DIAGNÓSTICO AUTOMÁTICO EM IMAGENS MÉDICAS COMBINANDO ARQUITETURAS DE APRENDIZADO DE MÁQUINA COM ALGORITMOS BIO-INSPIRADOS

Abstract

Exames laboratoriais de Ressonância Magnética vêm sendo utilizados para diagnósticos médicos, como a identificação de tumores e lesões. Recentemente, devido ao grande desenvolvimento tanto de hardware quanto de aprendizado de máquina, a área médica tem se beneficiado da automatização de análises clínicas, os chamados Sistemas CAD (Computer Aided Diagnosis) No entanto, ao mesmo tempo que esses avanços trazem benefícios na área da medicina, o seu rápido desenvolvimento tem gerado um grande volume de dados e informações, tornando tanto o diagnóstico quanto o gerenciamento de dados uma tarefa desafiadora. Contudo, algumas técnicas clássicas para processamento de informações, bem como técnicas modernas como Redes Neurais Profundas, tem sido aplicadas com sucesso na intenção de automatizar esses diagnósticos. No entanto, o diagnóstico automático é um processo que depende de vários passos, sendo um dos principais a etapa de segmentação, onde as regiões de interesse são delimitadas antes de sua classificação como lesão. Assim, vários algoritmos têm sido propostos visando sobretudo a segmentação dessas regiões, todos com resultados promissores mas competindo entre si. O presente trabalho propõe uma nova metodologia para diagnóstico automático de lesões em imagens de Ressonância Magnética, utilizando uma combinação de três pipelines modernos e atuais de segmentação de imagens, ponderando cada pipeline através de um método de otimização bio-inspirada. Nossa proposta foi testada na base de dados BraTS19 e os resultados mostram que o algoritmo de otimização Firefly é capaz de otimizar uma ponderação de segmentações para 1.54% melhor que o estado-da-arte, considerando a métrica MeanIoU.