Técnicas Computacionais aplicadas em prol da saúde

O progresso contínuo da reconstrução computadorizada de imagens médicas tem apresentado uma influência e impacto na sociedade cientista e tecnológica. O processamento de imagens tornou-se um assunto que vem impulsionando diversos campos da área da medicina. Desde então, a Inteligência Artificial (IA) obteve uma maior exploração na solução de problemas, se ramificando em novas áreas e proporcionando uma análise da forma de interação dos humanos com os sistemas inteligentes.

Contudo, entende-se que a utilização de técnicas específicas permite que seja possível uma visualização aprimorada das imagens, como se fossem reais. Dougherty (2009) afirma que o processamento de imagens é uma disciplina prática e a melhor maneira de aprender é fazendo, ou seja, teoria e prática estão ligadas, cada uma reforçando a outra. Ainda assim, a automação completa de processamento de imagem é algo que está em constante estudo. O fator humano permanece insubstituível na interpretação, diagnóstico e análises do paciente.

Fonte: https://goo.gl/sx4DDV

 Atualmente, grande parte da interpretação de diagnósticos médicos são realizados via olho nu, sem auxílio de uma tecnologia mais precisa. Portanto, devido ao positivo avanço das técnicas de Inteligência Artificial, estão sendo fornecidas soluções mais precisas para reconstruções de imagens médicas e estas soluções são vistas como métodos futuros aplicáveis no setor da saúde.

O avanço nessa área proporcionou um progresso nos estudos dos setores de automação, desenvolvimento de jogos, diagnóstico médico, controle autônomo, robótica e outros mais. Já foram desenvolvidas aplicações que fazem uso de Inteligência Artificial para a solução de problemas relacionados à esfera da saúde. Técnicas que abrangem áreas de estudo como Machine Learning, Diagnóstico Auxiliado por Computador (CAD), Visão Computacional entre outras. De modo geral o CAD pode auxiliar em vários tipos de diagnósticos, sendo mais comum o seu uso nas áreas de neurologia, radiologia e mamografia

A segmentação de imagens é o processo de particionamento de uma imagem em regiões homogêneas e que não se sobrepõem. Em geral, essas regiões terão uma grande correlação com os objetos em uma determinada imagem. Em geral a segmentação é uma das mais difíceis tarefas em processamento de imagem. Esse passo no processamento determina o eventual sucesso ou falha de toda análise.

EXEMPLO DA SEGMENTAÇÃO DO NÓDULO MAMOGRÁFICO (FONTE: AZEVEDO-MARQUES, 2001)

Na figura é apresentado um exemplo de segmentação de imagem de um nódulo mamário, nesta imagem é possível observar o nível de realce da imagem no ato da segmentação da imagem. O processo de identificação de lesões mamárias é realizado por meio de atributos relacionados ao tamanho, forma, quantidade e distribuição espacial da lesão concentrada na mama. Portanto, a utilização destes atributos pode servir de auxílio na decisão de especialistas se a lesão é maligna ou benigna.

A segmentação automática de imagens médicas é uma tarefa difícil, pois as imagens médicas são de natureza complexa e raramente apresentam qualquer característica linear simples. Além disso, a saída do algoritmo de segmentação é afetada devido a:

– Efeito de volume parcial.

– Inomogeneidade de intensidade.

– Presença de artefatos.

– Proximidade em nível de cinza de diferentes tecidos.

Fonte: https://goo.gl/Uw4dQ1

Embora uma série de algoritmos tenham sido propostos no campo da segmentação de imagens médicas, este continua a ser um problema complexo e desafiador. Diferentes pesquisadores utilizam diferentes técnicas. Atualmente, do ponto de vista do processamento de imagens médicas, algo comum é a segmentação com base no nível de cinza e na textura. Extratores de recursos são utilizados para converter as imagens em conjuntos de pixels, que então são usados como dados de entrada em modelos de Deep Learning. E a principal arquitetura de aprendizado profundo que vem sendo utilizada com sucesso para estas atividades é a arquitetura de Rede Neural Convolucional (Convolutional Neural Network – CNNs ou Convnets).

A aplicação da tomografia computadorizada (TC) de baixa dose emergiu como um método comprovado e eficaz para detectar câncer de pulmão mais cedo, o que pode reduzir a mortalidade em até 20%. Embora a tecnologia tenha se mostrado eficaz, vários esforços de pesquisa exploraram o uso de outra tecnologia em ascensão – inteligência artificial (IA). Essa tecnologia pode melhorar ainda mais a detecção, classificação e dimensionamento de nódulos, além de reduzir as taxas de falsos positivos. Uma sessão na reunião anual da Sociedade Radiológica da América do Norte de 2017 (RSNA) explorou o potencial da IA ​​para ajudar radiologistas na avaliação de diagnósticos de câncer de pulmão em exames de tomografia computadorizada.

Fonte: https://goo.gl/XYcbqA

A segmentação de imagens por meio de técnicas de classificação, portanto, seria mais uma das ferramentas de auxílio ao profissional da saúde, pois podem dar maior agilidade e qualidade ao resultado. Entretanto, essas técnicas não substituem o trabalho técnico médico, trata-se de um apoio em sua atividade. E de fato, o que mais impressiona, é a rapidez no diagnóstico médico. Todos sabemos que quanto mais cedo uma doença for descoberta maiores são as chances de cura do paciente e menores serão os gastos no tratamento. Portanto é imprescindível o incentivo na computação para aprimorar os diagnósticos e levar a um resultado cada vez mais preciso, nunca deixando de lado o fator humano que é necessário para tomar a decisão final.

REFERÊNCIAS

AZEVEDO-MARQUES, Paulo Mazzoncini de. Diagnóstico auxiliado por computador na radiologia. Radiol Bras, São Paulo, v. 34, n. 5, p. 285-293, out.  (2001).   Disponível em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0100-39842001000500008&lng=pt&nrm=iso>. acessos em 14 abr.  2018.

DOUGHERTY, Geoff. Digital Image Processing for Medical Applications. California State University: Cambridge University Press, (2009). 447 p. Disponível em: <http://ultra.sdk.free.fr/docs/DxO/Digital%20Image%20Processing%20for%20Medical%20Applications.pdf>. Acesso em: 08 abr. 2018.

SLED JG, ZIJDENBOS AP. A nonparametric method for automatic correction of intensity nonuniformity in MRI data. IEEE Trans Med Imaging. 1998;17(1): 87-97.

ZAGOUDIS, JEFF. Inteligência Artificial Melhora a Detecção do Câncer de Pulmão. 2018. Disponível em: <https://www.itnonline.com/article/artificial-intelligence-improves-lung-cancer-detection>. Acesso em: 17 jun. 2018.