Detecção automática do coração em tomografia computadorizada utilizando técnicas de aprendizagem profunda

• Ano de defesa: 2022
• Autor(a) principal: Azevedo, Jefferson da Silva Fernandes de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Laboratório Nacional de Computação Científica; Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA); Brasil; LNCC; Programa de Pós-Graduação em Modelagem Computacional
• Palavras-chave em Português: Coração; Faster R-CNN 3D; Detecção de objetos; Tomografia computadorizada; Redes neurais artificiais; CNPQ::CIENCIAS DA SAUDE::MEDICINA::CLINICA MEDICA::CARDIOLOGIA
• Link de acesso: https://tede.lncc.br/handle/tede/363

Algoritmos de inteligência artificial vêm sendo um forte tema de estudo na área da medicina assistida por computação científica. O objetivo de tal técnica é reproduzir tarefas que, até então, eram realizáveis apenas por seres humanos. A principal vantagem destes algoritmos é eliminar tediosas horas de trabalho executadas exclusivamente por humanos. Além de, em algumas abordagens, mitigar o viés que ocorre na marcação entre especialistas em um mesmo banco de dados. Mais especificamente, extrair somente a região que contenha o coração em uma Tomografia Computadorizada facilita diversas técnicas que fazem diagnóstico de doenças cardíacas. Para tal, pode-se utilizar um algoritmo de Redes Neurais Convolucionais dedicado à detecção de objetos, que, por sua vez, tem-se manifestado em diversos artigos científicos atuais em imagens bidimensionais, o Faster R-CNN. Este algoritmo teve uma adaptação para 3 dimensões no desafio Multi-Modality Whole Heart Segmentation de 2017. Assim sendo, nesta dissertação foram incrementadas melhorias e análises neste algoritmo apresentado. Mais precisamente, nas etapas responsáveis pela detecção da região do espaço 3D na qual se encontra incluído o coração. Após as devidas modificações e análise dos hiperparâmetros, obtivemos uma precisão de 74% na métrica Intersection Over Union no teste deste modelo, assim como há, em média, cortes na região do coração em torno de 6% de seu volume. Portanto, concluímos que o algoritmo implementado e estudado é capaz de detectar a região espacial da imagem tomográfica contendo o coração com precisão aceitável, tendo em vista que o intuito é reduzir o tamanho da imagem, destacando somente o essencial, a fim de facilitar o processamento de técnicas de diagnóstico.