Estudo e implementação de arquiteturas de aprendizado profundo para segmentação de imagens de ressonância magnética em neurologia vascular (2025)
- Authors:
- Autor USP: ALMEIDA, VINICIUS AUGUSTO DARÉ DE - EESC
- Unidade: EESC
- Sigla do Departamento: SEL
- DOI: 10.11606/T.18.2025.tde-30092025-110906
- Subjects: APRENDIZAGEM PROFUNDA; RESSONÂNCIA MAGNÉTICA; ACIDENTE VASCULAR CEREBRAL; ARQUITETURA E ORGANIZAÇÃO DE COMPUTADORES
- Language: Português
- Abstract: A análise e interpretação de imagens médicas, provenientes de Tomografia Computadorizada (TC) ou Ressonância Magnética (RM), permitem o diagnóstico e, consequentemente, o tratamento precoce e mais adequado do paciente com Acidente Vascular Cerebral (AVC). Grandes avanços na área de Inteligência Artificial (IA), com a utilização de diversos métodos computacionais, como o Deep Learning (DL) e suas arquiteturas, podem contribuir na tomada de decisão aplicada à neurologia vascular. Contudo, existem grandes desafios na segmentação automática de lesões de AVC, principalmente na questão de qual arquitetura computacional deverá ser utilizada para se obter os melhores resultados. Assim, este trabalho foi estruturado em duas frentes complementares. Na primeira, realizou-se uma busca, seguindo a diretriz PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), no período de 2020 a 2024, a qual identificou a U-Net e suas variantes como a arquitetura predominante, compreendendo 68,96% dos estudos relevantes. Com base nesta primeira, a segunda fase da pesquisa objetivou a implementação de arquiteturas de DL em um dataset público. Foram desenvolvidas e analisadas duas abordagens: uma U-Net 3D enxuta, otimizada para baixo custo computacional, e uma arquitetura combinada ResNet e U-Net, que incorpora blocos residuais para aprimorar o fluxo de gradientes. Os resultados demonstraram a viabilidade das abordagens, com um pipeline completo, transparente e reprodutível, porém com outputs modestos frente aos benchmarks do estado da arte, mas promissores quando considerados os requisitos mínimos de hardware e o baixo número de épocas de treinamento. Apesar dessas limitações, a principal contribuição deste estudo reside na análise comparativa que contextualiza o desempenho de arquiteturas otimizadas para ambientes com recursos computacionais limitados, oferecendo um alicerce sólido para futuras pesquisas e para o desenvolvimentode ferramentas de diagnóstico auxiliado por computador na neurologia vascular
- Imprenta:
- Publisher place: São Carlos
- Date published: 2025
- Data da defesa: 29.08.2025
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
ALMEIDA, Vinicius Augusto Daré de. Estudo e implementação de arquiteturas de aprendizado profundo para segmentação de imagens de ressonância magnética em neurologia vascular. 2025. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-30092025-110906/. Acesso em: 22 jan. 2026. -
APA
Almeida, V. A. D. de. (2025). Estudo e implementação de arquiteturas de aprendizado profundo para segmentação de imagens de ressonância magnética em neurologia vascular (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/18/18153/tde-30092025-110906/ -
NLM
Almeida VAD de. Estudo e implementação de arquiteturas de aprendizado profundo para segmentação de imagens de ressonância magnética em neurologia vascular [Internet]. 2025 ;[citado 2026 jan. 22 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-30092025-110906/ -
Vancouver
Almeida VAD de. Estudo e implementação de arquiteturas de aprendizado profundo para segmentação de imagens de ressonância magnética em neurologia vascular [Internet]. 2025 ;[citado 2026 jan. 22 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-30092025-110906/
Informações sobre o DOI: 10.11606/T.18.2025.tde-30092025-110906 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
