Visão computacional aplicada a exames de imagens para diagnósticos de patologias na coluna vertebral

• Ano de defesa: 2025
• Autor(a) principal: Oliveira, Fabio Rodrigo Fernandes de
• Orientador(a): Pinto, Luiz Alberto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Serra
• Palavras-chave em Português: Inteligência artificial; YOLOv11x; Deep learning; Ressonância magnética; Coluna vertebral - Diagnóstico; Diagnóstico Assistido por Computador (CAD); Visão por computador
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/7059

RESUMO: A aplicação da Inteligência Artificial (IA) como assistente no diagnóstico por imagem, conhecida como Diagnóstico Assistido por Computador (CAD), tem demonstrado notável eficácia. As técnicas de Deep Learning oferecem vantagens significativas no campo médico, como a capacidade de processar vastos volumes de dados clínicos, mitigar o viés humano e acelerar a análise de exames, promovendo diagnósticos mais rápidos, seguros e, potencialmente, atuando como uma segunda opinião especializada. Dentre as arquiteturas de Visão Computacional, a You Only Look Once (YOLO) destaca-se por sua eficiência no processamento de imagens em uma única passagem, otimizando o tempo de detecção e classificação e reduzindo o custo computacional. Este trabalho explora a aplicabilidade da mais recente arquitetura YOLOv11x em três frentes principais no diagnóstico de patologias da coluna vertebral: (i) classificação de patologias em exames de Ressonância Magnética (RM) e Tomografia Computadorizada (TC); (ii) detecção e classificação de patologias e achados clínicos em exames de Raios-X (RX); e (iii) detecção, classificação e segmentação dos corpos vertebrais da coluna lombar em exames de RM. Para isso, foram empregados quatro conjuntos de dados distintos. Os resultados obtidos demonstram a robustez da YOLOv11x. Para a classificação geral de patologias em RM e TC (conjunto de dados RadImageNet), o modelo alcançou uma Accuracy Top-1 de 53% e uma Accuracy Top-5 de 96%. Na detecção e classificação em RX (conjunto de dados SpineXR), o modelo obteve uma precisão geral de 97,3%, sensibilidade de 83,8% e F1-score de 98%, com uma mAP@50 de 90,2%. Um dos pontos centrais da pesquisa foi a classificação de fraturas na base de dados HSC, onde o modelo demonstrou alta confiabilidade, atingindo uma Precisão geral de 0,984 e uma Sensibilidade geral de 0,978. Além disso, as curvas ROC confirmaram a excelente capacidade discriminativa do modelo para todas as classes no HSC, com valores de AUC variando de 0,99 a 1,00. Na tarefa mais complexa de detecção, classificação e segmentação das vértebras lombares em RM (conjunto de dados Lumbar), a rede simplificou a implementação e reduziu o custo computacional. Utilizando 1.116 imagens, a etapa de detecção alcançou um mAP@50 de 98,9% e mAP@50–95 de 88,6%, com sensibilidade e precisão superiores a 97%. Para a marcação de caixas delimitadoras, os resultados foram um mAP@50 de 97,8% e mAP@50–95 de 88,2%, com sensibilidade de 97,1% e precisão de 94,8%. Na segmentação semântica, o modelo obteve um mAP@50 de 97,8% e mAP@50–95 de 85,6%, com sensibilidade de 97,1% e precisão de 94,8%. Esses resultados confirmam a eficácia da YOLOv11x como uma solução unificada para múltiplas tarefas diagnósticas, demonstrando seu potencial como ferramenta de suporte para profissionais médicos em radiologia e avaliação espinhal.