Aprendizagem profunda baseada em modelo para filtragem de ruído em imagens de ressonância magnética

• Processo: 25/27498-6
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de março de 2026
• Data de Término da vigência: 30 de abril de 2027
• Área de conhecimento: Engenharias - Engenharia Biomédica - Engenharia Médica
• Pesquisador responsável: Marcelo Andrade da Costa Vieira
• Beneficiário: Enrico Martim Zúcollo
• Instituição Sede: Escola de Engenharia de São Carlos (EESC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Processamento de imagens Redes neurais (computação) Ressonância magnética
• Palavra(s)-Chave do Pesquisador: aprendizado profundo baseado em modelo | Filtragem de Ruído | Processamento de imagens | Redes Neurais Artificiais | Ressonância Magnética | Restauração de Imagens | Processamento de Imagens

Resumo

Os exames de imagem por ressonância magnética (Magnetic Resonance Imaging - MRI) possuem grande importância na medicina diagnóstica, pois produzem imagens de alta qualidade, especialmente para visualização de tecidos moles, sem a necessidade de expor o paciente à radiação ionizante. Entretanto, as imagens de MRI estão sujeitas a degradações inerentes ao processo de aquisição, entre as quais se destaca a adição de ruído, que afeta diretamente a relação sinal-ruído (Signal-to-Noise Ratio - SNR), comprometendo a qualidade visual das imagens, a interpretação clínica e a precisão de análises quantitativas. Técnicas de restauração de imagens são amplamente utilizadas para mitigar esse problema, sendo tradicionalmente baseadas em formulações matemáticas que descrevem o modelo físico de degradação e resolvem um problema inverso, incorporando informações a priori sobre o sistema de aquisição. Esses métodos, denominados Model-Based (MB), apresentam boa interpretabilidade e permitem controle explícito sobre o processo de restauração; contudo, sua eficácia depende fortemente da precisão com que o modelo físico e seus parâmetros são estimados. Em contraste, abordagens recentes baseadas em aprendizado profundo, em especial redes neurais convolucionais (Convolutional Neural Networks - CNNs), têm alcançado resultados expressivos ao aprender diretamente, a partir de grandes bases de dados, o mapeamento entre imagens degradadas e suas correspondentes imagens de referência. Esses métodos, denominados Data-Based (DB), dispensam o conhecimento explícito do modelo físico de formação da imagem, mas dependem da disponibilidade de dados de treinamento, apresentam baixa interpretabilidade e podem sofrer perdas de generalização quando aplicados a dados com características distintas das utilizadas no treinamento. Diante das limitações de cada abordagem, este projeto propõe desenvolver e investigar estruturas híbridas de aprendizagem profunda baseada em modelo (Model-Based Deep Learning - MBDL) para restauração de imagens de MRI, combinando de forma sinérgica o rigor matemático dos métodos MB com a capacidade de adaptação e representação dos métodos DB. A hipótese central é que a incorporação de etapas baseadas no modelo físico como componentes explícitos dentro da arquitetura neural pode reduzir o espaço de soluções possível, melhorar a estabilidade do treinamento e aumentar a generalização da rede para diferentes níveis de ruído e condições experimentais. A proposta envolve a implementação de abordagens MB, DB e MBDL, além de experimentos quantitativos utilizando imagens sintéticas e reais de MRI com diferentes níveis de ruído. O desempenho do método proposto será avaliado por métricas objetivas de qualidade de imagem e pela análise de seu impacto na tarefa clínica de segmentação automática de estruturas cerebrais, um cenário sensível às variações de SNR. Espera-se que a abordagem híbrida proposta neste trabalho avance o estado da arte em restauração de imagens de MRI, contribuindo para a redução do tempo de aquisição dos exames e para a melhoria da qualidade das imagens. (AU)