A recuperação de imagens baseada em conteúdo, amplamente conhecida como CBIR (do inglês Content-Based Image Retrieval), é um ramo da área da computação que vem crescendo muito nos últimos anos e vem contribuindo com novos desafios. Sistemas que utilizam tais técnicas propiciam o armazenamento e manipulação de grandes volumes de dados e imagens e processam operações de consultas de imagens a partir de características visuais extraídas automaticamente por meio de métodos computacionais. Esses sistemas devem prover uma interface de usuário visando uma interação fácil, natural e atraente entre o usuário e o sistema, permitindo que o usuário possa realizar suas tarefas com segurança, de modo eficiente, eficaz e com satisfação. Desse modo, o design da interface firma-se como um elemento fundamental para o sucesso de sistemas CBIR. Contudo, dentro desse contexto, a interface do usuário ainda é um elemento constituído de pouca pesquisa e desenvolvimento. Um dos obstáculos para eficácia de design desses sistemas consiste da necessidade em prover aos usuários uma interface de alta qualidade para permitir que o usuário possa consultar imagens similares a uma dada imagem de referência e visualizar os resultados. Para atingir esse objetivo, este trabalho visa analisar a interação do usuário em sistemas de recuperação de imagens por conteúdo e avaliar sua funcionalidade e usabilidade, aplicando técnicas de interação humano-computador que apresentam bons resultados em relação à performance de sistemas com grande complexidade, baseado em um estudo de caso aplicado à medicina / The content-based image retrieval (CBIR) is a challenging area of the computer science that has been growing in a very fast pace in the last years. CBIR systems employ techniques for extracting features from the images, composing the features vectores, and store them together with the images in data bases management system, allowing indexing and querying. CBIR systems deal with large volumes of images. Therefore, the feature vectors are extracted by automatic methods. These systems allow to query the images by content, processing similarity queries, which inherently demands user interaction. Consequently, CBIR systems must pay attention to the user interface, aiming at providing friendly, intuitive and attractive interaction, leading the user to do the tasks efficiently, getting the desired results, feeling safe and fulfilled. From the points highlighted beforehand, we can state that the human-computer interaction (HCI) is a key element of a CBIR system. However, there is still little research on HCI for CBIR systems. One of the requirements of HCI for CBIR is to provide a high quality interface to allow the user to search for similar images to a given query image, and to display the results properly, allowing further interaction. The present dissertation aims at analyzing the user interaction in CBIR systems specially suited to medical applications, evaluating their usability by applying HCI techniques. To do so, a case study was employed, and the results presented

A área de recuperação de informação baseada em conteúdo visual, a cada dia ganha maior importância graças ao volume de material existente, incluindo imagens e vídeo digitais, compartilhado e distribuído principalmente via internet. Neste cenário, novas formas de consumo, manipulação e exploração de materiais digitais, têm sido criadas através da organização e indexação apropriadas. O grande aumento de bases de imagens médicas digitalizadas, somado às tecnologias associadas à imagens médicas e à ferramentas de recuperação baseadas no conteúdo dessas imagens, têm oferecido relevantes contribuições à prática da medicina. Além de positivamente influenciar no processo de aprendizagem de estudantes e também auxiliar nos diagnósticos, agregando esses recursos aos sistemas de arquivamento e comunicação de imagens (Picture Archiving and Communication Systems - PACS). O principal objetivo deste trabalho é verificar a viabilidade de um sistema de recuperação de imagens por conteúdo em rede, testando os tempos computacionais envolvidos para acesso em uma rede óptica de alta velocidade (KyaTera) e na internet. Também foram avaliadas famílias Wavetels como extratores de características de texturas e os resultados foram comparados em imagens médicas, considerando a eficiência de recuperação. Os resultados obtidos neste trabalho poderão servir como base para o desenvolvimento de programas de recuperação de imagens aplicados na área das ciências médicas e como indicativo da velocidade e do tráfego em redes de computadores instaladas em hospitais, conectando estes a clínicas, consultórios e demais infra-estruturas da área médica. / The field of information retrieval based on visual contents, has increased in importance due to its great deal of available material, including digital images and videos, which has been shared and disseminated mainly via internet. Thus, new patterns of consumption, handling, and exploration of digital materials have been developed using proper organization and indexation. The considerable increase in the digital medical image database, as well as the emerging technology and the retrieval tools based on the contents of these images, has contributed substantially to medicine practice. Additionally, associated to the picture archiving and communication systems (PACS), this advancement has positively influenced the education process and has aided diagnoses.The main objective of this work is to verify the performance of a content-based image retrieval system running on computer networks, testing the computational times involved for access on a high-speed optical (KyaTera) network and on the internet. Wavetels families were also evaluated as texture extractors and the results were compared in medical images, considering the recovery efficiency.The results obtained herein may serve as a basis for the development of image recovery programs applied to the medical sciences area, and as indicative of traffic speed on computer networks installed in hospitals, connecting them to clinics and other infrastructures in the medical field.

