Banca de DEFESA: Edilaine Gonçalves Costa de Faria

ARTIFICIAL INTELLIGENCE APPLIED TO THE DIAGNOSIS OF BRAIN NEOPLASMS

Neoplasias cerebrais, Ressonância magnética, Extração de características, Classificação, Aprendizado de máquina, Aprendizado profundo, Aprendizado por transferência, Rede generativa adversária.

A avaliação médica por meio de Ressonância Magnética (RM) visa prevenir possíveis complicações causadas por neoplasias cerebrais, e esse método diagnóstico tem se tornado cada vez mais otimizado devido aos avanços tecnológicos. Portanto, com esses avanços e o objetivo de automatizar esse procedimento para auxiliar os médicos, este trabalho focou na investigação do desenvolvimento de algoritmos para auxiliar no diagnóstico de neoplasias cerebrais. Este estudo envolve o desenvolvimento de um sistema capaz de identificar, a partir de imagens de RM, três tipos diferentes de neoplasias cerebrais: meningioma, glioma e adenoma hipofisário, alcançando resultados de desempenho estatisticamente significativos. Diversas soluções baseadas em treinamento são relatadas na literatura, porém relativamente poucos estudos comparam sistematicamente seu desempenho em cenários envolvendo conjuntos de dados menores, considerando modelos de complexidade variável e diferentes técnicas de aumento de dados. Assim, este estudo investiga o desenvolvimento de um sistema de classificação de neoplasias cerebrais a partir de imagens de RM, incluindo cenários em que a quantidade de dados é menor do que a comumente relatada na literatura. As diferentes estratégias de aprendizado profundo exploradas foram: aumento de dados com modelos tradicionais e pré-treinados; extração de características seguida de classificação; e aprendizagem por transferência em cenários com dados restritos, bem como o uso de Redes Generativas Adversárias (GANs) para gerar imagens de treinamento. Os resultados obtidos foram comparáveis aos relatados na literatura. A rede treinada com dados aumentados, utilizando transformações de inversão e ruído e apenas o corte axial, desenvolvida a partir de uma arquitetura pré-treinada, alcançou uma acurácia de 88,4%, precisão de 84,3%, recall de 84,9% e F-score de 84,6%. Os modelos de aprendizagem profunda que empregam aprendizagem por transferência obtiveram resultados superiores, alcançando uma acurácia de até 96,8%; neste caso, a precisão atingiu 96,8%, o recall 94,8% e a F-score 95,6%, utilizando a DenseNet121. Consequentemente, as estratégias empregadas são eficientes para esta aplicação no auxílio ao diagnóstico de neoplasias cerebrais. Os modelos treinados com imagens geradas por uma Rede Generativa Adversária não obtiveram resultados superiores aos obtidos com imagens reais. Não obstante, os resultados foram estatisticamente significativos, indicando que tal geração de imagens sintéticas pode ser aplicada em estudos envolvendo sistemas de classificação de neoplasias cerebrais. Portanto, propõe-se, como trabalho futuro, a exploração adicional dessa abordagem na análise de imagens de ressonância magnética. Em resumo, dentre as estratégias avaliadas neste estudo, a aprendizagem por transferência mostrou-se a mais eficaz, pois sua generalização e a estabilidade dos resultados obtidos garantem um desempenho superior em todas as métricas avaliadas. Isso demonstra que tal abordagem pode extrair características relevantes mesmo em cenários de imagem restritos (utilizando apenas o corte axial). Assim, este estudo confirma a eficácia de arquiteturas avançadas de aprendizagem profunda no suporte ao diagnóstico automatizado baseado em imagens, mesmo quando se lida com conjuntos de dados limitados.