessoal, 2018), os Kinect
possuem limitações de distância máxima e mínima do alvo, sendo essa distância já testada por outros
pesquisadores na literatura. A limitação do trabalho de Chaparro Guayara (2018) nasce do fato de
que uma “formula analítica” não foi construída que poderia por exemplo dar espaço para mudanças
de configuração pré-definidas; ou mesmo simulação de cenário de interesse sem a necessidade de
refazer tudo; o processo de fazer esses experimentos é bem “custoso”, cada mudança requer um
processo de calibração bastante lento e trabalhoso, cuidadosamente feito por Chaparro Guayara
durante os experimentos; a construção dessa representação matemática pode ser uma sugestão de
trabalho futuros.
O trabalho atual em andamento é como “validar” esse sistema: valor dado pelo sistema vs. valor real.
Em essência, gostar-se-ia de demostrar o quão próximo são os valores das articulações do real. A
primeira ideia seria usar “marcadores de dança” (esquema usado na criação de desenhos animados),
mas a complexidade do sistema o tornou inviável para o momento; como segunda forma de validação,
adotou-se o uso de “braço robótico”, mas não conseguia-se fazer os Kinect reconhecer o sistema
“assimétrico” (somente um braço, no caso do boneco, são dois)
27
.
Uma forma de validação proposta pelo estagiário, que não foi adotada, seria usar dois sistemas de
coordenadas: um para o sistema de Kinect e um segundo para o boneco, e valer-se-ia de
transformações de álgebra linear (transformação de sistemas de coordenadas) para comparar os
pontos. Em uma primeira etapa seria necessário estimar a matriz de transformação linear, e em uma
segunda etapa, usar-se-ia essa matriz para comparar a precisão dos Kinect. Uma problemática
encontrada é o ruídos nos pontos dos Kinect, esses foram mitigados pelo pesquisador Barros Silva
usando-se filtro de Kalman: “De maneira a minimizar os ruídos na obtenção das posições articulares,
aplicado um Unscented Kalman Filter (UKF) e um filtro de Butterworth na trajetória obtida.” (Barros
Silva, 2017, p.10)
28
. Como formar de comparar os valores “estocásticos” com os valores deterministas
de um ground truth, poder-se-ia usar técnicas de análise de variância (ANOVA) para comparar o
27
Foram feitas algumas tentativas, como tentar “enganar” os Kinect, mas o reconhecimento foi sempre parcial e não
muito bom para um sistema de validação.
28
Filtro de kalman é bastante usado para estimação de estados em sistemas dinâmicos, devido à sua relativa simplicidade
matemática, sendo um modelo de estimação linear.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
19
18 dezembro 2018
ponto médio, ou seja, um teste de hipótese para mostrar que o valor médio coincide com o valor
esperado usando um ground truth (o desafio atual é conseguir o ground truth).
Esse projeto tem boa aplicabilidade por exemplo na indústria de engenharia biomédica (sistemas de
reabilitação), talvez como um produto, algo que seria interessante seria ver esse projeto como um
produto, e possivelmente chamar o interesse de possíveis compradores do produto (talvez trabalhando
com protótipos iniciais em clinicas locais, usando-se protótipos).
Figura 8: Dificuldades em se identificar o braço robótico. Fonte: gerado em laboratório Barros Silva
(2018).
3.2 O problema da segmentação dos dentes
Este projeto foi desenvolvido pelo pesquisador Gil Silva, da Silva (2014), no momento da pesquisa
sendo aluno SENAI-CIMATEC em parceria com o IvisionLab como trabalho de mestrado
29
e
posterior trabalho de doutorado; em seguida foi dado continuidade ao trabalho por pesquisadores de
doutorado do IVisionLab, que aplicaram técnicas de deep learning na solução proposta por da Silva
(2014). Houve participação do estagiário em termos de interesse
30
, mas essa participação não se
concretizou em publicação, sendo documentada aqui somente como relato e possíveis trabalhos
futuros.
A intenção do estagiário seria aplicar uma das técnicas estudadas no “Capítulo 4: Segmentação de
imagens valendo-se de técnicas não-convencionais”, ficando para trabalhos futuros o término dessa
abordagem; a estratégia seria em sequência, primeiro estudar as técnicas do capítulo mencionado,
fazer alguns testes, e então propor algo mais palpável, algo do tipo do trabalho de Keshtkar e Gueaieb
(2006). Vale ressaltar que esse tipo de abordagem não é vista como concorrente a de Jader et al
(2018), sendo formas diferentes de tratar o mesmo problema.
29
Atualmente aluno de doutorado do PPGM.
30
E uma tentativa de participação mais ativa, mas dado a formação inicial do estagiário, não foi possível contribuir de
forma concreta até o momento, ficando para trabalhos futuros.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
20
18 dezembro 2018
O problema de segmentação dos dentes foi abordado anteriormente com técnicas clássicas de
segmentação Silva et al (2018) e posteriormente com a MASK-RCNN Jader et al (2018), que é uma
técnica baseada em deep learning. Uma diferença importante dos trabalhos de Silva et al (2018)
comparado com Jader et al (2018) é que no trabalho de Jader et al (2018) não é necessário definir a
Região de Interesse (ROI), isso é importante devido ao fato de que em um processo de anotação é
menos detalhes para definir para o modelo de segmentação (Figura 9).
Figura 9: Anotação manual da região de interesse para segmentação dos dentes. Fonte: Silva et al
(2018).
Figura 10: Exemplo de máscara binária usada por Silva et al (2018), máscara gerada manualmente,
em um processo de anotação. Fonte: Silva et al (2018).
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
21
18 dezembro 2018
a)
b)
c)
Figura 11: Exemplo de máscara binária usada por Jader et al (2018), máscara gerada manualmente,
em um processo de anotação; nessa foi feito o que se chamaram de “fio dental” (separação dos dentes
manualmente para treinar a rede, ver Jader et al (2018)); a) imagem de raio-X; b) máscara; c) esquema
do “fio dental” . Fonte: data set de Jader et al (2018)
31
.
O sucesso do trabalho de Jader et al (2018) comparado com Silva et al (2018) se deve principalmente
ao conceito de transfer learning. Em essência, foi usado uma rede neural, conhecida como Mask
RCNN pré-treinada em uma base de dados bastante vasta em termos de imagens conhecida como
COCO. O mais importante de mencionar é que o treinamento envolve objetos de natureza geral
(Figura 12), não incluindo imagens de dentes. De forma simples, é mantido “o corpo” da rede
responsável principalmente pelo processo de segmentação, e a “cabeça” da rede foi treinada usando
o dataset disponível para segmentação dos dentes. Pode-se assumir que apesar dos objetos serem
diferentes, a rede generalizou o conceito de “borda”, que foi apenas reafirmado pelo treinado da
“cabeça” da rede pre-treinada.
Em visão computacional, redes neurais são geralmente usadas para detecção de bordas (edges) nas
suas primeiras camadas, formas nas suas camadas do meio, e tarefas mais especificas em camadas
mais no final. Com transfer learning, somente as camadas da ponta são re-treinadas devido à essa
31
Disponível em https://github.com/IvisionLab/dental-image
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
22
18 dezembro 2018
observação
32
. Isso nos ajuda a aproveitar os dados usados no treinamento original (TOWARDS
DATA SCIENCE).
Imagine que precisamos resolver uma tarefa A, mas não temos dados o suficiente para treinar uma
deep learning
33
. Uma forma de contornar esse problema é treinar a rede para uma tarefa alternativa
B, onde temos muitos dados. A ideia de transfer learning é reutilizar esse treinado da tarefa B na
tarefa A. Fica a cargo do usuário a decisão de reutilizar o modelo inteiro ou somente partes da rede
(TOWARDS DATA SCIENCE), com o caso da segmentação dos dentes, somente a “ponta” foi re-
treinada
34
.
Figura 12: Exemplo de imagens do COCO. Fonte: http://cocodataset.org/#home.
O desafio que ficou como trabalhos futuros depois dos trabalhos de Jader et al (2018) e Silva et al
(2018) é como ao segmentar uma imagem de dentes, como transformar isso em relatório/diagnostico;
em um processo padrão adotado por profissionais é a partir de uma imagem dentária, gera-se um
relatório dessa imagem, algo padrão quando pede-se uma imagem de raio-x
35
.
3.3 Segmentação de imagens renais
O envolvimento nesse projeto por parte do estagiário foi bem breve, seria o projeto inicial de trabalho
do estagiário, mas devido a questões que envolviam a disponibilidade dos dados que pertenciam a
32
Algumas medicações adicionais podem ser feitas também, como redirecionamento de conexões entres camadas e
neurônios.
33
O problema de uma rede deep learning comparada com uma rede convencional é que devido ao enorme número de
camadas, o que implica parâmetros, implica em um grande data set.
