Identifica??o de acidente vascular cerebral isqu?mico por imagens de tomografia computadorizada

• Ano de defesa: 2024
• Autor(a) principal: Nogueira, Brenda Jennifer Sousa
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Tomografia computadorizada; Acidente vascular cerebral isqu?mico; Redes neurais artificiais; Descritores Haralick; Intelig?ncia artificial
• Link de acesso: http://repositorio.ifpb.edu.br/jspui/handle/177683/4217

O Acidente Vascular Cerebral, (AVC) ? uma das doen?as que causa mais mortes e incapacidades f?sicas no mundo. Por ser uma doen?a neurol?gica cada vez mais comum, por esse motivo cada vez mais pesquisadores se disp?em a encontrar um meio de acelerar o diagn?stico para evitar maiores sequelas. O m?todo mais comum para a identifica??o do AVC, ? o exame de Tomografia Computadorizada (TC), pois possui baixo custo e disponibilidade no mercado. O presente estudo desenvolve uma metodologia para an?lise e classifica??o de AVC isqu?mico (AVCi), utilizando t?cnicas de aprendizado profundo de m?quina (Deep Learning), que s?o redes s?o projetadas para aprender representa??es hier?rquicas e complexas de dados, permitindo a identifica??o de padr?es e caracter?sticas a partir de entradas como imagens, textos, sons ou sinais. O diferencial do aprendizado profundo est? na capacidade de extrair automaticamente caracter?sticas relevantes dos dados, eliminando, em grande parte, a necessidade de interven??o humana no pr?-processamento (ROSA; CLAUS; PAULA, 2024). Redes profundas, como as Convolutional neural network (CNNs), t?m mostrado resultados impressionantes em tarefas como reconhecimento de fala, vis?o computacional, tradu??o autom?tica e diagn?sticos m?dicos. Esses modelos aprendem por meio de grandes volumes de dados e otimiza??o baseada em retropropaga??o de erros (backpropagation), e t?cnicas como normaliza??o, regulariza??o e uso de grandes bases de dados anotadas. Embora poderoso devido a sua arquitetura projetada para processar dados estruturados em grades, como imagens, v?deos e sinais. O aprendizado profundo enfrenta desafios como alto custo computacional, necessidade de grandes volumes de dados e dificuldade de interpretabilidade, exigindo abordagens cuidadosas para garantir sua efic?cia e aplica??o ?tica. Neste trabalho destacam-se as redes neurais MLP (Multi-Layer Perceptron) e Xception, que s?o redes consolidadas. A primeira abordagem baseada em descritores de Haralick associados ? rede MLP, os melhores resultados foram obtidos com a inclus?o de metadados, como sexo e idade, e utilizando uma matriz de coocorr?ncia com dist?ncia de 8 pixels. Essa configura??o alcan?ou uma acur?cia de 73,42% ,sensibilidade de 74,86%, Precis?o de 72,83%, demonstrando a relev?ncia da integra??o de informa??es cl?nicas. Por outro lado, Com a segunda abordagem com Xception apresentou desempenho superior, atingindo uma acur?cia de 80,40%, precis?o de 85,11% e sensibilidade de 74,10%, Foi observado algumas dificuldades persistiram na identifica??o das fases iniciais do AVCi, particularmente em pacientes idosos e do sexo feminino, devido a caracter?sticas fisiol?gicas, como maior presen?a de massa cinzenta.