Abordagem híbrida adaptativa para segmentação do ventrículo esquerdo em exames de Ressonância Magnética Cardíaca

• Processo: 21/14902-2
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de outubro de 2022
• Data de Término da vigência: 30 de setembro de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Fátima de Lourdes dos Santos Nunes Marques
• Beneficiário: Matheus Alberto de Oliveira Ribeiro
• Instituição Sede: Escola de Artes, Ciências e Humanidades (EACH). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 14/50889-7 - INCT 2014: em Medicina Assistida por Computação Científica (INCT-MACC), AP.TEM
• Assunto(s): Aprendizagem profunda Segmentação Processamento de imagens
• Palavra(s)-Chave do Pesquisador: Aprendizado profundo | Ressonância magnética cardíaca | segmentação | Ventrículo Esquerdo | Processamento de Imagens Médicas

Resumo

A segmentação do ventrículo esquerdo em imagens de exames de Ressonância Magnética Cardíaca é importante na obtenção de biomarcadores para o diagnóstico de cardiopatias. Na rotina clínica, esses exames, compostos por uma grande quantidade de imagens, são usualmente segmentados manualmente ou semimanualmente por especialistas, demandando esforço repetitivo e impactando a qualidade do diagnóstico. Diversas abordagens para a segmentação automática têm sido propostas, utilizando principalmente métodos baseados em aprendizado profundo e minimização de energia/custo, como grafos, modelos deformáveis e atlas. Em média, os métodos de aprendizado profundo têm obtido resultados próximos aos dos especialistas, porém ainda cometem muitos erros anatômicos. De maneira a mitigar tal limitação, abordagens híbridas recentes têm combinado aprendizado profundo e métodos de minimização, oferecendo maior precisão. Entretanto, a maneira de combinar tais abordagens ainda se mostra limitada, uma vez que não há uma adaptação automática das estratégias que objetive diminuir os erros específicos cometidos por cada uma. Considerando esse problema, o presente projeto de Doutorado visa a construir uma abordagem híbrida adaptativa, que combine aprendizado profundo e métodos de minimização de energia/custo para segmentar automaticamente o ventrículo esquerdo em imagens de Ressonância Magnética Cardíaca. A adaptação automática favorece o trabalho conjunto dos métodos e pode melhorar o resultado em casos atípicos. Os resultados serão avaliados por meio da comparação das segmentações automáticas com as produzidas por especialistas, obtidas em bases públicas utilizadas na literatura e privadas disponibilizadas ao grupo de pesquisa. O método oferece contribuições para as áreas de Processamento de Imagens e Cardiologia.

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)

RIBEIRO, MATHEUS A. O.; GUTIERREZ, MARCO A.; NUNES, FATIMA L. S.; ALMEIDA, JR; SPILIOPOULOU, M; ANDRADES, JAB; PLACIDI, G; GONZALEZ, AR; SICILIA, R; KANE, B. Improving deep learning shape consistency with a new loss function for left ventricle segmentation in cardiac MRI. 2023 IEEE 36TH INTERNATIONAL SYMPOSIUM ON COMPUTER-BASED MEDICAL SYSTEMS, CBMS, v. N/A, p. 6-pg., 2023-01-01. (21/14902-2)

RIBEIRO, MATHEUS A. O.; NUNES, FATIMA L. S.. Left ventricle segmentation combining deep learning and deformable models with anatomical constraints. JOURNAL OF BIOMEDICAL INFORMATICS, v. 142, p. 15-pg., 2023-05-03. (21/14902-2, 19/22116-7)