34
E como destacado pelo pesquisador do lab que fez o treinamento, o processo de retreinamento não foi completo devido
ao fato de que o treinamento não ficava como desejado; essas redes são treinada em fases. Uma possível explicação é que
ao fixar pesos e variar somente alguns a topologia da função objetivo a ser otimizada muda, não sendo mais a busca do
ótimo global da rede o objetivo.
35
Em uma experiência pessoal do estagiário, achar essas anomalias em certos casos é bem difícil e sutil.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
23
18 dezembro 2018
terceiros, não foi possível iniciar o projeto, somente a parte teórica
36
. Atualmente, o projeto está com
outros pesquisadores de doutorado do laboratório, seguindo uma abordagem focada em
processamento e análise de imagens, em parceria com o grupo detentor do data set. Esse foi incluído
nesse relatório para efeito de documentação.
Como pode ser observado no “Capítulo 4: Segmentação de imagens valendo-se de técnicas não-
convencionais”, segmentação de imagens pode ser usado para detecção de anomalias em órgãos e
tecidos (Figura 18), essa é a ideia central no projeto atual em torno de Barros et al (2017).
Em projeto, Barros et al (2017) propõe um sistema computacional desenhado para patologistas
ensinar e pesquisar sobre doenças dos rins, chamado de PathoSpotter. Uma versão chamada
PathoSpotter-K foi criado para detectar Lesões Nefrológica em imagens digitais dos rins. Barros et
al (2017) apresentam resultados promissores usando a primeira versão do sistema valendo-se de
técnicas clássicas de processamento de imagens para detectar lesões glomerulares proliferativa
37
–
88.3 ± 3.6% de acurácia. Como os autores concluem, esse sistema pode ser aplicado para assistir no
ensino e pesquisa de clinico-patofisiológica de larga escala, em pesquisa morfológica. Como será
destacado, seria ainda mais interessante se esse sistema fizesse uso de modelos matemáticos, como
forma de usar informações dessas imagens para simular casos hipotéticos de lesões em resposta a
estímulos diários/semanais/mensais, como exemplo.
Modelos matemáticos têm sido usados em junção com segmentação de imagens em alguns projetos,
como foi discutido no “Capítulo 5: Combinando análise de imagens biomédicas e modelagem
matemática: uma perspectiva valendo-se da inteligência computacional”. Em projeto, Drasdo et al
(2014) fez uso de imagens do fígado (hepatócitos) na construção de um modelo matemático; ver
Figura 24. Vale ressaltar que a complexidade fisiológica das células do fígado, em termos de
funcionalidade, de leque de funções, são bem maiores do que as dos rins. Vale também ressaltar que
em termos de anatomia, esses órgãos são bastante parecidos: são um aglomerado de células com a
mesma funcionalidade e “aparência”, ou seja, todo o órgão pode ser explicado baseando-se em
pequenas unidades funcionais fisiológicas. Do ponto de vista de modelagem, isso é adequado porque
36
Apresenta-se aqui o que foi possível aprender e inferir nesse breve contato.
37
Uma pergunta interessante seria: dado um estado dessas lesões glomerulares proliferativa, seria possível descrever
matemática intervalos intermediários ou mesmo futuros? Como se trata de um órgão, não muito diferente do fígado em
termo de anatomia, dado o estado corrente da arte em modelagem matemática, parece que sim, sendo somente uma
questão de modelagem do sistema e integração com as imagens. Tendo em mente os objetivos já colocados por Barros et
al (2017), essa modelagem aumentaria a aplicabilidade do sistema, mantendo os objetivos originais, e aumentado a
comunidade interessada em modelagem. Modelagem de sistemas biológicos tem ganhado muito nas ultimas décadas, com
comunidades fortes, como biologia sistêmica e medicina de precisão.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
24
18 dezembro 2018
facilita a construção de modelos, simplifica os cálculos. Uma pesquisa rápida pela literatura demostra
que não existem muitos modelos matemáticos
38
para os rins, o que mostra um espaço aberto para
modelos matemáticos, e baseados em imagens seria ainda de maior valor.
38
Alguns podem ser achados, mas aparentemente não servem ao propósito aqui apontado, que seria um modelo espacial-
temporal para justificar o uso de imagens.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
25
18 dezembro 2018
Capítulo 4: Segmentação de imagens valendo-se de técnicas não-convencionais
Aqui apresenta-se as linhas de pesquisa de maior interesse do estagiário durante o estágio pós-
doutoral. Durante o estágio pós-doutoral, houve um crescimento acadêmico do estagiário em termos
de novos conhecimentos, na área de segmentação de imagens. Esse crescimentos mencionado deu
lugar aos insights apresentados aqui, que podem se tornar futuras publicações, ou mesmo pequenos
projetos independentes (Tabela II)
39
. Em cada seção foi feito uma breve análise da literatura, deixando
um trabalho mais extenso e bem elaborado para futuras publicações e projetos.
Como destaca Chouhan et al (2018), segmentação de imagens é parte de quase todos esquemas
computacionais como fase de pré-processamento para extrair informações úteis de objetos em
imagens; ver Figura 13.
Figura 13: diagrama de fluxo para o processo de segmentação de imagens. Fonte: Chouhan et al
(2017).
Existem muitas pesquisas em torno de algoritmos para segmentação de imagens, mas no presente, de
acordo com o aprendizado do estagiário baseando-se em análise da literatura, uma técnicas universal
ainda não existe
40
. De acordo com Chouhan et al (2018), essas metodologias podem ser
genericamente classificadas como: abordagens clássicas ou Soft Computing ou Inteligência
Computacional. Pode-se também incluir “outras”, como segmentação baseando-se em cellular
automata ou mesmo modelos de Markov, que são técnicas que podem não cair dentro dessas classes
mencionadas.
39
É ambição do estagiário dar continuidade é esses projetos em pesquisas futuras.
40
No tempos atuais, as redes deep têm ganhado bastante atenção, sendo um dos focos do IvisionLab. Esse fato de não
existir uma técnica universal, no mundo da otimização, chama-se “no free lunch”, ou seja, precisa-se conhecer a técnica
a ser usada e o problema a ser abordado para bons resultados.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
26
18 dezembro 2018
Esta seção é dividida da seguinte forma. Seção “4.1 Segmentação de imagens usando inteligência
computacional” apresenta o conceito de segmentação de imagens valendo-se de inteligência
computacional; Seção “4.2 Segmentação de imagens usando cellular automata” apresenta o conceito
de segmentação de imagens valendo-se de cellular automata. Seção “4.3 Segmentação de alimentos:
insights em um sistema virtual para simulações numéricas de alimentação e controle de peso”
apresenta alguns insights de um sistema inicialmente proposto no doutoramento do estagiário, mas
com a experiência adquirida no postdoc, novas expectativas sobre o sistema foram criadas e
documentadas aqui
41
. Finalmente, a seção “4.4 Considerações finais” fecha esse capítulo.
4.1 Segmentação de imagens usando inteligência computacional
Inteligência computacional tem sido usado em campos bastante variados, como exemplo: modelagem
matemática, pesquisa operacional, e campos biomédicos (ex., Lam et al (2012)); inteligência
computacional é um termo usado para designar várias ferramentas já em uso por algum tempo (ex.,
redes neurais e computação evolutiva), e novas ferramentas. Uma das aplicações relativamente
recente tem sido na área de segmentação de imagens
42
, com aplicações a imagens médicas (Figura
17). Aplicações incluem identificação de anomalias em tecidos e órgãos baseado em imagens
médicas (SONKA e FITZPATRICK, 2009).
41
Vale ressaltar que o trabalho de doutorado recebeu um reconhecimento em 2018: FASVO 2018 contest (Foundation of
Abruzzo for Life Sciences) for the best PhD thesis in biomedical disciplines of Universities of Abruzzo
http://www.abruzzoscienza.it/bando-dottorato-fasvo-2018-graduatoria/.
42
Image Segmentation: A Review. Um revisão é apresentada em
https://www.springer.com/cda/content/document/cda_downloaddocument/9783319475233-c2.pdf?SGWID=0-0-45-
1594975-p180314147. Acessado em 04/02/2018.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
27
18 dezembro 2018
Figura 14: Técnicas de software computing organizadas em categorias; sobre a hierarquia de redes
neurais, dever-se-ia incluir redes neurais convolucionais e deep learning. Fonte: Chouhan et al
(2017).
No trabalho de Chouhan et al, 2018, foca-se em inteligência computacional, que tem sido adotada em
segmentação de imagens. O ponto forte dessas metodologias de acordo com Chouhan et al, 2018 é
gerenciar ambiguidades, “dificuldades”, imprecisão e “verdades” parciais para obter complacência e
resultados otimizados. Redes Neurais, lógica Nebulosa, e Algoritmos Genéticos são fundamentais
para inteligência computacional. O trabalho de Chouhan et al, 2018 foca em introduzir as várias
técnicas de inteligência computacional e apresentar várias aplicações em segmentação de imagens.
