Banca de DEFESA: Caio Athayde Neves

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : Caio Athayde Neves
DATA : 30/06/2023
HORA: 14:00
LOCAL: Plataforma Teams
TÍTULO:

Aplicação de algoritmos de aprendizado profundo na avaliação pré-operatória de cirurgia otológica por exames de imagem

PALAVRAS-CHAVES:

Procedimentos cirúrgicos otorrinolaringológicos; Tomografia computadorizada; Aprendizado profundo; osso temporal; Modelos cirúrgicos

PÁGINAS: 39
RESUMO:

A cirurgia otológica desempenha um papel crucial no tratamento de perda auditiva, infecções e tumores da base do crânio lateral. A segmentação precisa das estruturas otológicas a partir de tomografias computadorizadas (TC) pode melhorar significativamente o planejamento cirúrgico e a orientação intraoperatória. Este manuscrito apresenta dois experimentos que utilizam algoritmos de aprendizado profundo para segmentação automática das principais estruturas do osso temporal em TCs.

No primeiro experimento, três modelos de redes neurais convolucionais (CNN) (AH-Net, U-Net, ResNet) foram comparados usando 150 TCs segmentadas manualmente. O desempenho dos modelos foi avaliado com base no coeficiente de Dice, distância de Hausdorff e velocidade de segmentação para orelha interna, ossículos, nervo facial e seio sigmoide. O AH-Net obteve os melhores resultados, com coeficientes de Dice de 0,91, 0,85, 0,75 e 0,86 para as respectivas estruturas. O pipeline de segmentação automática demonstrou boa correlação com a segmentação manual realizada por um especialista, abrindo possibilidades para aplicações de realidade aumentada, simulação e automação em procedimentos otológicos.

No segundo experimento, um algoritmo de aprendizado profundo de última geração (Swin UNETR) foi usado para construir um modelo de previsão para segmentação rápida de nove estruturas-chave do osso temporal em 325 TCs clínicas. O modelo alcançou altos coeficientes de Dice, Acurácia Balanceada, Similaridade de Volume, Distância Média Simétrica da Superfície e Distância de Hausdorff no 95º percentil, com um tempo médio de processamento de 9,1 segundos por estudo. Este modelo robusto oferece valiosos novos conjuntos de dados para o planejamento cirúrgico otológico e navegação.

Em conclusão, a aplicação de algoritmos de aprendizado profundo neste projeto demonstra o potencial para melhorar a avaliação pré-operatória e a orientação intraoperatória em cirurgia

otológica por meio da segmentação automática das estruturas otológicas a partir de TCs do osso temporal.

 

MEMBROS DA BANCA:
Presidente - 2292514 - IRUENA MORAES KESSLER
Interno - 3217424 - ANDRE LUIZ LOPES SAMPAIO
Externo à Instituição - HENRIQUE FERNANDES DE OLIVEIRA - HRT
Externo à Instituição - LUCIANA MIWA NITA WATANABE - UNICAMP
Externo à Instituição - MARCIO NAKANISHI - UnB