Estudo de modelos de aprendizado de máquina para caracterização de textura de corpos vertebrais em exames de ressonância magnética e correlação com fragilidade óssea (2025)
- Authors:
- Autor USP: RICOBONI, LAURA TERESA - Interunidades em Bioengenharia
- Unidade: Interunidades em Bioengenharia
- Sigla do Departamento: Programa Interunidades em Bioengenharia: EESC/FMRP/IQSC-USP
- DOI: 10.11606/D.82.2025.tde-16012026-171719
- Subjects: APRENDIZADO COMPUTACIONAL; RESSONÂNCIA MAGNÉTICA; OSTEOGÊNESE IMPERFEITA; OSTEOPOROSE
- Agências de fomento:
- Language: Português
- Abstract: A osteoporose é uma doença osteometabólica crônica caracterizada pela redução da densidade mineral óssea (DMO) e aumento do risco de fraturas. Definições recentes introduzem o conceito de qualidade óssea, que descreve aspectos estruturais e composicionais responsáveis pela resistência do esqueleto. A técnica de absorciometria por dupla energia (Dual-energy X-ray Absorptiometry - DXA) é o exame padrão-ouro para diagnóstico da osteoporose. Porém, apresenta limitação na predição de fraturas. Este estudo teve como objetivo investigar modelos de aprendizado de máquina aplicados a imagens de ressonância magnética (RM) para identificar padrões quantitativos associados à fragilidade óssea, buscando complementar o diagnóstico convencional. Foram extraídos atributos radiômicos de corpos vertebrais íntegros em imagens ponderadas em T1 e T2, posteriormente concatenados em vetores de atributos, para representar de forma mais abrangente a composição do tecido ósseo. Diferentes classificadores foram avaliados, incluindo Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Multi-Layer Perceptron (MLP), Extreme Gradient Boosting (XGBoost) e Light Gradient Boosting Machine (LightGBM). Os resultados mostraram que o desempenho dos modelos foi fortemente influenciado pela etapa de seleção de atributos. O modelo SVM, especialmente após a aplicação de feature selection baseada em Random Forest, apresentou o melhor desempenho, com acurácia de 91% e áreas sob a curva ROC de 1,00 (normal), 0,97 (sem fragilidade) e 0,95 (com fragilidade). Entre os atributos mais relevantes destacaram-se medidas morfológicas (sphericity, surface volume ratio, flatness) e descritores de textura (GLCM_Correlation, GLRLM_GrayLevelNonUniformity, GLSZM_GrayLevelNonUniformityNormalized), indicando que alterações estruturais e microtexturais, especialmente visíveis em T2, podem estar associadas à fragilidade óssea. Esses achados reforçam a hipótese de que aRM contém informações clínicas úteis, capazes de atuar como biomarcadores não invasivos para detecção precoce de indivíduos com esqueleto fragilizado, mesmo antes da ocorrência de fraturas. Além disso, demonstram que algoritmos como o SVM são mais eficazes em cenários com amostras limitadas e dados de alta dimensionalidade do que métodos de boosting, que exigem grandes volumes de dados para generalização. Apesar das limitações mapeadas, os resultados sugerem que a análise quantitativa de imagens de RM, combinada a técnicas de aprendizado de máquina e seleção de atributos, pode oferecer suporte adicional à identificação de padrões de fragilidade óssea, indo além da capacidade preditiva da densitometria tradicional. Futuras pesquisas devem ampliar o número de amostras, integrar dados clínicos e densitométricos e explorar o uso de outras tecnologias para extração automática de atributos, consolidando o potencial da RM como ferramenta complementar no diagnóstico e manejo da osteoporose
- Imprenta:
- Publisher place: São Carlos
- Date published: 2025
- Data da defesa: 29.10.2025
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
RICOBONI, Laura Teresa. Estudo de modelos de aprendizado de máquina para caracterização de textura de corpos vertebrais em exames de ressonância magnética e correlação com fragilidade óssea. 2025. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/82/82131/tde-16012026-171719/. Acesso em: 24 jan. 2026. -
APA
Ricoboni, L. T. (2025). Estudo de modelos de aprendizado de máquina para caracterização de textura de corpos vertebrais em exames de ressonância magnética e correlação com fragilidade óssea (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/82/82131/tde-16012026-171719/ -
NLM
Ricoboni LT. Estudo de modelos de aprendizado de máquina para caracterização de textura de corpos vertebrais em exames de ressonância magnética e correlação com fragilidade óssea [Internet]. 2025 ;[citado 2026 jan. 24 ] Available from: https://www.teses.usp.br/teses/disponiveis/82/82131/tde-16012026-171719/ -
Vancouver
Ricoboni LT. Estudo de modelos de aprendizado de máquina para caracterização de textura de corpos vertebrais em exames de ressonância magnética e correlação com fragilidade óssea [Internet]. 2025 ;[citado 2026 jan. 24 ] Available from: https://www.teses.usp.br/teses/disponiveis/82/82131/tde-16012026-171719/
Informações sobre o DOI: 10.11606/D.82.2025.tde-16012026-171719 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