No trabalho de Chouhan et al, 2018, artigos disponíveis na literatura que usam inteligência
computacional são investigados, especialmente focando em ferramentas chaves como lógica
nebulosa, Redes Neurais, e algoritmos genéticos, outras técnicas como Fuzzy C-Means para lógica
nebulosa e deep learning foram incluídos.
Segmentação de imagens é empregado principalmente como um passo de pré-processamento em
problemas de processamento de imagens e visão computacional (LIANG et al, 2014). Computação
Evolutiva Eiben e Smith (2003) tem sido introduzido na realidade da segmentação de imagens devido
à sua capacidade de busca significativa (no mundo da otimização, chama-se de busca global).
Como destaca Liang et al (2014), raramente existem sondagens que de forma rápida disponibiliza aos
interessados informações sobre os métodos disponíveis que usam computação evolutiva. Observa-se
que entre todas as modalidades de computação evolutiva, quatro se destacam no uso em segmentação
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
28
18 dezembro 2018
de imagens: 1) algoritmo genéticos; 2) programação genética ;3) evolução diferencial
43
; 4)
optimização por exames (swarm intelligence); essas técnicas são discutidas em Eiben e Smith (2003);
na Figura 22 mostra-se o crescimento do uso de algoritmos genéticos para segmentação de imagens
na comunidade médica. Essas são as técnicas mais usadas, sendo algoritmos genéticos a mais popular,
muito provavelmente devido a ser a mais “simples” das quatro. Como destaca Liang et al (2014),
essas técnicas podem sofre de alguns problemas práticos quando essas técnicas são aplicadas à
segmentação de imagens, como: baixa capacidade de generalização (algo mitigado pelas redes
neurais, em especial deep learning) e problemas de complexidade computacional (é bem conhecido
que amostrar o espaço de busca pode ser custoso computacionalmente, especialmente se o data set
for complexo).
4.2 Segmentação de imagens usando cellular automata
44
Como simulated annealing, cellular automata surgiu como uma técnica na área de modelagem
matemática, para resolver problemas complexos, mas em seguida foi adaptado para uso em áreas
diversas. Em essência, quando aplicado à segmentação de imagens, cada pixel de uma imagem em
forma de matriz se torna uma “célula”, que pode mudar de estado, ver revisão de algumas literaturas
em seguida
45
. Keshtkar e Gueaieb (2006) faz uso de um mistura de inteligência de exames com
cellular automata (esse tipo de mistura de técnica é bem comum, com em alguns casos, cellular
automata que evoluem, baseando na noção de estratégia evolutivas; ex., KAZAR e SLATNIA
(2011)).
43
No trabalho original, usa-se a palavra differential equation, acredita-se que é um erro ortográfico, sendo almejado dizer
Differencial Evolution.
44
Ver: prof. A. Flache. What is cellular automata modeling? https://www.youtube.com/watch?v=EyrwOf239M4
45
Um revisão mais detalhada fica para trabalhos futuros, mas o estagiário foi capaz de juntar algumas para análise.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
29
18 dezembro 2018
a)
b)
Figura 15: Exemplo simples usando um algoritmo baseado em cellular automata. Fonte: simulações
do autor
46
.
Figura 16: Tipo de vizinhança usada em cellular automata (a cor indica grau de proximidade).
Fonte: ver
47
.
A maioria dos esquemas de Cellular Automata (CA) na literatura são binários ou de três estados (ex.,
Wongthanavasu e Tangvoraphonkchai, 2007). Enquanto várias abstrações são possíveis para
generalizar para mais de três estados, somente poucas regras práticas existem para multi-state CA.
Diosan et al (2017) propõe uma regra genérica para um multi-state CA. Diosan et al (2017)
demonstram seu algoritmo em um caso de segmentação de imagens onde os agentes são pixels na
imagem, e seus estados são valores na escala cinza: sendo esse o motivo da necessidade de um
esquema de cellular automata multiestado. Abaixo seguem os resultados apresentados por Diosan et
al (2017), para um problema de segmentação de imagem médica.
46
Baseado em Tyler Coye. Novel Cellular Automaton-based Image Segmentation Algorithm. MathWorks File Exchange.
https://www.mathworks.com/matlabcentral/fileexchange/50989-novel-cellular-automaton-based-image-segmentation-
algorithm
47
prof. A. Flache. What is cellular automata modeling? https://www.youtube.com/watch?v=EyrwOf239M4
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
30
18 dezembro 2018
Figura 17: Resultados de segmentação de imagem médica usando cellular automata. Fonte: Diosan
et al (2017, p.294).
Wongthanavasu e Tangvoraphonkchai (2007) apresentam um algoritmo baseado em cellular
automata para processamento de imagens médicas. Imagens de mamografia são apresentadas para
determinar a hipótese de pontos de câncer de mama. Diferente de Diosan et al (2017), os autores
trabalham com um versão binário do algoritmo de cellular automata. Os autores apresentam algumas
variações do algoritmo proposto em imagens de escala azul, segundo os mesmos o algoritmo tem
aplicabilidade para dar suporte à médicos em diagnósticos de câncer de mama.
a) b)
Figura 18: Exemplo de detecção de câncer de mama usando cellular automata; a) imagem de mama
com câncer maligno; b) região de interesse segmentada. Fonte: Wongthanavasu e Tangvoraphonkchai
(2007, p.44).
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
31
18 dezembro 2018
4.3 Segmentação de alimentos: insights em um sistema virtual para simulações numéricas de
alimentação e controle de peso
Obesidade e distúrbios alimentares tornaram-se questões de saúde pública em muitos países
atualmente. Como pode ser visto em “mapas da obesidade”, disponibilizados em World Obesity
Federation (Figura 19), a obesidade é um problema global, sem fronteiras, com níveis diferentes em
países/regiões distintos.
O mais imperativo de se ver é que a obesidade infantil – que pode ser considerado algo ameaçador
para a saúde pública e individual devido ao efeito “memória” que a obesidade acarreta no corpo –
está crescendo em muitos países de forma notável, como no Brasil (há uma geração anterior no Brasil,
o nível na população jovem era menor). Esse detalhe poderá afetar efetivamente a população adulta
da próxima geração, devido às dificuldades que a obesidade traz inerentemente em ser controlada
individualmente. Uma das grandes problemáticas da obesidade são as condições médicas intrínsecas,
como diabetes, que por sua vez criam custos extras para o sistema públicos de saúde.
Figura 19: Prevalência de obesidade em alguns países do mundo. Fonte: World Obesity Federation.
O interesse pelo estudo da obesidade e distúrbios alimentares como anorexia nervosa aumentou
consideravelmente após a descoberta da leptina – hormônio produzido principalmente pelo tecido
adiposo branco –, que pode ser a causa de alguns casos de sobrepeso e obesidade quando seu
funcionamento padrão é disturbado, ou mesmo ocorre sua ausência devido a variações genéticas. Em
seguida veio a grelina, hormônio produzido principalmente pelo estômago, que está associado à
ingestão de alimentos a curto-prazo, de refeição para refeição. Hoje, como apresentado no trabalho
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
32
18 dezembro 2018
de doutorado do estagiário, temos o que se pode chamar de “teia de hormônios” (um conjunto de
hormônios conectados pela busca de manter o peso corporal quase constante, controle de “queima de
energia” e “ingestão de alimentos”). Como poder-se-ia usar todas essas novas descobertas de forma
a contribuir para o estudo de distúrbios alimentares e obesidade? Uma possível forma é através de
modelos matemáticos e computacionais, algo sendo explorado por alguns grupos. Modelos
matemáticos geram modelos computacionais, que podemos chamar de modelos matemáticos-
computacionais. Esses modelos podem, quando validados por especialistas, ser aplicados para
simular situações hipotéticas, como dietas ou mesmo restrições a nutrientes.
4.3.1 Minirrevisão
Reconhecimento de alimentos a partir de imagens é um tópico emergente em visão computacional
(MARTINEL et al, 2016)
48
. O problema tem sido abordado especialmente em sistemas dirigidos à
saúde onde são usados para dar suporte a aplicações de dietas. A meta é melhorar os sistemas de
dietas atuais, onde usuários precisam inserir manualmente o consumo diário de alimentos, com o
reconhecimento seguido da identificação do tipo de alimentos, quantidades são estimadas em
sequência de calorias. Em adição ao desafio clássico de reconhecimento, a questão do reconhecimento
de alimentos é marcado por ausência de estruturas rígidas ou por uma variabilidade grande entre as
classes
49
. Martinel et al (2016) aborda esse problema usando “comitê de classificação” (committee
classification). O objetivo do sistema dos mesmos é automaticamente escolher características
otimizadas para reconhecimento de alimentos dentro de um conjunto de opções (ex., cor, textura,
etc.). Como os mesmos mostram, resultados experimentais superam sistemas já existes em banco de
dados públicos.
