UMA METODOLOGIA PARA RECONSTRUÇÃO 3D DE IMAGENS MÉDICAS BASEADA EM ALGORITMOS BIO-INSPIRADOS E APRENDIZAGEM PROFUNDA
Carregando...
Arquivos
Citações na Scopus
Tipo de produção
Trabalho de Conclusão de Curso
Data
2022-12-06
Autores
ANTONIO GUSTAVO MUNIZ DA SILVA
GABRIEL BUENO VILA REAL DE OLIVEIRA
HENRIQUE VITAL CARVALHO
JOÃO VITOR DIAS DOS SANTOS
WEVERSON DA SILVA PEREIRA
GABRIEL BUENO VILA REAL DE OLIVEIRA
HENRIQUE VITAL CARVALHO
JOÃO VITOR DIAS DOS SANTOS
WEVERSON DA SILVA PEREIRA
Orientador
Paulo Sérgio Silva Rodrigues
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
Texto completo (DOI)
Palavras-chave
Resumo
Os pontos fiduciais cefalométricos, estruturas anatômicas que definem a anatomia
craniana, são frequentemente utilizados em técnicas empregadas por áreas como a da saúde, no
planejamento cirúrgico (Gsaxner et al. (2019) e Jo et al. (2021)), e da ciência forense, para a
identificação de correspondência craniofacial (Álvarez et al. (2018), Valsecchi, Damas e Cordon
(2018) e Tan et al. (2020)). Entretanto, um importante desafio que ainda perdura na aplicação
deste procedimento refere-se à dependência de profissionais especializados para identificação
e definição de tais pontos. Para estimar esses pontos de forma automática, alguns trabalhos
relevantes da literatura científica propõem o uso de algoritmos convencionais de classificação e
regressão (Dabbah et al. (2014) e Wang et al. (2016)), porém novas abordagens utilizando redes
neurais convolucionais têm sido propostas (Arik, Ibragimov e Xing (2017), Ma et al. (2020) e
Kim et al. (2021)). Outro desafio é a reconstrução 3D de órgãos, que necessita ser extraída de
imagens médicas segmentadas de forma precisa, de modo que os pontos fiduciais encontrados
sejam localizados de forma correta. Para realizar essa segmentação, o uso de algoritmos
bio-inspirados tem sido proposto, por se mostrarem úteis para encontrar os melhores limiares
de segmentação de maneira eficiente (Ewees et al. (2020), Guilherme Alberto Wachs Lopes
et al. (2020) e Larabi-Marie-Sainte, Alskireen e Alhalawani (2021)). Desse modo, o presente
trabalho propõe um método de visualização de modelos 3D do crânio rotulado com pontos
fiduciais cefalométricos. Esta abordagem consiste no uso de redes neurais convolucionais para
a identificação automática de pontos fiduciais cefalométricos, assim como na utilização de
algoritmos bio-inspirados na segmentação de imagens de Tomografia Computadorizada (TC)
para reconstrução do modelo tridimensional. Após a realização dos experimentos, a arquitetura
da rede neural proposta no presente trabalho atingiu uma média de distância euclidiana de 45.04
mm entre os pontos preditos e originais, superando a assertividade de predição dos pontos
fiduciais cefalométricos de trabalhos relevantes da literatura. Além disso, foi possível concluir
que o melhor algoritmo bio-inspirado para segmentação de imagens médicas foi o Elephant Herd
Optimization (EHO), pois atingiu a melhor precisão em 27% das execuções quando comparado
com os algoritmos Firefly Algorithm (FFA), Cuckoo Search (CS), Krill Herd (KH) e Colônia
Artificial de Abelhas (ABC).