A área de recuperação de informação baseada em conteúdo visual, a cada dia ganha maior importância graças ao volume de material existente, incluindo imagens e vídeo digitais, compartilhado e distribuído principalmente via internet. Neste cenário, novas formas de consumo, manipulação e exploração de materiais digitais, têm sido criadas através da organização e indexação apropriadas. O grande aumento de bases de imagens médicas digitalizadas, somado às tecnologias associadas à imagens médicas e à ferramentas de recuperação baseadas no conteúdo dessas imagens, têm oferecido relevantes contribuições à prática da medicina. Além de positivamente influenciar no processo de aprendizagem de estudantes e também auxiliar nos diagnósticos, agregando esses recursos aos sistemas de arquivamento e comunicação de imagens (Picture Archiving and Communication Systems - PACS). O principal objetivo deste trabalho é verificar a viabilidade de um sistema de recuperação de imagens por conteúdo em rede, testando os tempos computacionais envolvidos para acesso em uma rede óptica de alta velocidade (KyaTera) e na internet. Também foram avaliadas famílias Wavetels como extratores de características de texturas e os resultados foram comparados em imagens médicas, considerando a eficiência de recuperação. Os resultados obtidos neste trabalho poderão servir como base para o desenvolvimento de programas de recuperação de imagens aplicados na área das ciências médicas e como indicativo da velocidade e do tráfego em redes de computadores instaladas em hospitais, conectando estes a clínicas, consultórios e demais infra-estruturas da área médica. / The field of information retrieval based on visual contents, has increased in importance due to its great deal of available material, including digital images and videos, which has been shared and disseminated mainly via internet. Thus, new patterns of consumption, handling, and exploration of digital materials have been developed using proper organization and indexation. The considerable increase in the digital medical image database, as well as the emerging technology and the retrieval tools based on the contents of these images, has contributed substantially to medicine practice. Additionally, associated to the picture archiving and communication systems (PACS), this advancement has positively influenced the education process and has aided diagnoses.The main objective of this work is to verify the performance of a content-based image retrieval system running on computer networks, testing the computational times involved for access on a high-speed optical (KyaTera) network and on the internet. Wavetels families were also evaluated as texture extractors and the results were compared in medical images, considering the recovery efficiency.The results obtained herein may serve as a basis for the development of image recovery programs applied to the medical sciences area, and as indicative of traffic speed on computer networks installed in hospitals, connecting them to clinics and other infrastructures in the medical field.

