Detecção e localização de cavitação via inteligência artificial.

• Ano de defesa: 2024
• Autor(a) principal: Guenkawa, Patricia Akemi Sekini
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: AlexNet; Artificial intelligence; Bioengenharia; Cavitation detection; Detecção de cavitação; Inteligência artificial; Sonothrombolysis; Sonotrombólise
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3154/tde-18042024-091104/

O infarto do miocárdio é uma das principais causas de morbidade e mortalidade em todo o mundo. Dentre os possíveis tratamentos para obstrução do fluxo sanguíneo, uma técnica emergente é denominada sonotrombólise. Para alcançar resultados satisfatórios, o evento aliado à técnica (cavitação de microbolhas) precisa ser controlado para evitar danos ao paciente. Diante disso, este estudo teve como objetivo detectar e classificar o fenômeno durante a terapia de sonotrombólise por meio de inteligência artificial, onde a região de interesse é o coração. Os sinais foram gerados utilizando a ferramenta k-Wave disponível para Matlab, onde podem ser definidas características do meio acústico, incluindo não linearidades, atenuações e a topologia da matriz de transdutres. Após a simulação desses sinais, foi proposto um método classificador automático e descomplicado, baseado na ferramenta Transformada Wavelet Contínua e abordagem de Rede Neural Convolucional (CNN). O método utilizou uma CNN pré-treinada, chamada AlexNet, operando uma base de dados de 2.800 sinais para treinamento (70%), teste (15%) e validação (15%). As métricas de avaliação incluíram tanto a detecção em banda larga e estreita, o nível de ruído aplicado e o tamanho da base de dados. Para o caso dos receptores de banda estreita, os resultados do estudo indicaram que a técnica alcançou valores em torno de 95,7% e 96,0% para acurácia e precisão, respectivamente. O considerável grau de acurácia demonstrou que o uso de inteligência artificial pode ser uma abordagem para explorar a detecção de cavitação para terapias que fazem uso de ultrassom.