Local Invariant Features tem demonstrado ser bem sucedido em descrever aparência de objetos em
classificação de imagens. Em artigo, NORHISHAM bin RAZALI et al (2017) propõe uma versão
integrada do Speeded-Up Robust Feature (SURF) e descritores Scale Invariant Feature Transform
(SIFT), os autores usam esse sistema na classificação de alimentos, segundo os mesmos obtendo
82.38% de acurácia baseado no desafio UEC-Food100 dataset.
O objetivo da pesquisa de Liu et al (2016) é desenvolver soluções técnicas baseadas em segmentação
para melhorar a acurácia de medidas correntes de dietas. O sistema dos autores objetiva melhorar a
acurácia do cálculo de dietas através da análise de alimentos capturados por sistemas móveis, como
48
E que tem gerado várias publicações, encontradas pelo estagiário e arquivadas para estudos futuros.
49
Esse é um problema também encontrado em segmentação de material biológicos, sendo a heterogeneidade marcante
em sistemas biológicos.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
33
18 dezembro 2018
smartphones. A inovação proposta pelos autores é um algoritmo de reconhecimento de alimentos
baseado em deep-learning. Segundo os autores, muitas pesquisas mostram que imagens digitais
estima de forma acurada conteúdo da dieta em muitos ambientes e possui muitas vantagens
comparado com outros métodos. Os autores propõem um algoritmo de reconhecimento de alimentos
baseado em rede neural convolucional (Convolutional Neural Network, CNN).
4.3.2 LigLab: Leptin- Insulin-Ghrelin Laboratory
Abaixo segue um esquema do sistema, mais detalhes em Pires (2017). Este sistema mescla
conhecimento adquirido no doutorado e conhecimento adquirido no postdoc.
Figura 20:
LigLab: Leptin- Insulin-Ghrelin Laboratory, proposta de simulador para estudos
relacionados à alimentação e controle de peso; a caixa “pre-processing” seria algo do tipo da Figura
13. Fonte: estendido de Pires (2017).
Em resumo, esse é um sistema para simulação computacional baseado em segmentação de alimentos
e simulação numérica de dinâmica de hormônios que controlam peso e apetite. Este sistema tem a
mesma filosofia dos modelos propostos no próximo capitulo (“Combinando análise de imagens
biomédicas e modelagem matemática: uma perspectiva valendo-se da inteligência computacional”);
ou seja, mesclar modelos matemáticos com informações de segmentação de imagens. Essa proposta
teria a vantagem de envolver algo já desenvolvido no doutorado.
4.4 Considerações finais
Atualmente temos essencialmente dois grupos de técnicas para segmentação de imagens: 1) baseado
em aprendizado de máquina (ex., redes neurais); 2) baseado em otimização (ex., inteligência de
exames). Baseado em aprendizado temos redes neurais e baseado em otimização temos computação
evolutiva, como exemplos; ver crescimento do uso dessas técnicas na comunidade médica, Figura 22.
Essas técnicas não são competitivas como pode parecer à primeira vista. Em questão de resultados,
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
34
18 dezembro 2018
pode-se assumir que técnicas baseadas em deep learning tem demonstrado liderança nos últimos
anos, ao passo que técnicas baseadas em otimização tem um histórico maior. Abaixo segue uma
comparação entre duas ferramentas importantes em análise e segmentação de imagens (deep learning
vs. aprendizado de máquina).
a) b)
Figura 21: Aprendizado de máquina vs. deep learning. Fonte: MathWorks
50
.
a) b)
c d)
Figura 22:
Crescimento do uso de ferramentas da inteligência computacional em segmentação de
imagens usando como base o site pubmed; a) somente algoritmos genéticos (computação evolutiva)
na busca; b) adicionando segmentação à busca; c) mesmo para deep learning em a; d) mesmo para
deep learning em b. Fonte: pubmed
51
.
50
Deep Learning. MathWorks. https://www.mathworks.com/discovery/deep-learning.html
51
https://www.ncbi.nlm.nih.gov/pubmed
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
35
18 dezembro 2018
Capítulo 5: Combinando análise de imagens biomédicas e modelagem
matemática: uma perspectiva valendo-se da inteligência computacional
Este capítulo apresenta o rascunho de uma possível publicação em segmentação de imagens médicas
usando inteligência computacional com aplicação em modelagem matemática, ficando como
trabalhos futuros a sua conclusão (Tabela II). Esse artigo proposto tem como ponto de partida esforços
pioneiros presentes na literatura (ex., Drasdo et al, 2014), e a experiência adquirida no postdoc. De
forma alternativa, este capítulo pode dar início a um projeto de pesquisa.
5.1 Introdução
Geração de imagens é um processo tecnológico essencial nas ciências médicas e vem sendo
empregado em laboratórios e ambientes clínicos para assistir o processo de tomada de decisão
(LAMBIN et al., 2017). Pode-se dizer que não existe uma área médica que não faça uso de algum
tipo de imagem, desde radiografia a imagens mais desafiadores como ressonância magnética (ex.,
Suri et al (2005)).
Adequadamente, a prática da geração de imagens médicas, no entanto, tem mudado de simplesmente
diagnósticos para contextos da medicina de precisão personalizada (LAMBIN et al., 2017): um
conceito já presente em algumas áreas relacionadas à modelagem matemática, como a biologia
sistêmica e medicina sistêmica. Outra mudança tem sido o seu uso no processo de modelagem
matemática de sistemas biológicos; ver (HOEME et al., 2010; WEIS et al., 2013) para trabalhos
pioneiros nessa direção.
Nos tempos atuais, a quantidade de dados biomédicos heterogêneos está crescendo de forma
significativa, como resultado direto das novas formas de aquisição de imagens médicas aproveitando-
se de tecnologia de ponto (PENG et al., 2008; SHAMIR et al., 2010). Essa significativa forma de
aquisição/acumulação de dados pode sobrecarregar formas analíticas no processo de tomada de
decisão tanto por cientistas médicos quanto biólogos quando observando/inferindo sistemas
biológicos complexos (MEIJERING, 2016)
52
. De forma genérica, aquisição de imagens médicas
consiste em técnicas minimamente invasivas por aquisição de imagens biomédicas que produz
informações detalhadas sobre a anatomia e fisiologia de órgãos almejados (DUNCAN et al., 2000),
ao passo que imagens de microscópio de células-vivas permitem a visualização e análises da dinâmica
de espécies vivas (MEIJERING, 2016; BARROS et al 2017; RONNEBERGER et al 2015).
52
Neste ponto podemos ver a intercessão com data science, ponto central de uma das conferências que o estagiário
participou.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
36
18 dezembro 2018
De fato, segmentação de imagens, que consiste em detectar e delinear regiões de interesse, (ex.,
órgãos ou regiões patológicas, Figura 23), é uma das atividades clínicas mais críticas e demandas nos
tempos atuais, especialmente se mantermos em mente que muitas das tarefas podem ser
incômodas/custosas/consumidoras-de-tempo para humanos quando designados à tarefa de delinear
essas áreas, e como consequência, sistemas automatizados/computadorizados podem ser
essenciais
53
. Novos métodos para segmentação de imagens de ressonâncias magnética com o suporte
de computadores foram explorados na literatura (MILITELLO et al., 2015; RUNDO et al., 2017).
Tendo como premissa que problemas das ciências da vida tendem a ser mais difíceis de serem
resolvidos devido à predominância de heterogeneidades, métodos avançados devem ser empregados
para melhores resultados, resultados mais genéricos; ex., inteligência computacional, ver capítulos
anteriores. Para as problemáticas mencionadas com relação à necessidade metodológica de métodos
computacionais avançados, métodos para melhoramento de imagens médicas têm sido desenvolvidos
(ex., RUNDO et al., 2018), baseado em algoritmos genéticos (HOLLAND, 1992), e outras técnicas
de inteligência computacional. O uso de inteligência computacional em segmentação tem sido uma
opção válida e bem aceita (LIANG et al, 2014; CHOUHAN et al, 2018).
a) b)
Figura 23. A region growing method aplicado a uma imagem. O “x” na imagem da esquerda mostra
a “semente”. A imagem da esquerda é a imagem original, ao passo que a imagem da direita é depois
da segmentação. Fonte: elaboração própria
54
.
