Banca de DEFESA: GABRIELA KAORI DIOGENES

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : GABRIELA KAORI DIOGENES
DATA : 29/01/2026
HORA: 09:00
LOCAL: Videoconferência na Plataforma Meet (meet.google.com/esm-kbvh-fxu)
TÍTULO:

Proposta e Avaliação de Métodos para a Segmentação do Tronco Encefálico e de Regiões Relacionadas ao Estadiamento da Doença de Parkinson, com base em U-Nets aplicadas a Imagens de Ressonância Magnética

PALAVRAS-CHAVES:

Doença de Parkinson, Segmentação do Tronco Encefálico, Substância Negra, U-Net, Ressonância Magnética, Diagnóstico Assistido por Computador.

PÁGINAS: 100
RESUMO:

Avanços recentes em neuroimagem identificaram biomarcadores de ressonância magnética (RM) que podem apoiar o diagnóstico e o estadiamento da doença de Parkinson (DP). Entre eles, o sinal de neuromelanina (NM) na substância negra (SN) e no locus coeruleus (LC) apresenta particular interesse. No entanto, as análises atuais dessas regiões do tronco encefálico geralmente dependem de segmentação manual e de avaliação por neurologistas e radiologistas, um processo caro e demorado. Em contraste, a análise computacional de imagens e a inteligência artificial (IA) avançaram recentemente, especialmente em imagens médicas, nas quais U-Nets alcançam desempenho de segmentação estado da arte. Ainda assim, poucos estudos aplicaram tais modelos a estruturas do tronco encefálico, levando em consideração os planos anatômicos, provavelmente devido à disponibilidade limitada de grandes conjuntos de dados segmentados por especialistas. Neste trabalho, utilizamos um conjunto de dados de imagens de RM ponderadas em T1, desenvolvido por nosso grupo, para treinar modelos U-Net para segmentação automática do tronco encefálico. Essa tarefa representa um primeiro passo crucial rumo à detecção da SN e do LC. Nosso método proposto iniciou-se com a segmentação automatizada do tronco encefálico, por meio de scripts, utilizando o pacote de software Freesurfer, seguida de validação por especialistas (neurologistas e radiologistas). Em seguida, treinamos quatro modelos e avaliamos seu desempenho usando o DSC e o IoU. Três modelos foram treinados usando fatias de planos anatômicos únicos, enquanto um utilizou fatias multicanais (multi-plano). Também empregamos busca em grade (grid search) entre otimizadores, números de filtros e taxas de aprendizado. O modelo com melhor desempenho, treinado em fatias coronais do subconjunto maior, atingiu DSC de 95.34% e IoU de 93.03%. Em seguida veio o modelo baseado em fatias axiais (DSC: 93.88%, IoU: 89.17%), seguido pelo modelo genérico (DSC: 92.42%, IoU: 87.49%). Em contraste, o modelo sagital apresentou desempenho inferior, em comparação com os demais (DSC: 87.73%, IoU: 81.87%). Esses resultados sugerem que a seleção de fatias não afeta criticamente o desempenho. Ainda assim, o modelo baseado em fatias coronais forneceu os resultados mais confiáveis para segmentação do tronco encefálico, nas condições testadas. Nossos próximos passos de pesquisa são ajustar finamente o modelo baseado em fatias axiais para as aquisições de NM, de modo que possamos segmentar apenas o mesencéfalo e, por fim, quantificar a área hiperintensa de NM. Com isso, pretendemos usar um classificador que, inicialmente, produza saídas binárias, entre o grupo DP e o grupo controle. Mais adiante, ele irá classificar entre todos os estágios da escala de estadiamento da DP. Também planejamos avaliar diferentes estratégias de limiarização (thresholding) e analisar separadamente os dois hemisférios cerebrais, com o objetivo de avançar ferramentas automáticas para a detecção de biomarcadores relacionados à DP.

MEMBROS DA BANCA:
Interno - 404943 - ADSON FERREIRA DA ROCHA
Externo à Instituição - ALEXSANDRO EURIPEDES FERREIRA - UNIFRAN
Presidente - 2343453 - CRISTIANO JACQUES MIOSSO RODRIGUES MENDES
Externo ao Programa - 1780244 - FABIANO ARAUJO SOARES - null