Busca avançada
Ano de início
Entree

Visão computacional e reconhecimento de padrão para identificação de biomarcadores radiômicos

Processo: 18/07765-6
Linha de fomento:Auxílio à Pesquisa - Pesquisador Visitante - Internacional
Vigência: 05 de setembro de 2018 - 23 de setembro de 2018
Área do conhecimento:Engenharias - Engenharia Biomédica
Pesquisador responsável:Paulo Mazzoncini de Azevedo Marques
Beneficiário:Paulo Mazzoncini de Azevedo Marques
Pesquisador visitante: Rangaraj Mandayam Rangayyan
Inst. do pesquisador visitante: University of Calgary, Canadá
Instituição-sede: Faculdade de Medicina de Ribeirão Preto (FMRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
Vinculado ao auxílio:16/17078-0 - Mineração, indexação e visualização de Big Data no contexto de sistemas de apoio à decisão clínica (MIVisBD), AP.TEM
Assunto(s):Visão computacional  Reconhecimento de padrões  Análise de imagens  Intercâmbio de pesquisadores 

Resumo

Um avanço recente e importante na análise quantitativa de imagens é o conceito de Radiômica (do inglês, Radiomics). Radiômica é um campo emergente da radiologia que tem como fundamento a conversão de dados de imagens em um espaço característico de alta dimensão, usando diferentes algoritmos de extração de características. O racional da radiômica é que se pode obter uma caracterização mais abrangente dos fenótipos tumorais subjacentes pela extração de um grande número de características de imagens, que podem correlacionar-se com resultados clínicos específicos. A extração de características quantitativas de imagens médicas e seu uso para reconhecimento de padrões e apoio à tomada de decisão contrastam com prática mais tradicional e ainda corriqueira de interpretação baseada (quase) exclusivamente em interpretação visual. Embora o conceito de radiômica seja uma extensão natural do conceito de diagnóstico auxiliado por computador (do inglês, computer-aided diagnosis - CAD), existem diferenças significativas entre eles. Sistemas CAD são direcionados para entregar uma resposta única (uma segunda opinião) ao especialista. Radiômica, por sua vez, se baseia na combinação de dados extraídos de imagens com outras características do paciente, conforme disponíveis, para aumentar o poder dos modelos de apoio à decisão. Características quantitativas baseadas na intensidade dos níveis de cinza, forma, textura, tamanho e volume extraído das imagens podem, por exemplo, trazer informações sobre o fenótipo do microambiente de um tumor, que são distintas daquelas obtidas de relatórios clínicos, de resultados de testes laboratoriais ou obtidos por métodos genômicos ou proteômicos. Estes atributos, combinados com outras informações, podem correlacionar com os achados clínicos, permitindo a tomada de decisão baseada em evidências. Ou seja, a radiômica apresenta potencial de fornecer biomarcadores baseados em imagens que possibilitem o auxílio ao diagnóstico e definição de prognóstico, previsão de resposta a tratamentos e monitoração do estado de uma determinada doença. Neste contexto, este projeto propõe a investigação de técnicas de visão computacional e reconhecimento de padrão para identificação de biomarcadores radiômicos que apoiem o diagnóstico, o prognóstico e a tomada de decisão terapêutica na avaliação e tratamento de câncer e de doenças reumáticas autoimunes. (AU)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
FALEIROS, MATHEUS CALIL; NOGUEIRA-BARBOSA, MARCELLO HENRIQUE; DALTO, VITOR FAEDA; FERREIRA JUNIOR, JOSE RANIERY; MAGALHAES TENORIO, ARIANE PRISCILLA; LUPPINO-ASSAD, RODRIGO; LOUZADA-JUNIOR, PAULO; RANGAYYAN, RANGARAJ MANDAYAM; DE AZEVEDO-MARQUES, PAULO MAZZONCINI. Machine learning techniques for computer-aided classification of active inflammatory sacroiliitis in magnetic resonance imaging. ADVANCES IN RHEUMATOLOGY, v. 60, n. 1 MAY 7 2020. Citações Web of Science: 1.
MATHEUS CALIL FALEIROS; MARCELLO HENRIQUE NOGUEIRA-BARBOSA; VITOR FAEDA DALTO; JOSÉ RANIERY FERREIRA JÚNIOR; ARIANE PRISCILLA MAGALHÃES TENÓRIO; RODRIGO LUPPINO-ASSAD; PAULO LOUZADA JUNIOR; RANGARAJ MANDAYAM RANGAYYAN; PAULO MAZZONCINI DE AZEVEDO-MARQUES. Machine learning techniques for computer-aided classification of active inflammatory sacroiliitis in magnetic resonance imaging. ADVANCES IN RHEUMATOLOGY, v. 60, p. -, 2020.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.