Um exemplo interessante do uso de aprendizado de máquina vs. métodos clássicos pode ser achado
ao comparar os trabalhos de SILVA et al (2018) e JADER et al (2018); esses trabalhos abordam o
problema de segmentação dos dentes, problema no qual uma imagem de raios-x panorâmica da boca
53
Como resultado de discussão com pesquisador do Ivisionlab, está cada vez mais comum o uso desses sistemas
automatizados para substituir segmentação “manual” em estudos científicos (chamado de ground truth), para testar novas
rotinas. Talvez em um futuro ainda sem previsão, esses métodos poderão ser usados para substituir ou mesmo auxiliar
professionais.
54
Ver: https://www.youtube.com/watch?v=mWr1j9Sbr3k. Acessado em 23/11/2018. Código usado:
https://www.mathworks.com/matlabcentral/fileexchange/19084-region-growing
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
37
18 dezembro 2018
é apresentada, e um algoritmo deve retirar certas informações, como localização de dentes ou mesmo
regiões de interesse. Em SILVA et al (2018) é apresentado um conjunto de técnicas clássica para
resolver o problema de segmentação dos dentes, ao passo que em JADER et al (2018) esse mesmo
problema foi tratado de forma eficiente usando uma Mask R-CNN
55
(um rede neural no estilo deep
learning).
5.2 Justificativa/motivação
Modelagem matemática pode ser dividida em duas etapas importantes, que devem ser agrupadas para
uma modelagem completa: 1) construção do modelo; 2) validação, ver como exemplo (PIRES, 2017;
PIRES et al., 2017). O processo de validação pode ser feito de algumas formas, mas todos tendo como
ponto central a comparação metodológica do comportamento do modelo com dados experimentais,
uma possível abordagem é a seguida por (HOEME et al., 2010; WEIS et al., 2013), abordagem na
qual processamento de imagens é combinado com modelagem (ver Figura 24): imagens são usadas
tanto iniciar o modelo quanto para validar o modelo, ou mesmo estimação de parâmetros-chaves; eles
empregam imagens para comparar a evolução do modelo contra dados de cenários reais (Figura 25
mostro esquema do algoritmo esperado). Posto desta forma, o processo de validação, análise e
processamento de imagens biomédicas pode ser usado em tarefas como estimação de parâmetros e
comparação dos modelos com dados fisiológicos experimentais. De forma adicional, imagens
biomédicas podem ser mais fáceis de interpretar comparado com “dados não-processados”
(“impuros”), e podem permitir em muitas ocasiões levar em consideração fatores especiais.
55
Ver https://arxiv.org/abs/1703.06870
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
38
18 dezembro 2018
Figura 24. Diagrama de um modelo matemático que faz uso de análise e processamento imagens.
Em essência, lesões provocadas no fígado são simuladas e comparadas com imagens reais, mas
incialmente o modelo precisa ser validado, e essas “mesmas” imagens são usadas para criar o modelo.
Fonte: Drasdo et al (2014).
Alternativamente, vindo da oncologia matemática (WEIS et al., 2013), uma possível abordagem para
endereçar a necessidade clínica de ‘aquisição de imagens vs. capacidade de previsão’ é integrar
informações quantitativos de imagens in vivo em modelos matemáticos para o crescimento de tumores
na possibilidade de prever eventuais respostas baseadas em medidas posteriores durante o tratamento,
combinando os pontos fortes de aquisição de imagens com modelagem matemática em um mesmo
modelo integrado. Como WEIS et al. (2013) aponta, aquisição de imagens pode somente monitorar
a progressão de condições médicas (no caso dos mesmos, dinâmica de câncer), sendo uma
observação geral para aquisição de imagens médicas; modelos matemática podem ser usados para
“ver” estados intermediários de condições médicas, como exemplo para prever estados intermediários
ou mesmo futuros dados um conjunto de imagens.
Posto desta forma, segmentação, análise e processamento de imagens podem ser de grande valor para
a área de modelagem matemática de sistemas biológicos, ao passo que modelagem matemática
aplicada a sistemas biológicos pode aumentar a aplicabilidade de imagens médicas em diagnóstico
e prognósticos. Dado essas observações, vemos uma área com grande potencial para pesquisas com
impacto significativo.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
39
18 dezembro 2018
Figura 25. Esquema do algoritmo proposto, esquema genéricos esperado para os modelos já
presentes na literatura. Fonte: elaboração própria.
5.3 Objetivo
O objetivo central deste artigo proposto consiste em estudar um problema possível de uma
perspectiva matemática aplicada à sistemas biológicos usando segmentação e análise de imagens
com ênfases em inteligência computacional; desta forma explorando a sinergia promissora
mencionada entre estudo de imagens médicas e modelagem de sistemas biológicos.
Objetivos específicos:
● Aprimorar conhecimento em técnicas avançadas de segmentação e análise de imagens
valendo-se da inteligência computacional, baseado nos campos de especialidades do
estagiário e possíveis colaboradores;
● Adquirir habilidades na aplicabilidade de segmentação e análise de imagens para modelagem
de sistemas biológicos, valendo-se dos campos de conhecimento dos possíveis colaboradores
e do estagiário;
5.4 Métodos
• Análise da literatura: vários artigos já foram separados, e o tipo de busca definida;
• Simulação de alguns algoritmos, como baseados em cellular automata;
• Segmentação da literatura entre técnicas clássicas, inteligência computacional, aprendizado
de máquina e outras (trabalho parcialmente feito em “Segmentação de imagens valendo-se
de técnicas não-convencionais”);
Etapas:
• Estudos e síntese de métodos baseados em inteligência computacional para segmentação de
imagens;
Segmentação de
imagens
Modelo
matemático
Modelo testado e
validado
Imagem
Modificações de acordo
com demandas do modelo
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
40
18 dezembro 2018
• Estudos e síntese de métodos usados em modelagem matemática e segmentação de imagens
já presentes na literatura;
• Estudos e síntese de espaços para pesquisa na literatura;
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
41
18 dezembro 2018
Capítulo 6: Discussões
Como destacado no relatório, o ponto de partida do estagiário foi uma formação em matemática
aplicada e computacional (simulação numérica de modelos matemáticos)
56
. Antes do estágio, o
estagiário tinha pouco conhecimento em segmentação de imagens
57
, em especial imagens médicas.
Imagens médicas Suri (2005) tem ganhado uma importância cada vez mais eminente nos tempos
atuais, sendo um dos tópicos do Deep learning for image segmentation (Invited Paper Section do 1st
Conference on Statistics and Data Science), e assunto de inúmeras palestras de eventos em todo o
mundo e disponibilizadas em redes sociais como Youtube.
Abaixo seguem duas tabelas que buscam resumir trabalhos e atividades futuras. Na Tabela I,
encontra-se possíveis atividades futuras, e na Tabela II, possíveis artigos futuros. Na Tabela II seguem
três propostas de possíveis artigos; um quarto seria possível, mas envolveria interesse de terceiros,
algo ainda a sondar, por isso não documentado. Na Tabela III, algumas possíveis revistas, de
conhecimento do estagiário, mas outras seriam possíveis de acordo com a qualidade do material,
como revistas internacionais, mas ainda a sondar.
Tabela I : resumo de atividades planejadas pós-estágio de pós-doutorado
58
Atividade Comentário
Deep Learning, Introdução à Deep
Learning, Introdução à utilização
de Containers para Deep
Minicursos a seguir (Laboratório Nacional de Computação
Cientifica):
http://www.lncc.br/eventoSeminario/cursoConsultar.php?vMenu=5&idt_evento=1859&idt_a
tividade_evento=4000
Artigos Ver Tabela II.
56
Ver CV lattes http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4466905E0
57
Havia um pequeno conhecido vindo da graduação da orientadora que trabalhou com segmentação de imagens.
58
Resultado do crescimento acadêmico do estagiário.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
42
18 dezembro 2018
Tabela II: possíveis artigos futuros
59
.
Título interino Comentário Tipo de artigo
Production Engineering and
Software Architecture: LigLab,
Leptin- Insulin-Ghrelin
Laboratory
Baseado em curso seguido no doutorado no Gran Sasso
Science Institute, estudos na graduação e material criado
como pesquisa de doutorado, e conhecimento acumulado no
postdoc.
Original/pesquisa
Image Segmentation and
Analysis using Machine
Learning and Computational
Intelligence Approaches: a
review
Revisão de literatura com enfoque em usa de inteligência
computacional e modelagem matemática. Este artigo pode
ser visto como o ápice da experiencia adquirida no postdoc
Revisão/análise
sistêmica
A novel Computational
Intelligence based approach
Este artigo seria a parte prática do artigo anterior, podendo
ser convergido com o anterior ou não, dependendo dos
resultados alcançados. Este artigo pode incluir um estudo de
caso real, usando algum banco de dado disponibilizado
online.
Original/pesquisa
Tabela III: possíveis artigos futuros (cont. Tabela II).
Título interino Possível jornal/revista/Conferência
Production Engineering and
Software architecture: LigLab,
Leptin- Insulin-Ghrelin
Laboratory
Revista Produção Online, Revista Produção Online, SIMPEP, ENEGEP, outras...
