Segmentação Automática de Infarto Cerebral Isquêmico em Tomografia Computadorizada Não Contrastada Utilizando Deep Learning para Apoio ao Diagnóstico Clínico de AVC (2025)
- Authors:
- Autor USP: MELO, DANIEL HARDY - ICMC
- Unidade: ICMC
- Subjects: APRENDIZADO COMPUTACIONAL; ACIDENTE VASCULAR CEREBRAL; TOMOGRAFIA COMPUTADORIZADA DE EMISSÃO; REDES NEURAIS
- Language: Português
- Abstract: Recentes avanços no desenvolvimento de metodologias de deep learning têm demonstrado ser ferramentas promissoras para otimizar a avaliação de imagens médicas, visando auxiliar os profissionais na tomada de decisão, O presente estudo foi projetado para avaliar modelos de aprendizado profundo adaptados para as tarefas de segmentação e classificação relativas a imagens de tomografia computadorizada sem contraste, com ênfase na identificação e localização de lesões cerebrais isquêmicas causados por acidente vascular cerebral. Para alcançar este objetivo, uma seleção de sete arquiteturas contemporâneas de redes neurais profundas foi feita após uma revisão da literatura e adaptadas às limitações dos recursos computacionais. Estas incluem: U-Net, U-Net++, R2U-Net, V-Net, Attention U-Net, Swin UNet e ResUnet-a, cada uma com características únicas na realização da tarefa proposta. A implementação de cada um desses modelos foi executada utilizando bibliotecas de código aberto, e eles foram posteriormente treinados em um conjunto de dados rotulado meticulosamente selecionado, que consistia em imagens tomografia computadorizada sem contraste originais que exibiam uma variedade de características morfológicas representativas das lesões isquêmicas encontradas em cenários clínicos habituais. A estrutura metodológica empregada nesta investigação abrangeu várias etapas críticas, incluindo o pré-processamento abrangente das imagens, definição precisa do pipeline analítico, ajuste de hiperparâmetros e a avaliação sistemática do desempenho utilizando um conjunto de métricas de segmentação padronizadas que incluem, mas não estão limitadas ao coeficiente de Dice, interseção sobre união, precisão, sensibilidade, especificidade, F1-Score, área sob a curva (AUC) e precisão média (AP). Os resultados do estudo revelaram que todas as arquiteturas escolhidas demonstraram a capacidade de executar a tarefa de segmentaçãocom um grau satisfatório de eficácia, ao mesmo tempo em que exibem diversos níveis de eficácia de desempenho entre elas. A arquitetura V-Net mostrou-se como a mais eficaz em avaliações clínicas, atingindo uma pontuação de coeficiente Dice de 0,6897 e uma precisão média de 0,7502, com as estruturas ResUnet-a e R2U-Net acompanhando de perto em termos de desempenho, ambas demonstrando eficácia notável. A classificação do ponto de vista da competência na aplicação clínica desses modelos foi formulada, concentrando-se nas métricas mais relevantes que têm importância substancial na prática médica, priorizando assim os modelos que exibiram habilidades aprimoradas na identificação das regiões afetadas e, ao mesmo tempo, reduzindo a incidência de falsos negativos. Em resumo, este estudo sugere que a implantação de redes neurais profundas para a segmentação do AVC isquêmico em imagens de tomografia computadorizada sem contraste é tecnicamente viável e possui o potencial de fornecer assistência substancial nos processos de tomada de decisão clínica, especialmente em ambientes de urgênciae emergência. Além disso, o estudo destacou a importância de escolher arquiteturas adequadas e modelos de ajuste fino como componentes fundamentais para alcançar resultados confiáveis dentro da estrutura de ambientes médicos.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2025
-
ABNT
MELO, Daniel Hardy. Segmentação Automática de Infarto Cerebral Isquêmico em Tomografia Computadorizada Não Contrastada Utilizando Deep Learning para Apoio ao Diagnóstico Clínico de AVC. 2025. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2025. Disponível em: https://bdta.abcd.usp.br/directbitstream/2c7156d0-a62c-4740-b63f-818b6be6bcc8/Daniel_Hardy_Melo_TCC_2025.pdf. Acesso em: 13 mar. 2026. -
APA
Melo, D. H. (2025). Segmentação Automática de Infarto Cerebral Isquêmico em Tomografia Computadorizada Não Contrastada Utilizando Deep Learning para Apoio ao Diagnóstico Clínico de AVC (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/2c7156d0-a62c-4740-b63f-818b6be6bcc8/Daniel_Hardy_Melo_TCC_2025.pdf -
NLM
Melo DH. Segmentação Automática de Infarto Cerebral Isquêmico em Tomografia Computadorizada Não Contrastada Utilizando Deep Learning para Apoio ao Diagnóstico Clínico de AVC [Internet]. 2025 ;[citado 2026 mar. 13 ] Available from: https://bdta.abcd.usp.br/directbitstream/2c7156d0-a62c-4740-b63f-818b6be6bcc8/Daniel_Hardy_Melo_TCC_2025.pdf -
Vancouver
Melo DH. Segmentação Automática de Infarto Cerebral Isquêmico em Tomografia Computadorizada Não Contrastada Utilizando Deep Learning para Apoio ao Diagnóstico Clínico de AVC [Internet]. 2025 ;[citado 2026 mar. 13 ] Available from: https://bdta.abcd.usp.br/directbitstream/2c7156d0-a62c-4740-b63f-818b6be6bcc8/Daniel_Hardy_Melo_TCC_2025.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Daniel_Hardy_Melo_TCC_202... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
