Modelo Multimodal para Análise e Apoio ao Diagnóstico da Síndrome de Tourette em dados Pediátricos: Uso de Redes Neurais Convolucionais em Ressonância Magnética Funcional e Estrutural

• Processo: 25/25237-0
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de dezembro de 2025
• 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: Marco Antonio Garcia de Carvalho
• Beneficiário: Murilo Costa de Barros
• Instituição Sede: Faculdade de Tecnologia (FT). Universidade Estadual de Campinas (UNICAMP). Limeira , SP, Brasil
• Vinculado ao auxílio: 25/00214-8 - Modelo multimodal para análise e apoio ao diagnóstico da Síndrome de Tourette em dados pediátricos: uso de redes neurais convolucionais em ressonância magnética funcional e estrutural, AP.R
• Assunto(s): Análise de imagens Aprendizado computacional Inteligência artificial Ressonância magnética Processamento de imagens
• Palavra(s)-Chave do Pesquisador: Análise de imagens | Aprendizado de Máquina | imageamento médico | Inteligência Artificial | Ressonância Magnética | processamento de imagens médicas

Resumo

A Síndrome de Tourette (ST) é um distúrbio neuropsiquiátrico, prevalente em cerca de 1% da população, caracterizado por tiques motores e vocais que surgem na infância e podem ser confundidos com outras condições, como transtorno obsessivo-compulsivo (TOC) e transtorno de déficit de atenção e hiperatividade (TDAH). Este projeto visa aprimorar o diagnóstico da ST utilizando técnicas avançadas de processamento de imagens e aprendizado de máquina, com ênfase na análise de ressonância magnética estrutural (MRI) e funcional (fMRI). A pesquisa está estruturada em três módulos: (i) Pré-processamento Estrutural: Inclui normalização das imagens, correção de movimentos e redução de ruído, enfrentando desafios adicionais devido aos dados pediátricos; (ii) Análise Temporal via aprendizado de máquina: Utiliza técnicas como Redes Neurais Recorrentes de Longo Prazo (LSTM), Análise de Mapas de Ativação (SPM) e Modelagem de Séries Temporais (SLM) para identificar padrões dinâmicos e alterações cerebrais associadas à ST; (iii) Integração de Dados e Classificação: Emprega visão computacional e algoritmos de inteligência artificial, como Redes Neurais Convolucionais (CNNs), para classificar e identificar características relevantes nas imagens cerebrais. O projeto é realizado em colaboração com a National Taiwan University (NTU), que forneceu dados de MRI de 68 participantes divididos entre grupos com Síndrome de Tourette e controle saudável. A aplicação dessas técnicas avançadas promete superar as limitações dos métodos tradicionais, oferecendo um avanço significativo na precisão e eficácia do diagnóstico da Síndrome de Tourette.