Deep learning para identificação e classificação de displasia cortical focal em imagens de ressonância magnética

• Ano de defesa: 2025
• Autor(a) principal: Jacobi, Eduardo Bacelar
• Orientador(a): Bianchin, Marino Muxfeldt
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Displasia cortical focal; Imageamento por ressonância magnética; Aprendizado profundo; Epilepsia; Diagnóstico por imagem; Classificação
• Palavras-chave em Inglês: Focal cortical dysplasia; Magnetic resonance imaging; Deep learning; U-Net; Drug-resistant epilepsy
• Link de acesso: http://hdl.handle.net/10183/310664

Base teórica: A Displasia Cortical Focal (DCF) é causa relevante de epilepsia farmacorresistente; na Ressonância Magnética (RM), seus marcadores clássicos (espessamento cortical, borramento da massa cinzenta/branca, hiperintensidade subcortical em Fluid-Attenuated Inversion Recovery - FLAIR, sinal transmantle) podem ser sutis ou ausentes à leitura de rotina, o que tem motiva o uso de pós-processamentos e, mais recentemente, o do Aprendizado Profundo e das Redes Neurais Convolucionais para detecção e segmentação. Objetivo: Desenvolver e avaliar um modelo baseado em Rede Neural Convolucional (CNN) para identificar e classificar DCF em imagens de RM, com aplicação assistiva. Métodos: A coorte institucional foi composta por exames de ressonância magnética de 100 pacientes do Hospital de Clínicas de Porto Alegre, sendo 50 controles e 50 casos com suspeita de Displasia Cortical Focal (DCF) descrita em laudo clínico-radiológico. Utilizaram-se as sequências T1, T2 e FLAIR. Antes do treinamento, os exames foram padronizados para reduzir variações técnicas e permitir comparação entre pacientes e modalidades, incluindo conversão do formato DICOM para NIfTI, correções de orientação e qualidade de imagem, alinhamento entre as sequências, remoção do crânio, normalização das intensidades e padronização da resolução espacial. A avaliação foi feita separando pacientes em conjuntos de treino, validação e teste, além de validação cruzada para estimar o desempenho com maior robustez. O modelo principal foi uma U-Net 2D, aplicada fatia a fatia em cortes axiais (256×256), produzindo mapas de probabilidade que posteriormente foram reunidos por paciente. Como não havia contorno exato da lesão, a referência espacial foi derivada do laudo e convertida para regiões anatômicas de um atlas, permitindo uma avaliação regional. Para contextualizar os resultados, foram implementados dois comparadores clássicos não baseados em aprendizado profundo: um método morfométrico inspirado no MAP e um baseline de radiômica com classificador regularizado, ambos avaliados sob o mesmo protocolo. As métricas de desempenho foram definidas previamente com foco em utilidade como segunda leitura assistiva. Resultados: Na validação cruzada (outer 5-fold), o método baseado em CNN alcançou detecção por paciente de 54% (IC 95% 41–66). No nível regional, a sensibilidade foi 0,38 (0,27–0,50), com volume mediano de falso-positivo de 6,4 cm³ (4,6–8,7) por cérebro. Em revisão qualitativa cega, os mapas de probabilidade foram julgados plausíveis ou úteis em 36% da amostra. Conclusão: Os modelos não atingiram os limiares assistivos nas tarefas binária e multiclasse, o que refuta as hipóteses nas condições avaliadas. Os achados evidenciam limitações estruturais do conjunto de dados e do rótulo de referência e, ao mesmo tempo, estabelecem um pipeline replicável que pode orientar estudos futuros a alcançar semelhantes resultados.