Os sistemas de processamento de imagens exercem um papel importante no que tange à emulação da visão humana, pois grande parte das informações que as pessoas obtêm do mundo real ocorre por meio de imagens. Desenvolver tais sistemas é uma tarefa complexa e que requer testes rigorosos para garantir a sua confiabilidade. Neste cenário, a seleção de casos de teste é fundamental, pois ajuda a eliminar os dados de teste redundantes e desnecessários enquanto procura manter altas taxas de detecção de erros. Na literatura há várias abordagens para seleção de casos de teste com foco em sistemas de entradas/saídas alfanuméricas, mas a seleção voltada a sistemas complexos (e.g. processamento de imagens) ainda é pouco explorada. Visando a contribuir neste campo de pesquisa, este trabalho apresenta um novo método intitulado Tcs&CbIR, que seleciona e recupera um subconjunto de imagens a partir de um vasto conjunto de teste. Os testes realizados com dois programas de processamento de imagens mostram que a nova abordagem pode superar a seleção aleatória pois, no contexto de avaliação apresentado, a quantidade de casos de teste necessária para revelar a presença de erros foi reduzida em até 87%. Os resultados obtidos revelam, também, o potencial da utilização de CBIR para abstração de informações, a importância da definição de extratores de características adequados e a influência que as funções de similaridade podem exercer na seleção de casos de teste. / Image processing systems play a key role when it comes to emulation of human vision, because much of the information that humans capture from the real world occurs through images. Developing such systems is a complex task that requires rigorous testing to ensure their quality and reliability. In this scenario, the test case selection is crucial because it helps to eliminate the redundant and unnecessary test data while it tries to maintain high rates of error detection. In the literature there are several approaches for test cases selection with a focus on systems with alphanumeric inputs and outputs, but the selection focused on complex systems (e.g. image processing) is still unexplored. Aiming to contribute to this research field, this work presents a new method entitled Tcs&CbIR, which selects and retrieves a subset of images from a wide test suite. Tests conducted with two image processing programs show that the new approach can overcome the random selection because, in the context of evaluation presented, the amount of test cases required to detect the presence of the errors was reduced by up to 87%. The results also show the potential use of CBIR for information abstraction, the importance of the definition of suitable extractors of characteristics and the influence of the similarity functions in the test case selection.

Este trabalho apresenta uma estratégia computacional para a consolidação do treinamento dos radiologistas residentes por meio da classificação de imagens mamográficas pela similaridade, analisando informações dos laudos realizados por médicos experientes, obtendo os atributos extraídos das imagens médicas. Para a descoberta de padrões que caracterizam a similaridade aplicam-se técnicas de processamento digital de imagens e de mineração de dados nas imagens mamográficas. O reconhecimento de padrões tem como objetivo realizar a classificação de determinados conjuntos de imagens em classes. A classificação dos achados mamográficos é realizada utilizando Redes Neurais Artificiais, por meio do classificador Self-Organizing Map (SOM). O presente trabalho utiliza a recuperação de imagens por conteúdo (CBIR- Content-Based Image Retrieval), considerando a similaridade em relação a uma imagem previamente selecionada para o treinamento. As imagens são classificadas de acordo com a similaridade, analisando-se informações dos atributos extraídos das imagens e dos laudos. A identificação da similaridade é obtida pela extração de características, com a utilização da transformada de wavelets. / This work presents a computational strategy to consolidate the training of residents radiologists through the classification of mammographic images by similarity, analyzing information from reports made by experienced physicians, obtaining the attributes extracted from medical images. For the discovery of patterns that characterize the similarity apply techniques of digital image processing and data mining in mammographic images. Pattern recognition aims to achieve the classification of certain sets of images in classes. The classification of mammographic is performed using Artificial Neural Networks, through the classifier Self-Organizing Map (SOM). This work uses the image retrieval (CBIR-Content- Based Image Retrieval), considering the similarity in relation to an image already selected for training. The images are classified according to similarity, analyzing attribute information extracted from the images and reports. The identification of similarity was obtained by feature extraction, using the technique of wavelet transform.