Image Segmentation and
Analysis using Machine
Learning and Computational
Intelligence Approaches: a
review
Evolutionary Computation and Swarm Intelligence: trends and applications (Special
issue of Learning and NonLinear Models), CBIC…
A novel Computational
Intelligence based approach
A definir (muito provavelmente uma revista com cunho aplicável)
59
A teoria inicial por trás desses artigos podem ser encontrada nos capítulos anteriores, principalmente “Segmentação de
imagens valendo-se de técnicas não-convencionais”.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
43
18 dezembro 2018
Crescimento acadêmicos resultado do pós-doutorado, em resumo
60
:
• Conhecimento da área de segmentação de imagens, em especial imagens médicas;
• Estudos de segmentação de imagens com técnicas de inteligência computacional;
•
Estudos de imagens médicas através de segmentação;
Cronograma aproximado:
• Novembro 2017 – Fevereiro 2018: conhecimento do ambiente de trabalho; suporte através
de discussões à estudante de mestrado L.X Chaparro Guayara e ao estudante Barros Silva,
JP
61
; estudos iniciais sobre segmentação de imagens;
• Fevereiro 2018 – Agosto 2018: estudos de segmentação de imagens; estudos da aplicação de
técnicas de inteligência computacional em segmentação de imagens; estudos de segmentação
de imagens médicas;
• Agosto 2018 – Outubro 2018: participação em eventos; seminários;
• Outubro 2018 – Dezembro 2018: escrita do relatório; participação em eventos; seminários;
Bastante conhecimento foi acumulado de modo informal: conversas com integrantes do laboratório;
esse conhecimento é difícil de ser formalizado em um relatório, e será usado em trabalhos futuros do
estagiário, e sem dúvidas será importante para futuros trabalhos do estagiário.
60
Ver capítulos anteriores para mais detalhes.
61
ver Barros Silva (2017) e Chaparro Guayara (2018).
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
44
18 dezembro 2018
Capítulo 7: Conclusões, considerações finais, e possíveis trabalhos futuros
Cada ciclo acadêmico na vida de um pesquisador é marcado por um tipo de crescimento, que pode
ser tanto intelectual quando em níveis mais quantitativo, como publicações. Esse período foi marcado
por um crescimento intelectual em termos de conhecimento para o pesquisador envolvido, expansão
de possíveis campos de atuação, entrada em um novo campo, com novos conhecimentos, com
possíveis intercepções para futuras publicações e projetos (ver Table I -Tabela III).
Os planos futuros do estagiário é mesclar sua formação anterior ao postdoc com a formação adquirida
no postdoc (modelagem matemática + segmentação de imagens = modelos matemáticos em medicina
baseados em imagens médicas) (ver Figura 2, ver Capítulo 4). Como pode-se notar no relatório, foi
um período bem interessante em termos de ideias novas para futuros projetos, isso se deu devido ao
novo campo de investigação que o estagiário foi exposto durante o postdoc, pelo IvisionLab; todos
esses insights, que são valiosos, poderão ser amadurecidos no decorrer da carreira do pesquisador,
em pesquisas subsequentes.
Nesse período de pesquisa foi possível aprender/conhecer uma nova área de pesquisa que tem sido
explorado por alguns pesquisadores da área de modelagem matemática aplicada a sistemas
biológicos, formação básica do pesquisador envolvido. Em algumas pesquisas, como destacado no
relatório, pesquisadores usam segmentação e processamento de imagens para alimentarem modelos
matemáticos, fazendo a estimação de parâmetros desses modelos, validando, ou mesmo dando início
ao modelo (condições iniciais). Não foi identificado nenhum grupo de pesquisa brasileiro
62
trabalhando nessa direção, somente grupos Europeus (ex., Drasdo et al (2014)), sendo assim
mostrando uma área rica para novos projetos que mesclem segmentação de imagens e modelagem
matemática no Brasil. Exemplo de tipo de projetos que poderiam se beneficiar de tal abordagens por
estarem nessa intercessão seria o projeto do grupo brasileiro Barros et al (2017), já em parceria com
o laboratório, deixando uma sugestão de trabalhos futuros para pesquisadores do laboratório
63
.
Como resultado parcial dos trabalhos desenvolvidos, um artigo no Evolutionary Computation and
Swarm Intelligence: trends and applications (Special issue of Learning and NonLinear Models)
64
é
62
O que não exclui de forma alguma a existência, devido à quantidade e riqueza de grupos de pesquisa no Brasil.
63
Em essência, um modelo matemática pode ser construído para os glomérulos, e o trabalho em desenvolvido usando
classificação e segmentação de imagens poderia ser usado para alimentar esse modelo com informações fisiológicos,
dados espaço para por exemplo, simulações de estados patofisiológicos.
64
Learning and NonLinear Models (ISSN 1676-2789) is the official journal of the Brazilian Society for Computational
Intelligence (SBIC). LNLM has been published online since 2003 and all papers are Open-Access and are indexed with
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
45
18 dezembro 2018
previsto para Fevereiro 2019. Neste artigo, no momento titulado “Image Segmentation and Analysis
using Machine Learning and Computational Intelligence Approaches: a review” (ver Tabela II), visa-
se revisar técnicas mais recentes em segmentação de imagens usando inteligência computacional e
aprendizado de máquina, com um enfoque ao uso aplicado a modelagem matemática
65
; o artigo
resume sistematicamente trabalhos investigados e/ou arquivado pelo estagiário durante o período de
postdoc.
Um segundo trabalho em andamento como resultado das pesquisas do pós-doutoramento seria na área
de engenharia do produto
66
(ver Tabela II). Baseado em trabalho proposto no doutoramento na área
de controle de apetite (modelagem matemática)
67
e conhecimento adquirido no postdoc, um sistema
para processamento de imagens de alimentos, baseado em segmentação de imagens, seria de grande
valor para a sociedade atual; atualmente já existem sistemas na mesma linha (ex., Oliveira et al 2014;
Martinel et al 2016), sendo neste caso necessário a integração ou mesmo adaptação para o caso
proposto, que seria um sistema desde processamento até modelagem (muitos modelos também já
existem, como por exemplo para insulina, e outros em desenvolvimento como o da grelina pelo autor
(PIRES et al, 2017)); no caso dos modelos matemáticos, como destacado no doutorado, o desafio
seria a junção desses modelos em um única plataforma.
O aprendizado final do postdoc tange o fato de que existe um área alternativa para pesquisa,
“segmentação de imagens médicas”, que pode fazer intercessão com a modelagem matemática, como
visto em alguns trabalhos. Cabe agora ao estagiário dar continuidade à esse aprendizado como
trabalhos futuros.
DOI. The journal publishes papers reporting theoretical and practical advances in the several areas of Computational
Intelligence.
65
Existe uma pequena ambição acadêmica de propor algo novo, mas isso depende, como em qualquer pesquisa, da riqueza
da literatura atual ao usar métodos de inteligência computacional e aprendizado de máquina. Na parte de aprendizado de
máquina, existe uma predominância atual nas redes profundas (deep learning) devido ao seu bom desempenho nos tempos
atuais.
66
Engenharia do produto é uma área da engenharia que busca desenvolver novos produtos para sociedade, baseado em
demandas, em “oportunidades”. A área é bem similar à engenharia de software, mas tendo um campo mais aberto de
aplicação, sendo produto qualquer “objeto” que possa ser comercializado ou disponibilizado para preencher uma demanda
dos clientes/consumidores.
67
Pires (2017).
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
46
18 dezembro 2018
Referências e webgrafias citadas
BARROS SILVA, JP. Reachable Workspace a partir de múltiplos kinects para análise de movimento
de pacientes hemiparéticos. Dissertação (Mestrado). Universidade Federal da Bahia, Instituto de
Matemática, 2017.
BARROS, G.O. et al . PathoSpotter-K: A computational tool for the automatic identification of
glomerular lesions in histological images of kidneys. Nature Scientific Report. 7:46769, 2017.
CHAPARRO GUAYARA, L.X. Configurando múltiplas câmeras RGB-D para captura de
movimentos de pacientes hemiparéticos. Dissertação (Mestrado). Programa de pós-graduação em
Mecatrônica da Universidade Federal da Bahia. Salvador, 2018.
CHOUHAN, S.S; KAUL, A; SINGH, U.P. Image Segmentation Using Computational Intelligence
Techniques: Review. Archives of Computational Methods in Engineering. 2018.
DRASDO, D.; HOEHME, S.; HENGSTLER, J.G. How predictive quantitative modelling of tissue
organisation can inform liver disease pathogenesis. Clinical Application of Basic Science. vol. 61,
951–956, 2014.
