Análise Computacional de Imagens de Ressonância Magnética Ginecológica para Detecção Automática de Adenomiose

Início: 2021

Resumo:

A adenomiose é uma doença ginecológica benigna, caracterizada pela presença de glândulas endometriais e estroma dentro do miométrio. Está associada a uma ampla variedade de sintomas, que muitas vezes estão relacionados a um impacto substancial na qualidade de vida das mulheres, além de infertilidade e intercorrências obstétricas. Na última década, as tecnologias de imagem tornaram-se amplamente disponíveis. A Ressonância Magnética é uma técnica precisa e não invasiva para o diagnóstico de adenomiose, no entanto, muitas vezes desafiadora devido a algumas “armadilhas da imagem”. Nesse contexto, informações contidas dentro das imagens radiológicas vem sendo utilizadas em vários métodos computacionais, para diversas finalidades e doenças. O projeto aqui proposto tem como objetivo utilizar imagens de ressonância magnética para detectar focos de adenomiose no útero. Para isso, técnicas de aprendizagem profunda (Deep Learning), que é uma subárea da inteligência artificial, serão aplicadas para detectar, segmentar e classificar o útero entre doente ou saudável e, na etapa final, detectar (isto é, reconhecer e localizar) os focos de adenomiose. Dessa forma espera-se obter um pipeline computacional que auxilie os especialistas na detecção de tal doença os orientando em suas condutas, principalmente para os casos de difícil percepção na inspeção visual humana, o que . Além disso, como objetivos secundários, com os equipamentos adquiridos, queremos transformar o laboratório do departamento em uma referência na análise de imagens médicas por visão computacional, podendo ser usado também por alunos, professores e outros grupos de pesquisa, até mesmo fora da instituição. Por fim, com os resultados obtidos na avaliação da metodologia proposta, publicar artigos em periódicos nacionais e internacionais, e em eventos na área.

Equipe: 

Lincoln Faria da Silva (coordenador), Carlos Augusto Moreira de Sousa, Marco Aurélio Pinho de Oliveira, Mario João Junior, Daniel Brasil Floriano, Cristina Asvolinsque Pantaleão Fontes (UFF), Ana Paula Miranda Rosati Rocha (UFF), Salete de Jesus Fonseca Rego (UFF), Deborah Monteiro Soares (DASA)