O objetivo deste trabalho é avaliar a recuperação de imagem por conteúdo (CBIR - Content-based Image Retrieval) em uma rede de computadores, estabelecendo-se métricas de controle que otimizem a utilização da rede e ao mesmo tempo garanta melhor qualidade na resposta. Prevê-se a recuperação de imagens baseada em consulta por similaridade, combinando-se o extrator de características com a função de distância. O desenvolvimento é realizado em uma linguagem de programação independente da plataforma e de âmbito de internet, utilizado Java, desenvolvendo-se uma API (Application Programming Interface), visando, em especial, a reutilização de código, o que implica na diminuição do tempo de desenvolvimento. O trabalho demonstra a utilização de estruturas de indexação sequencial, comparada com a estrutura de indexação de árvore \"Slim-tree\". A principal contribuição deste trabalho é a análise e a utilização de métricas na rede de computadores em um projeto de CBIR. / The objective of this study is to evaluate the Content-based Image Retrieval (CBIR) in a computer network, establishing control metrics that optimize the use of network while ensuring better quality in the response. It is expected that images are going to be recovered based on queries that are similar, combining the features extractor with the distance function. The development environment is an independent language of the platform and of the Internet scope, using Java, that has developed an Application Programming Interfaces (API), aiming primarily the code reuse, which implies a decrease in the development time. This thesis demonstrates the use of sequential indexing structures compared to the tree index structure \"Slim-tree\". The main contribution of this thesis is the analysis and utilization of metrics in a computer network project in CBIR.

Este trabalho apresenta uma estratégia computacional para a consolidação do treinamento dos radiologistas residentes por meio da classificação de imagens mamográficas pela similaridade, analisando informações dos laudos realizados por médicos experientes, obtendo os atributos extraídos das imagens médicas. Para a descoberta de padrões que caracterizam a similaridade aplicam-se técnicas de processamento digital de imagens e de mineração de dados nas imagens mamográficas. O reconhecimento de padrões tem como objetivo realizar a classificação de determinados conjuntos de imagens em classes. A classificação dos achados mamográficos é realizada utilizando Redes Neurais Artificiais, por meio do classificador Self-Organizing Map (SOM). O presente trabalho utiliza a recuperação de imagens por conteúdo (CBIR- Content-Based Image Retrieval), considerando a similaridade em relação a uma imagem previamente selecionada para o treinamento. As imagens são classificadas de acordo com a similaridade, analisando-se informações dos atributos extraídos das imagens e dos laudos. A identificação da similaridade é obtida pela extração de características, com a utilização da transformada de wavelets. / This work presents a computational strategy to consolidate the training of residents radiologists through the classification of mammographic images by similarity, analyzing information from reports made by experienced physicians, obtaining the attributes extracted from medical images. For the discovery of patterns that characterize the similarity apply techniques of digital image processing and data mining in mammographic images. Pattern recognition aims to achieve the classification of certain sets of images in classes. The classification of mammographic is performed using Artificial Neural Networks, through the classifier Self-Organizing Map (SOM). This work uses the image retrieval (CBIR-Content- Based Image Retrieval), considering the similarity in relation to an image already selected for training. The images are classified according to similarity, analyzing attribute information extracted from the images and reports. The identification of similarity was obtained by feature extraction, using the technique of wavelet transform.

Aplicações computacionais voltadas para o auxílio ao diagnóstico (Computer-Aided Diagnosis - CAD) estão se tornando cada vez mais freqüentes. O objetivo dessas aplicações é fornecer ao profissional da área médica ferramentas que auxiliem na detecção precoce de patologias diversas. Nesse contexto, algoritmos que satisfaçam o interesse do usuário em encontrar imagens semelhantes a um caso específico podem ser desenvolvidos. Essas buscas devem ser feitas por similaridade, considerando a informação visual da imagem e não utilizando os recursos do processo convencional de busca textual, o qual compara parâmetros fornecidos pelo usuário com valores de atributos armazenados. As técnicas que permitem esse desenvolvimento são descritas na literatura como recuperação de imagens baseada em conteúdo (Content-Based Image Retrieval - CBIR). O maior desafio nessa abordagem é determinar o conjunto de características que descrevem o conteúdo da imagem adequadamente. No presente trabalho foram implementados algoritmos para extrair as características