DIOSAN, L; ANDREICA, A; BOROS, I; VOICULESCU, I. Avenues for the Use of Cellular
Automata in Image Segmentation. G. Squillero and K. Sim (Eds.): EvoApplications 2017, Part I,
LNCS 10199, pp. 282–296, 2017.
GONZALEZ, R.C.; WOODS, R.E. Digital Image Processing. 3th Edition. Pearson. 2008.
HOEHME, S. et al. Prediction and validation of cell alignment along microvessels as order
principle to restore tissue architecture in liver regeneration. Proc Natl Acad Sci U S A. 2010 Jun
8;107(23):10371-6.
LAMBIN, P. et al. Radiomics: the bridge between medical imaging and personalized medicine. Nat.
Rev. Clin. Oncol. 14(12), 749-762, 2017.
MARTINEL, N; PICIARELLI C; MICHELONI, C. A supervised extreme learning committee for
food recognition. Computer Vision and Image Understanding. 148 (2016) 67–86.
Keshtkar, F; Gueaieb, W. Segmentation of Dental Radiographs Using a Swarm Intelligence
Approach. Canadian Conference on Electrical and Computer Engineering: 2006.
LIU, C. et al. DeepFood: Deep Learning-Based Food Image Recognition for Computer-Aided
Dietary Assessment. Computer Science, Computer Vision and Pattern Recognition.
arXiv:1606.05675: 2016.
LAM, H.K.; LING, SSH.; NGUYEN, HT. Computational Intelligence and Its Applications:
Evolutionary Computation, Fuzzy Logic, Neural Network and Support Vector Machine Techniques.
Imperial College Press: 2012.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
47
18 dezembro 2018
LIANG, Y; ZHANG, M, BROWNE, WN. Image Segmentation: A Survey of Methods Based on
Evolutionary Computation. LNCS 8886, pp. 847–859, 2014.
MILITELLO, C. et al., Gamma Knife treatment planning: MR brain tumor segmentation and
volume measurement based on unsupervised Fuzzy C-Means clustering. Int. J. Imaging Syst.
Technol. 25(3), 213-225, 2015.
NORHISHAM bin RAZALI, M. et al. An integration of minimum local feature representation
methods to recognize large variation of foods. AIP Conference Proceedings 1891, 020123 (2017).
KAZAR, O.; SLATNIA, S. Evolutionary Cellular Automata for Image Segmentation and Noise
Filtering Using Genetic Algorithms. Journal of Applied Computer Science & Mathematics, no.
10 (5). 2011.
PENG H. Bioimage informatics: a new area of engineering biology. Bioinform. 24(17), 1827-1836.
PIRES, J.G. Na importância da biologia em engenharias: biomatemática e bioengenharias.
Symposium of Production Engineering, (SIMPEP), Bauru: São Paulo, Brazil. 12: 1-12. 2013.
PIRES, JG. Mathematical Physiology, Mathematical Biology, and Biomathematics: leptin and the
weight control mechanisms. Revista Gestão & Saúde . v. 6. 2982-2986 (3): 2015.
http://periodicos.unb.br/index.php/rgs/article/view/22426
JADER, G.; FONTINELE, J.; RUIZ, M.; ABDALLA, K.; PITHON, M.; OLIVEIRA, L. Deep
instance segmentation of teeth in panoramic X-ray images. In: Conference on Graphics, Patterns
and Images (SIBGRAPI'2018), Foz do Iguaçu, 2018.
PIRES, JG. et al. Projeto e desenvolvimento de Produto: proposta e desenvolvimento de dispositivo
eletrônico para auxiliar no tratamento da icterícia. Product Management: product Engineering,
Symposium of Production Engineering, SIMPEP, 2009.
PIRES, J.G, Mathematical modeling in energy homeostasis, appetite control and food intake with a
special attention to ghrelin, PhD thesis, Department of Information Engineering, Computer Science
and Mathematics, University of L'Aquila. 2017.
PIRES, J.G. et al., A short-term dynamical model for ghrelin. IFAC-PapersOnLine, Volume 50,
Issue 1, 2017, Pages 11011-11016.
JORDAN, J. An overview of semantic image segmentation. MAY 2018/DATA SCIENCE.
https://www.jeremyjordan.me/semantic-segmentation/. Acessado em 19/11/2018.
OLIVEIRA, L. et al. A mobile, lightweight, poll-based food identification system. Pattern
Recognition 47(2014) 1941–1952.
RONNEBERGER, O., FISCHER, P., BROX, T. U-Net: Convolutional Networks for Biomedical
Image Segmentation. In: Navab N., Hornegger J., Wells W., Frangi A. (eds) Medical Image
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
48
18 dezembro 2018
Computing and Computer-Assisted Intervention – MICCAI 2015. MICCAI 2015. Lecture Notes in
Computer Science, vol 9351. Springer, Cham.
RUNDO, L. et al. GTVcut for Neuro-radiosurgery treatment planning: an MRI brain cancer seeded
image segmentation method based on a cellular automata model, Nat. Comput., 2017.
SHAMIR, L. et al., Pattern recognition software and techniques for biological image analysis. PLoS
Comput. Biol. 6(11), e1000974, 2010.
SILVA, G.; OLIVEIRA, L.; PITHON, M. Automatic segmenting teeth in X-ray images: Trends, a
novel data set, benchmarking and future perspectives. Expert Systems with Applications. Volume
107, 1 October 2018, Pages 15-31.
da Silva, G.J.O. Avaliação de técnicas de segmentação aplicadas a imagens de raio-X panorâmico
dos dentes. Tese [mestrado]. SENAI CIMATEC, 2014.
EIBEN AE, SMITH JE. Introduction to evolutionary computing. Springer-Verlag Berlin Heidelberg:
2003.
SONKA, M; FITZPATRICK, J.M. Handbook of medical imaging: medical image processing and
analysis. Vol.2. SPIE Press: 2009.)
SURI, J; WILSON, DL; LAXMINARAYAN, S. Handbook of Biomedical Image Analysis: Volume
I: Segmentation Models Part A. TOPICS IN BIOMEDICAL ENGINEERING INTERNATIONAL
BOOK SERIES. 2005 Kluwer Academic / Plenum Publishers.
VIEIRA, J. P., CARMO, D., JOVITA, Y., OLIVEIRA, L. (2015). A proposal of a non-intrusive,
global movement analysis of hemiparesis treatment. Journal of Communication and Information
Systems, 30(1).
Towards Data Science. https://towardsdatascience.com/transfer-learning-946518f95666. Acessado
em 29/11/2018.
WEIS et al. A mechanically coupled reaction–diffusion model for predicting the response of breast
tumors to neoadjuvant chemotherapy. Phys. Med. Biol. 58 (2013): 5851–5866.
W
ONGTHANAVASU
, S.; T
ANGVORAPHONKCHAI
, V. Cellular Automata-Based Algorithm and its
Application in Medical Image Processing. IEEE International Conference on Image Processing,
2007.
World Obesity Federation. https://www.worldobesitydata.org/presentation-
graphics/resources/trends/12/. Acessado em 04/12/2018.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
49
18 dezembro 2018
Anexos
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
50
18 dezembro 2018
Anexo A: Roteiro da Capes
ROTEIRO PARA ELABORAÇÃO DE RELATÓRIO
Estágio de Pós-Doutorado
Adaptado de: https://www.capes.gov.br/images/stories/download/bolsas/1742015-ROTEIRO-
PARA-ELABORACAO-DE-RELATORIO-pos-doutorado.doc
RELATÓRIO FINAL
Nome: Jorge Guerra Pires
Processo: 88882.306241/2018-01
Área: Mecatrônica
Período: De novembro 2017 até Dezembro 2018
Instituição onde se realizou: Universidade Federal da Bahia
Supervisor: Luciano Rebouças de Oliveira, PhD
Coordenador: D.Sc. Leizer Schnitman
Vice-coordenador: Flávio M. de Assis Silva, PhD
1. Considerando o plano de atividades proposto, indicar o estágio de desenvolvimento das
atividades de pesquisa.
Neste pós-doutorado não foi proposto um “plano de atividades inicial”, mas sim uma “carta de
interesse”. Na carta de interesse, foi mostrado interesse em contribuir com modelagem matemática
para o grupo
68
. A pesquisa inicial foi acordada em ser provisória, sendo o interesse do estagiário em
uma segunda linha de pesquisa. Essa segunda linha de pesquisa inicialmente acordada envolvia dados
pertencentes a terceiros, o que inviabilizou a execução do projeto por alguns meses. Como alternativa,
iniciou-se o projeto “semantic segmentation of biomedical images”
69
, cujo objetivo era estudar
técnicas baseado em inteligência computacional para segmentação de imagens médicas. Esse ficou
mais na parte de estudo de técnicas de segmentação baseado em inteligência computacional (a
continuação da pesquisa ficou como trabalhos futuros, ver Tabela I - Tabela III).
