Aplicação de algoritmo de machine learning para a segmentação automática de imagens médicas com deep learning por meio da técnica de federated learning

• Ano de defesa: 2025
• Autor(a) principal: Melo, Luciana Silva Albuquerque de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: aprendizado federado; artificial intelligence in healthcare; automatic prostate segmentation; federated learning; inteligência artificial na saúde; segmentação automática da próstata
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/85/85131/tde-23022026-105752/

A inteligência artificial (IA) e a ciência de dados têm apresentado avanços expressivos na área da saúde, impactando significativamente o diagnóstico e tratamento de doenças. No entanto, a aplicação de IA na medicina enfrenta desafios, como a necessidade de grandes volumes de dados e a preservação da privacidade dos pacientes. Este trabalho apresenta o desenvolvimento de um algoritmo de machine learning para a segmentação automática da próstata em imagens de ressonância magnética, utilizando a arquitetura U-Net e técnicas de deep learning aliadas ao aprendizado federado (federated learning). Foram empregadas três bases de dados públicas PROMISE12, Medical Segmentation Decathlon (Task 05: Prostate) e PI-CAI - que proporcionaram um conjunto diversificado de imagens para o treinamento e a validação do modelo. O treinamento foi realizado inicialmente em um ambiente centralizado, seguido pela simulação de um cenário federado com uso do framework Flower. Os resultados obtidos demonstram que o aprendizado federado foi capaz de atingir desempenho comparável ao modelo centralizado, com métricas relevantes como Dice Score e Coeficiente de Jaccard. Os achados desta pesquisa indicam que a abordagem proposta é promissora para aplicações clínicas, especialmente em contextos que exigem a preservação da privacidade e a descentralização dos dados.