DiCloud: um modelo para compartilhamento transparente de imagens médicas com compressão e elasticidade proativa na nuvem

• Ano de defesa: 2020
• Autor(a) principal: Lopes, Thiago Roberto Lima
• Orientador(a): Righi, Rodrigo da Rosa
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Elasticidade; Escalabilidade; Desempenho; Computação de alto desempenho; Compartilhamento
• Palavras-chave em Inglês: DiCloud; Elasticity; Scalability; DICOM; Performance; high-performance computing; Sharing
• Área do conhecimento CNPq: ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
• Link de acesso: http://www.repositorio.jesuita.org.br/handle/UNISINOS/9536

A partir de 1970, com o surgimento da tomografia computadorizada, as imagens médicas se tornaram parte fundamental do fluxo de diagnóstico. A padronização das imagens através do formato DICOM (Digital Imaging and Communications in Medicine) representou um grande avanço para a interoperabilidade das máquinas de capturas das imagens médicas, bem como para os softwares que realizam a visualização. Todavia, ainda no presente existem desafios que precisam serem perpassados para aperfeiçoar os processos, a fim de agilizar o diagnóstico clínico. O servidor de armazenamento das imagens (PACS), em geral, se localiza internamente nos hospitais, não sendo possível compartilhar essas imagens com outros médicos que estejam fora do domínio do hospital, dificultando por exemplo, a colaboração de um especialista que esteja em um local geograficamente distante. Contudo, essa arquitetura pode ser distribuída usando cloud computing, que além de colaborar para o compartilhamento de imagens médicas, colabora com o gerenciamento mantendo a qualidade de serviço mesmo sobre o aumento de carga de trabalho. Utilizando elasticidade é possível alocar e desalocar recursos conforme algumas métricas, como CPU, visando melhorar o desempenho da aplicação. Existem diversos trabalhos que utilizam elasticidade para melhorar o desempenho da aplicação, mas a maioria dos trabalhos baseiam-se na elasticidade reativa, onde as ações são executadas quando alguma métrica atinge um determinado limite. Além disso, outros trabalhos que abordam compressão das imagens a fim de reduzir a demanda por espaço em disco, o fazem apenas no pixel-data e não se atém em questões relacionados ao tempo de transmissão das imagens e velocidade da conexão com a internet. O acesso limitado à pesquisadores proposto nos trabalhos relacionados desatende os profissionais da saúde que podem se beneficiar de um acesso remoto e mais rápido às imagens. Neste trabalho, se utiliza uma abordagem diferenciada, com a elasticidade proativa e um algoritmo baseado em séries temporais para prever valores futuros de uma métrica e tomar decisões de antemão. Foram modeladas quatro cargas de trabalho, utilizadas na avaliação do modelo: constante, onda, crescente e decrescente. É demonstrado resultados de predição de valores com a simulação de cargas de trabalhos reais. Para cada carga de trabalho foi avaliado o melhor modelo do ARIMA para predição. O algoritmo mais eficiente foi escolhido e aplicado nos demais testes, que incluem mensurar o nível de compressão alcançado para cada um dos métodos de compressão avaliados. O modelo teve sua contribuição validado junto a um software de servidor PACS real, nos aspectos de desempenho, seu grau de compressão e a efetividade em compartilhar imagens com outro hospital. Este trabalho contribui nos aspectos de tornar possível o compartilhamento de imagens médicas, mesmo em ambientes com internet com baixa largura de banda, características em países em desenvolvimento, através de compressão das imagens para melhor aproveitamento da conexão com a internet. O melhor algoritmo de compressão foi o Zip+PPMd, que obteve uma redução do tamanho do dataset de 72.32%. Também contribui provendo elasticidade proativa de aplicações, onde os resultados demonstram que é possível manter a qualidade de serviço (0% de erros) e reduzir os custos da nuvem (menor quantidade de VMs ligadas), através da correta alocação e liberação dos recursos.