Conseguiu-se, partido do background do estagiário fora da área de segmentação:
68
“...o meu potencial em ajudar o projeto [pacientes hemiparéticos] nasce da minha experiência e interesse pela área de
programação de computadores e modelagem matemática.” Ver anexo.
69
Para Semantic image segmentation, ver Jordan (2018).
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
51
18 dezembro 2018
• Conhecer técnicas clássicas de segmentação;
• Ter uma ideia de métodos baseados em inteligência computacional;
• Juntar literaturas para um artigo de revisão (ver Tabela I), com enfoque no uso dessas técnicas
em modelagem matemática;
Ficou para trabalhos futuros do estagiário:
• Finalizar a análise da literatura encima de técnicas de inteligência computacional, com
aplicações em modelagem;
• Propor um método baseado nessa análise da literatura;
• Aplicar a um problema de modelagem matemática;
2. Informar as fontes e locais de desenvolvimento da pesquisa.
Toda a pesquisa foi feita na Universidade Federal da Bahia, as fontes encontram-se no relatório
completo.
3. Informar sobre a participação em seminários e outros eventos.
Ver relatório principal: Capítulo 2: Atividades Acadêmica.
4. Fazer uma avaliação global do trabalho apontando as dificuldades e facilidades encontradas,
inclusive quanto à adaptação ao novo ambiente.
O novo ambiente, comparado com o ambiente anterior do estagiário, diferencia em:
• O ambiente anterior constava com médicos, biólogos, e matemáticos, e engenheiros: um
grupo interdisciplinar;
• Não havia uma prevalência de uma linha de pesquisa, como no laboratório, sendo a área de
visão computacional.
Dificuldades:
• Predominância de uma única formação, ciência da computação;
• Pouca abertura para modelagem matemática, na visão do estagiário;
Facilidades:
• Grupo forte na própria área;
• Boa interação entre os componentes do laboratório;
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
52
18 dezembro 2018
Houve uma certa dificuldade de adaptação devido à formação diversa, o que inclui uma linguagem
diversa, modo de abordar questões cientificas fora do padrão que o estagiário estava habituado. Isso
criou certa dificuldade para achar uma língua em comum
70
.
5. Informar se a infra-estrutura básica, sistemas e métodos de trabalho e atividades
complementares favoreceram o desenvolvimento do estágio.
Não houveram “atividades complementares”, mas o estagiários participou por iniciativa própria de
algumas atividades, ver relatório principal: Capítulo 2.
Na maior parte da linha de pesquisa escolhida pelo estagiário, a “infra-estrutura básica” foi o
suficiente. Os “sistemas e métodos de trabalho” foram diversos do que o estagiário estava habituado,
mas com o tempo ouve certa adaptação.
6. Indicar os trabalhos e/ou publicações decorrentes da pesquisa
Não houve trabalhos publicados decorrentes do pós-doutorado, mas como pode ser notado no
relatório, de acordo com ponto de vista do estagiário, existem trabalhos com potencial de se tornarem
publicados decorrentes do pós-doutorado com a devida continuação (Tabela II). Outros tipos de
trabalhos, como apresentações, são mencionados no relatório completo.
70
Esse tipo de dificuldade quando profissionais de formações diferentes se encontram não é incomum, como exemplo,
segundo relato de uma professora da UFBA (comunicação pessoal) da física que trabalha com grupo interdisciplinar,
quando trabalhando com biólogos, foram necessários meses para acharem uma linguagem comum. O estagiário mesmo
já passou por várias situações onde a formação dos componentes eram diversas, o que pode criar certos problemas de
comunicação, e atrasar projetos em execução. Vale ressalta que quando essas dificuldade são superadas, trabalhos bons e
inovadores são geralmente o resultado.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
53
18 dezembro 2018
Anexo B: Avaliação do minicurso por participantes do 1st CSDS
Evaluation form
An introduction to mathematical modeling applied to biological
systems with Matlab
By Jorge Guerra Pires, PhD
Please, help me to improve
Email (not mandatory, just if you want to keep in touch):
Your current position:
( ) professor;
( ) student;
( ) researcher (e.g., postdoc);
( ) other:_________________________
Your background:
( ) applied mathematics and statistics;
( ) Engineering sciences;
( ) medical and biological sciences
Other:____________________________________
Please, grade the course based on what you have learnt:
( ) quite useful and insightful
( ) it was okay
( ) I have not learnt a thing
( ) other:
Please, leave me a comment (você pode escrever em português)
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
54
18 dezembro 2018
Anexo C: programa de pós-graduação em mecatrônica
Doutorado em Mecatrônica – PPGM
http://www.eng.ufba.br/doutorado-em-mecatronica-ppgm
Pelo contexto local (possivelmente também nacional), constata-se uma crescente demanda na região
por engenheiros, cientistas da computação e profissionais de diversas especialidades
técnico/tecnológicas, com capacitação complementar em áreas de conhecimento interdisciplinares
e especialmente capacitados para o desenvolvimento e utilização eficiente das modernas tecnologias
voltadas para a geração de bens e serviços. Assim, além de suas expectativas acadêmicas, o PPGM
visa prioritariamente a formação de docentes, pesquisadores e profissionais com alto nível de
qualificação em sistemas mecatrônicos, de forma a ser o PPGM um dos locais da integração
Universidade-Empresa da região, no âmbito da Mecatrônica. O programa tem o propósito de colocar
à disposição das instituições locais e regionais conhecimentos e recursos tecnológicos atualizados,
que lhes assegurem melhores condições de, independente do gênero ou tamanho, competirem tanto
localmente como no país e/ou no exterior, com suas congêneres. [grifo próprio]
Mestrado em Mecatrônica - PPGM
http://www.eng.ufba.br/mestrado-em-mecatronica-ppgm
O Mestrado Acadêmico em Mecatrônica faz parte do Programa de Pós-Graduação em Mecatrônica
da UFBA (PPGM), que é um programa proposto e coordenado conjuntamente pela Escola
Politécnica e pelo Instituto de Matemática desta Universidade. O programa conta ainda com a
colaboração de professores/pesquisadores de outras unidades da própria UFBA. [grifo próprio]
Nota. Os pilares da mecatrônica na UFBA mostram uma área bem interdisciplinar, tendo a
matemática como um dos seus pilares.
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
55
18 dezembro 2018
Anexo D: ciência de dados e modelagem matemática, relato de experiência (1st
CSDS)
Nesta seção, relata-se brevemente a experiência acadêmica resultado da participação do estagiário no
1s CSDS, com um minicurso em modelagem matemática.
Como destacado no curso, modelagem matemática pode ser usado para fazer sentido de dados
experimentais (ver Figura 4).
Na figura abaixo, Figura 26, dois tipos de metodologias para estudar dados são apresentadas: 1) uso
de técnicas do tipo “caixa preta” (ex., segmentação) ou 2) do tipo “caixa branca” (ex., modelagem).
Figura 26. Comparação entre modelos baseados “análise do dados” (e.x., segmentação) e
“modelagem dos dados” (e.x., equações diferenciais). Fonte: CSDS short-course “Data Science and
Biomathematics: an introduction to mathematical modeling applied to biological systems with
Matlab”
Na figura abaixo, Figura 27, tem-se o uso de modelos matemáticos para estimar parâmetros em
modelos matemáticos.
Figura 27. A questão de transforma em parâmetros informação presente em banco de dados. Fonte:
CSDS short-course “Data Science and Biomathematics: an introduction to mathematical modeling
applied to biological systems with Matlab”
Jorge G Pires, Programa de Pós-Graduação em Mecatrônica (PPGM, UFBA)
(PNPD-CAPES).
i
18 dezembro 2018
Index
algoritmos genéticos; 26; 35
Algoritmos Genéticos; vii
câncer de mama; 1; 29
cellular automata; 19; 20; 21; 24; 25; 26; 27;
28; 29; 38; 47
data science; 10
deep learning; 2; 4; 10; 36; 44
estimação de parâmetros; viii; 36; 43
grelina; 30; 44
hemiparesia; vii; 14
imagem médica; 1; 28; 29
imagens biomédicas; 22; 32; 34; 35; 36
inteligência computacional; 4; 6; 25; 34; 35;
38; 41; 42; 44; 49; 50
IvisionLab; x; 2; 4; 10; 14; 43
leptina; 30
lógica Nebulosa; 26
obesidade; 30
processamento de imagens; viii; 10; 36; 43;
44
Redes Neurais; 4; 26
segmentação de imagens; 2; 3; 4; 10; 25; 34;
35; 40; 42; 43; 44; 49
segmentação dos dentes; 30; 36
sistemas biológicos; vii; viii; 4; 7; 34; 35; 37;
43
transfer learning; 20; 21
visão computacional; 2; 5; 8; 9; 50