| Resumo: | Metástases cerebrais são uma complicação frequente em pacientes oncológicos, especialmente após tratamentos que induzem a remissão de cânceres primários, como os de pulmão
e mama. Em tais casos, mesmo após a remissão do tumor original, ´e comum o surgimento
de metástases no cérebro. O tratamento dessas metástases se estende por meses, exigindo
um monitoramento contínuo para detectar novas lesões, avaliar o controle das existentes e
identificar mudanças em seu tamanho. Atualmente, essa avaliação é feita manualmente por
m´médicos, que analisam corte a corte várias imagens de ressonância magnética. Este processo
´e complexo e suscetível a erros, dada a necessidade de identificar precisamente as metástases
em m´múltiplas imagens.
Diante disso, este trabalho propõe o desenvolvimento de um sistema de detecção automática de metástases cerebrais em imagens de ressonância magnética, visando aumentar
a precisão e reduzir a manualidade dos profissionais de saúde. A pesquisa se concentra
em explorar e aplicar t´técnicas avançadas de processamento de imagens e aprendizado de
m´máquina, incluindo o uso de Redes Neurais Convolucionais (CNNs) e modelos pré-treinados
como o VGG16. O sistema ´e baseado na classificação de metástases em várias janelas de
uma imagem, permitindo uma análise mais detalhada e precisa. O objetivo ´e criar um
sistema que identifique automaticamente a presença, localização e alterações no tamanho
das metástases cerebrais. O estudo utiliza uma base de dados específica de imagens de
ressonância magnética de pacientes com metástases cerebrais para desenvolver e testar o
modelo.
Ao longo deste projeto, foram exploradas diversas configurações de redes neurais, testando diferentes tamanhos de janelas e comparando dados balanceados e não balanceados.
O modelo que utilizou janelas de 90x90 pixels em dados não balanceados foi o mais eficaz
devido a sua capacidade superior em familiarizar-se com as características das imagens sem
metástases, o que se traduziu em uma classificação mais precisa e menos falsos positivos,
alcançando uma acurácia de teste de 92,67% e uma precisão de 99,35%. Em contraste,
o mesmo modelo em configuração balanceada apresentou uma acurácia de 94,70% e uma
precisão de 97,78%. Além disso, a incorporação de uma camada de decisão baseada em
análise multivariada das fatias aumentou significativamente a precisão e reduziu os falsos
positivos, demonstrando a importância de considerar informações de m´múltiplos cortes para
uma classificação mais confiável.
Estes resultados ressaltam os progressos significativos obtidos através das configurações
de dados balanceados e não balanceados, bem como do emprego estratégico de m´múltiplos
cortes, que são cruciais para aprimorar tanto a precisão quanto a confiabilidade do sistema
de diagnóstico automatizado. Com esta abordagem, é possível monitorar efetivamente os
pacientes, observando mudanças no tamanho das metástases e determinando se surgem novos tumores, o que fornece informações para a continuidade do tratamento. Olhando para o
futuro, a exploração de t´técnicas avançadas, como o uso de redes U-Net, especialmente projetadas para a segmentação de tecidos em imagens médicas, pode aprofundar a compreensão
da estrutura espacial das metástases e melhorar a precisão na identificação das áreas afetadas. Adicionalmente, expandir as classes de anotação para incluir diferentes tipos de tecidos
associados `as metástases, tais como áreas de necrose ou edema, poderia enriquecer significativamente o diagnóstico, aumentando a utilidade das análises para os profissionais de saúde
e melhorando a precisão no monitoramento e planejamento do tratamento de pacientes com
metástases cerebrais. |