das imagens médicas utilizando as transformadas Wavelet e Wavelet Packet. A transformada Wavelet Packet tem maior capacidade para distinguir as freqüências quando comparada com a transformada Wavelet \"tradicional\". Esse estudo explora tal propriedade e analisa o desempenho dessas abordagens matemáticas na recuperação das imagens médicas por conteúdo. Ao final do estudo pôde-se estabelecer um comparativo entre os resultados obtidos com os vetores gerados a partir dos dados extraídos por ambas transformadas. Considerando-se que na área médica a precisão na obtenção das informações tem importância fundamental, a transformada Wavelet Packet revelou vantagens relevantes sobre os métodos tradicionais que aplicam a transformada Wavelet. Gráficos recall x precision e confusion matrix forneceram medidas da eficácia de recuperação. / Computer-Aided Diagnosis (CAD) applications are becoming more frequent each day. This application\'s objective is to provide tools for the medical professional that help in the precocious detection of different pathologies. On this context, algorithms that satisfy the user interest to find similar images related to a singular case can be developed. Such searches must be done considering the visual information instead of using common resources employed in textual conventional procces\'s searches, which compares parameters provide by the user to attribute\'s values stored. The techniques that admit such development are depicted in the literature as Content-Based Image Retrieval (CBIR). The great challenge here is to define the features that represent the image appropriately. In the present research were implemented algorithms to extract the images features using the Wavelet transform and Wavelet Packet transform. A Wavelet Packet transform distinguish frequencies better than the \"tradicional\" Wavelet transform. Therefore this study explores such properties and analyze the both mathematics approaches performance in the medical images retrieval. A comparative can be estabilished between the results obtained with the vectors produced using extracted data in both transforms. Considering that in the medical area the precision to obtain informations has fundamental importance, the Wavelet Packet transform revealed relevant advantages compared to the traditional methods that use the Wavelet transform. Recall x precision graphs and confusion matrix provides retrieval efficiency measures.

Obter uma representação sucinta e representativa de imagens médicas é um desafio que tem sido perseguido por pesquisadores da área de processamento de imagens médicas com o propósito de apoiar o diagnóstico auxiliado por computador (Computer Aided Diagnosis - CAD). Os sistemas CAD utilizam algoritmos de extração de características para representar imagens, assim, diferentes extratores podem ser avaliados. No entanto, as imagens médicas contêm estruturas internas que são importantes para a identificação de tecidos, órgãos, malformações ou doenças. É usual que um grande número de características sejam extraídas das imagens, porém esse fato que poderia ser benéfico, pode na realidade prejudicar o processo de indexação e recuperação das imagens com problemas como a maldição da dimensionalidade. Assim, precisa-se selecionar as características mais relevantes para tornar o processo mais eficiente e eficaz. Esse trabalho desenvolveu o método de seleção supervisionada de características FSCoMS (Feature Selection based on Compactness Measure from Scatterplots) para obter o ranking das características, contemplando assim, o que é necessário para o tipo de imagens médicas sob análise. Dessa forma, produziu-se vetores de características mais enxutos e eficientes para responder consultas por similaridade. Adicionalmente, foi desenvolvido o extrator de características k-Gabor que extrai características por níveis de cinza, ressaltando estruturas internas das imagens médicas. Os experimentos realizados foram feitos com quatro bases de imagens médicas do mundo real, onde o k-Gabor sobressai pelo desempenho na recuperação por similaridade de imagens médicas, enquanto o FSCoMS reduz a redundância das características para obter um vetor de características menor do que os métodos de seleção de características convencionais e ainda com um maior desempenho em recuperação de imagens / Obtaining a representative and succinct description of medical images is a challenge that has been pursued by researchers in the area of medical image processing to support Computer-Aided Diagnosis (CAD). CAD systems use feature extraction algorithms to represent images. Thus, different extractors can be evaluated. However, medical images contain important internal structures that allow identifying tissues, organs, deformations and diseases. It is usual that a large number of features are extracted the images. Nevertheless, what appears to be beneficial actually impairs the process of indexing and retrieval of images, revealing problems such as the curse of dimensionality. Thus, it is necessary to select the most relevant features to make the process more efficient and effective. This