Identificação de acidente vascular cerebral isquêmico por imagens de tomografia computadorizada

Abstract

O Acidente Vascular Cerebral, (AVC) é uma das doenças que causa mais mortes e incapacidades físicas no mundo. Por ser uma doença neurológica cada vez mais comum, por esse motivo cada vez mais pesquisadores se dispõem a encontrar um meio de acelerar o diagnóstico para evitar maiores sequelas. O método mais comum para a identificação do AVC, é o exame de Tomografia Computadorizada (TC), pois possui baixo custo e disponibilidade no mercado. O presente estudo desenvolve uma metodologia para análise e classificação de AVC isquêmico (AVCi), utilizando técnicas de aprendizado profundo de máquina (Deep Learning), que são redes são projetadas para aprender representações hierárquicas e complexas de dados, permitindo a identificação de padrões e características a partir de entradas como imagens, textos, sons ou sinais. O diferencial do aprendizado profundo está na capacidade de extrair automaticamente características relevantes dos dados, eliminando, em grande parte, a necessidade de intervenção humana no pré-processamento (ROSA; CLAUS; PAULA, 2024). Redes profundas, como as Convolutional neural network (CNNs), têm mostrado resultados impressionantes em tarefas como reconhecimento de fala, visão computacional, tradução automática e diagnósticos médicos. Esses modelos aprendem por meio de grandes volumes de dados e otimização baseada em retropropagação de erros (backpropagation), e técnicas como normalização, regularização e uso de grandes bases de dados anotadas. Embora poderoso devido a sua arquitetura projetada para processar dados estruturados em grades, como imagens, vídeos e sinais. O aprendizado profundo enfrenta desafios como alto custo computacional, necessidade de grandes volumes de dados e dificuldade de interpretabilidade, exigindo abordagens cuidadosas para garantir sua eficácia e aplicação ética. Neste trabalho destacam-se as redes neurais MLP (Multi-Layer Perceptron) e Xception, que são redes consolidadas. A primeira abordagem baseada em descritores de Haralick associados à rede MLP, os melhores resultados foram obtidos com a inclusão de metadados, como sexo e idade, e utilizando uma matriz de coocorrência com distância de 8 pixels. Essa configuração alcançou uma acurácia de 73,42% ,sensibilidade de 74,86%, Precisão de 72,83%, demonstrando a relevância da integração de informações clínicas. Por outro lado, Com a segunda abordagem com Xception apresentou desempenho superior, atingindo uma acurácia de 80,40%, precisão de 85,11% e sensibilidade de 74,10%, Foi observado algumas dificuldades persistiram na identificação das fases iniciais do AVCi, particularmente em pacientes idosos e do sexo feminino, devido a características fisiológicas, como maior presença de massa cinzenta.