Deep learning e representações intermediárias para análise de imagens pediátricas

Resumo

As imagens médicas requerem o desenvolvimento de métodos para melhorar a precisão nos resultados da análise de imagens. Os avanços na análise de imagens médicas fornecem tais ferramentas, mas ainda há uma lacuna importante em relação à imagem cerebral pediátrica, embora haja uma demanda médica crescente. Este projeto visa contribuir para preencher essa lacuna, com foco na Ressonância Magnética cerebral (RM) de bebês, recém-nascidos e bebês prematuros, que levantam questões específicas devido ao contraste particular de matéria cinzenta/branca relacionada ao processo de mielinização fisiológica, à evolução muito rápida, mas não continuamente observada das estruturas cerebrais e possíveis patologias, bem como à alta variabilidade intra e inter-sujeita. Uma dessas questões é que os dados são tipicamente ruidosos, ambíguos, escassos e esparsos no tempo. Por sua vez, o conhecimento médico especializado está disponível, mas é propenso a mudanças e evolução. Deste ponto de vista, o projeto aborda uma das questões de ponta na análise de dados, ou seja, como extrair e entender padrões significativos onde os dados são escassos, mas o conhecimento especializado, continuamente enriquecido, está disponível. Propomos desenvolver representações estruturais de conhecimento e informações de imagens na forma de grafos e hipergrafos, que serão exploradas para orientar a compreensão de imagens espaço-temporais (segmentação, reconhecimento, quantificação, comparação ao longo do tempo, descrição do conteúdo de imagem e evolução). Tais técnicas serão complementadas por abordagens de deep learning para processamento das imagens 2D ou 3D. O objetivo do projeto é desenvolver métodos computacionais para apoiar o diagnóstico, análise patológica e acompanhamento dos pacientes. (AU)