A aplicação do aprendizado profundo na identificação de lesões em ressonância nuclear magnética de pacientes com displasia cortical focal

• Ano de defesa: 2025
• Autor(a) principal: Kumer, Tatiana Von Hertwig Fernandes de Oliveira
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado profundo; Convolucional network; Deep learning; Displasia cortical focal; Focal cortical dysplasia; Neural network; Nuclear magnetic resonance; Rede convolucional; Rede neural; Ressonância nuclear magnética
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/17/17137/tde-05052025-140657/

A displasia cortical focal é uma malformação de desenvolvimento do córtex cerebral caracterizada por alterações da laminação cortical associadas ou não à presença de tipos celulares atípicos. Constitui uma causa frequente de epilepsia resistente à medicação e, nestes casos, o tratamento consiste na ressecção da lesão displásica. A identificação desta em exames de ressonância magnética nuclear, todavia, nem sempre é evidente, o que pode comprometer o prognóstico cirúrgico. Por conseguinte, o uso do aprendizado profundo como técnica adjuvante no reconhecimento de lesões pode contribuir para otimizar o tratamento destes pacientes. Os objetivos estabelecidos foram: criar uma base de dados de exames de ressonância nuclear magnética de pacientes com displasia cortical focal e desenvolver modelos de aprendizado profundo que possibilitem a identificação, de forma automatizada, destas lesões. Para este fim, foi criada uma base de dados com exames de ressonância nuclear magnética com lesões visíveis de 36 pacientes com displasia cortical focal comprovada histologicamente, de um único centro e em um período de 21 anos. Após o pré-processamento realizado para registro, correção de viés de campo e extração cerebral, os cortes axiais das imagens ponderadas em T1 foram divididas em recortes para treinar e testar três redes neurais desenvolvidas para a classificação das imagens em lesionais ou não lesionais. A primeira rede neural convolucional demonstrou acurácia de 24.9%, especificidade de 23.2% e sensibilidade de 83.3%, porém com precisão de 3,0% e escore-F1 de 5,8%. A segunda rede neural, baseada na rede VGG16, quando treinada com os dados balanceados pelo peso das classes, apresentou acurácia de 61,9%, especificidade de 62.0% e sensibilidade de 57,1%, porém com precisão de 3,7% e escore-F1 de 6,9%. Quando treinada com os dados balanceados pela técnica SMOTE, foram constatadas acurácia de 87,7%, especificidade de 89,4% e sensibilidade de 19.0%, porém com precisão de 4,3% e escore-F1 de 7,1%. Por sua vez, a rede neural baseada na rede ResNet-152 V2, quando treinada com os dados balanceados pelo peso das classes, apresentou acurácia de 63,4%, especificidade de 63,9% e sensibilidade de 46,2%, porém com precisão de 3,1% e escore-F1 de 5,9%. Quando treinada com os dados balanceados pela técnica SMOTE, foram constatadas acurácia de 82,3%, especificidade de 84.0% e sensibilidade de 18,2%, porém com precisão de 2,8% e escore-F1 de 4,8%. Portanto, nenhuma das redes implementadas foi capaz de aprender com exatidão as características mais relevantes de uma lesão associada a displasia cortical e classificar as imagens em lesional ou não lesional de forma eficaz. Estes achados estão provavelmente relacionados ao número limitado de pacientes, com consequente desbalanceamento das classes, e ao uso de imagens de ressonância nuclear magnética ponderadas apenas em T1. Logo, a criação de bases de dados públicas que permitam o aumento do tamanho da amostra e a colaboração entre múltiplos centros poderiam contribuir significativamente para o avanço desta área.