Artificial intelligence applied to the diagnosis of brain neoplasms

Abstract

A avaliação médica de Imagens de Ressonância Magnética, do inglês - Magnetic Resonance Imaging (MRI), para evitar possíveis complicações geradas por neoplasias cerebrais, é um dos métodos de diagnóstico e que se tornou mais otimizado devido aos avanços tecnológicos. Portanto, com esses avanços e o objetivo de automatizar esse procedimento para auxiliar os médicos, este trabalho concentrou-se em investigar o desenvolvimento de algoritmos para auxiliar no diagnóstico de neoplasias cerebrais. Neste estudo, é investigado se medidas de desempenho de um sistema desenvolvido é capaz de identificar três tipos diferentes de neoplasias cerebrais de MRI, sendo meningioma, glioma e adenomas de hipófise, com valores superiores aos apresentados na literatura científica, considerando o menor custo computacional possível. Diversas soluções baseadas em treinamento existem na literatura, mas há relativamente poucos estudos comparando, de forma sistemática, o desempenho em cenários com bases menores, levando em conta modelos de diferentes complexidade e diferentes técnicas de aumento de dados. Diante disto, este estudo consiste em investigar o desenvolvimento de um sistema classificador de MRI de neoplasias cerebrais, inclusive em situações em que o número de dados é relativamente menor em comparação com as quantidades de dados apresentadas na literatura. Logo, neste estudo, foram utilizadas diferentes estratégias de aprendizagem profunda, tais como aumento de dados com modelos tradicionais e pré-treinados, extração de características seguida da classificação e transferência de conhecimento em cenários com números restritos de dados, além de uso de Rede Adversária Generativa para geração de imagens de treinamento. Os resultados obtidos ficaram próximos aos resultados da literatura. A rede com aumento de dados, utilizando flip e ruído e utilizando apenas o corte axial, desenvolvida a partir de uma arquitetura pré-treinada, alcançou o resultado com acurácia de 88,4%; precisão de 84,3%; recall de 84,9%; e f-score de 84,6%. O uso de aprendizado profundo em modelos de transferência de conhecimento proporcionou melhores resultados, com uma acurácia de até 96,8%, neste caso a precisão resultou em 96,8%, recall em 94,8% e medida-F em 95,6%, utilizando Densenet 121. Logo, como resultado, determinou-se que as estratégias empregadas são eficientes para esta aplicação de auxílio a diagnóstico de neoplasias cerebrais. Além disso, com imagens geradas por Rede Adversária Generativa para o treinamento das redes não foram alcançados resultados superiores aos obtidos com imagens reais. Apesar disso, os resultados são expressivos, segundo a literatura, indicando que é possível utilizar esse tipo de geração de imagens em estudos sobre sistema classificador de neoplasias cerebrais. Logo, o aprofundamento deste tipo de aplicação em MRI é uma das propostas de trabalho futuro. Além disso, outro possível trabalho futuro, seria analisar a complexidade das estratégias, processamento e consumo de energia, sendo útil no desenvolvimento de sistemas embarcados. Em síntese, dentre as estratégias avaliadas neste estudo, transferência de conhecimento mostrou-se a mais eficiente, destacando-se sobretudo pela capacidade de generalização e pela estabilidade dos resultados obtidos, garantindo desempenho superior em todas as métricas avaliadas, evidenciando que essa abordagem é capaz de extrair características relevantes mesmo em um cenário de imagens apenas do corte axial. Portanto, este trabalho confirma a efetividade do uso de arquiteturas avançadas de aprendizagem profunda para o auxílio a diagnóstico por imagem automatizado, inclusive em situações de quantidades restritas de imagens. Logo, houve um avanço significativo no suporte ao diagnóstico de neoplasias cerebrais, contribuindo para decisões clínicas mais rápidas, precisas e, também, podendo ser obtidas por meio de um achado incidental. Além disso, tais estratégias podem, inclusive, ser aplicadas em outros tipos de diagnósticos de imagens cerebrais.