dissertation developed a supervised feature selection method called FSCoMS (Feature Selection based on Compactness Measure from Scatterplots) in order to obtain a ranking of features, suitable for medical image analysis. Our method FSCoMS had generated shorter and efficient feature vectors to answer similarity queries. Additionally, the k-Gabor feature extractor was developed, which extracts features by gray levels, highlighting internal structures of medical images. The experiments performed were performed on four real world medical datasets. Results have shown that the k-Gabor boosts the retrieval performance, whereas the FSCoMS reduces the subsets redundancy to produce a more compact feature vector than the conventional feature selection methods and even with a higher performance in image retrieval

Made available in DSpace on 2014-07-29T14:57:50Z (GMT). No. of bitstreams: 1 Dissertacao Sanderson Oliveira de Macedo - pre textuais.pdf: 252925 bytes, checksum: 6b4a3fdbc033028ce6fbda4fe386ef61 (MD5) Previous issue date: 2012-03-22 / This work aims to develop a system to aid in the diagnosis of pneumonia by computer, termed pneumocad, which aims to identify chest radiographies compatible with the disease. Techniques were used for the recognition of patterns in textures through the decomposition of the wavelet transforms of the features extracted from the decomposition and classification applied to radiography. We analyzed 166 images in digital radiography "gold standard", previously confirmed by two radiologists trained according to WHO guidelines as Pneumonia Present (PP = 83) and Pneumonia Absent (PA = 83). In both methods were investigated which feature best applies to the recognition of patterns and textures in which the best performance of the classifier K-NN method. The procedure began with the application of the Haar Wavelet Transform and the extraction of characteristics of each radiograph 17 that were stored descriptors. The methodology I tested the increase in classification accuracy, balanced with increasing the amount of radiographies of each class. The methodology II tested the ability of K-NN to generate ratings at acceptable levels with the unbalance of the random number of images between the two classes. There was obtained an average of accuracy of 91.75% with emphasis on the difference of characteristic variance performance and the K-NN was more effective when the number of nearest neighbors is K=9. The results are considered promising because the pneumocad can be a useful tool in the diagnosis of childhood pneumonia, combining the knowledge manmachine and providing conditions for the interpretation of chest radiographs in the "gold standard", according to WHO specifications. In addition, the software can be a new technology in health, to provide health managers and policymakers a tool for epidemiological monitoring and control of pneumonia in real time, producing benefits for organizations and decisions related health services. / O presente estudo propõe o desenvolvimento de um sistema para auxiliar o diagnóstico de pneumonia por computador, denominado pneumocad, que visa identificar radiografias de tórax compatíveis com a doença. Utilizaram-se técnicas de reconhecimento computacional de padrões em texturas por meio da decomposição das transformadas wavelets, das características extraídas das decomposições e da classificação aplicadas às radiografias. Foram utilizadas 166 imagens digitais de radiografia em "padrão-ouro", previamente confirmadas por dois radiologistas treinados segundo as diretrizes da OMS como Pneumonia Presente (PP=83) e Pneumonia Ausente (PA=83). Em duas metodologias investigou-se qual melhor característica aplica-se ao reconhecimento de padrões em texturas e qual o melhor desempenho do método classificador K-NN. O procedimento iniciou-se com a aplicação da transformada wavelet de Haar e com a extração de 17 características de cada radiografia que foram armazenadas em descritores. A metodologia I testou o aumento da acurácia da classificação, proporcionalmente ao aumento balanceado da quantidade de radiografias de cada classe. A metodologia II testou a capacidade do K-NN de gerar classificações em níveis aceitáveis com o desbalanceamento aleatório da quantidade de imagens entre as duas classes. Obteve-se um nível médio de acurácia de 91,75% com destaque para a característica diferença de variância e o desempenho do método K-NN mostrou-se mais eficaz quando a quantidade de vizinhos mais próximos foi de K=9. Os resultados são considerados promissores, pois o pneumocad pode ser uma ferramenta útil no diagnóstico em pneumonia na infância, aliando o conhecimento homem-máquina e oferecendo condições para a interpretação de radiografias torácicas em "padrão-ouro", conforme especificações da OMS. Além disso, o software se apresenta como uma tecnologia inovadora em saúde, ao disponibilizar para administradores e gestores políticos uma ferramenta de controle e monitoramento epidemiológico da pneumonia em tempo real, produzindo subsídios para as decisões e organizações dos serviços de saúde relacionados.