Diagnóstico de doenças pulmonares e COVID a partir de imagens de tomografia computadorizada usando aprendizado profundo explicável

• Processo: 19/21964-4
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Vigência (Início): 01 de julho de 2020
• Vigência (Término): 31 de dezembro de 2024
• Área do conhecimento: Engenharias - Engenharia Elétrica
• Pesquisador responsável: Roberto de Alencar Lotufo
• Beneficiário: Diedre Santos do Carmo
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 13/07559-3 - Instituto Brasileiro de Neurociência e Neurotecnologia - BRAINN, AP.CEPID
• Bolsa(s) vinculada(s): 22/02344-8 - Segmentação longitudinal automática do pulmão e achados da COVID-19 explorando aprendizado auto supervisionado e treinamento polimórfico, BE.EP.DR
• Assunto(s): Visão computacional Processamento de imagens Aprendizagem profunda Diagnóstico Pneumopatias SARS-CoV-2 Betacoronavirus COVID-19 Tórax Tomografia computadorizada por raios X
• Palavra(s)-Chave do Pesquisador: aprendizado profundo explicável | Covid | Processamento de imagens | pulmão | Tomografia computadorizada | Visão Computacional

Resumo

O uso de aprendizado profundo para suporte de decisão médica sobre imagens de Tomografia Computadorizada (TC) e raio-X na atual pandemia de COVID esta sendo um tema de alto interesse na literatura de processamento de imagens médicas. A pesquisa mostrou que as imagens de TC mostram sinais de infecção por COVID, que são mais prevalentes em casos graves. Alguns métodos já foram propostos, principalmente usando técnicas de transferência de aprendizagem sobre métodos existentes, para classificação e segmentação de imagens de TC relacionadas a COVID. Anotações manuais são consideradas um padrão-ouro no desenvolvimento e avaliação dos métodos automatizados atuais e ainda faltam em quantidade especialmente para segmentação. Essa falta de dados padrão-ouro aliada à possibilidade de overfitting à características específicas dos escassos dados públicos atualmente disponíveis coloca em xeque a confiabilidade desses métodos. Atenção especial deve ser dada às doenças pulmonares que apresentam achados semelhantes na TC, podendo gerar confusão quando avaliadas por método especializado em casos COVID e NÃO-COVID. Neste projeto, propomos o desenvolvimento de um método de diagnóstico de patologia automatizado, passível de ser explicado por meio de duas tarefas distintas, classificação e segmentação precisa dos achados pulmonares e pulmonares em imagens de TC de tórax, levando em consideração a possível presença de outras doenças. Pretendemos construir uma grande coorte de dados públicos e privados para avaliação do nosso método, incluindo mais de 3.000 volumes de classificação apresentando diversas doenças pulmonares e 124 (possivelmente em crescimento) volumes de CT de segmentação rotulados, em parceria com a iniciativa do Governo de São Paulo Radvid19 e hospitais paulistas, onde já temos resultados preliminares promissores. Também teremos acesso aos dados de nossa parceria com os projetos BRAINN (2013 / 07559-3) e COVID (2020/07200-9) FAPESP CEPID, onde volumes de TC de pacientes COVID estão sendo adquiridos do Hospital das Clínicas de Campinas. Esses dados estão passando por todas as etapas de aprovação ética necessárias. Pretendemos usar novas arquiteturas de segmentação e classificação com base nos avanços recentes na segmentação semântica e na experimentação de uma mudança de paradigma no processamento de imagens médicas, nomeadamente a utilização de transformers. Compararemos nossa metodologia com técnicas estado-da-arte em conjuntos de dados públicos e a submeteremos à avaliação qualitativa de médicos. Os planos para um BEPE fazem parte deste projeto de doutorado. (AU)

Publicações científicas

(5)

(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)

BEAUFERRIS, YOUSSEF; TEUWEN, JONAS; KARKALOUSOS, DIMITRIOS; MORIAKOV, NIKITA; CAAN, MATTHAN; YIASEMIS, GEORGE; RODRIGUES, LIVIA; LOPES, ALEXANDRE; PEDRINI, HELIO; RITTNER, LETICIA; et al. Multi-Coil MRI Reconstruction Challenge-Assessing Brain MRI Reconstruction Models and Their Generalizability to Varying Coil Configurations. FRONTIERS IN NEUROSCIENCE, v. 16, p. 15-pg., 2022-07-06. (19/21964-4)

CARMO, DIEDRE; CAMPIOTTI, ISRAEL; FANTINI, IRENE; RODRIGUES, LIVIA; RITTNER, LETICIA; LOTUFO, ROBERTO; ROMERO, E; COSTA, ET; BRIEVA, J; RITTNER, L; et al. Multitasking segmentation of lung and COVID-19 findings in CT scans using modified EfficientDet, UNet and MobileNetV3 models. 17TH INTERNATIONAL SYMPOSIUM ON MEDICAL INFORMATION PROCESSING AND ANALYSIS, v. 12088, p. 10-pg., 2021-01-01. (19/21964-4)

CARMO, DIEDRE; CAMPIOTTI, ISRAEL; RODRIGUES, LIVIA; FANTINI, IRENE; PINHEIRO, GUSTAVO; MORAES, DANIEL; NOGUEIRA, RODRIGO; RITTNER, LETICIA; LOTUFO, ROBERTO. Rapidly deploying a COVID-19 decision support system in one of the largest Brazilian hospitals. HEALTH INFORMATICS JOURNAL, v. 27, n. 3, JUL 2021. (13/07559-3, 19/21964-4)

RODRIGUES, JOANY; PINHEIRO, GUSTAVO; CARMO, DIEDRE; RITTNER, LETICIA; ROMERO, E; COSTA, ET; BRIEVA, J; RITTNER, L; LINGURARU, MG; LEPORE, N. Volumetric Segmentation of the Corpus Callosum: Training a Deep Learning model on diffusion MRI. 17TH INTERNATIONAL SYMPOSIUM ON MEDICAL INFORMATION PROCESSING AND ANALYSIS, v. 12088, p. 10-pg., 2021-01-01. (13/07559-3, 19/21964-4)

CARMO, DIEDRE; RITTNER, LETICIA; LOTUFO, ROBERTO; CRIMI, A; BAKAS, S. MultiATTUNet: Brain Tumor Segmentation and Survival Multitasking. BRAINLESION: GLIOMA, MULTIPLE SCLEROSIS, STROKE AND TRAUMATIC BRAIN INJURIES (BRAINLES 2020), PT I, v. 12658, p. 11-pg., 2021-01-01. (13/07559-3, 19/21964-4)