Banca de DEFESA: Hugo Galli Resende

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : Hugo Galli Resende
DATA : 25/07/2025
HORA: 09:00
LOCAL: DCOMP/CTAN
TÍTULO:

Detecção e Segmentação Automática de Tumores Cerebrais em Imagens de Ressonância Magnética utilizando Redes Neurais Convolucionais e Inteligência Artificial Explicável

PALAVRAS-CHAVES:

Segmentação de Tumores, Redes Neurais Convolucionais, Inteligência Artificial Explicável, Imagens Médicas

PÁGINAS: 95
RESUMO:

Tumores cerebrais representam um dos maiores desafios no campo da neurologia e da oncologia, dada sua agressividade, taxa elevada de mortalidade e os efeitos debilitantes que podem causar em áreas funcionais do cérebro. A detecção precoce dessas lesões é um fator determinante para o sucesso do tratamento, e técnicas baseadas em imagens de ressonância magnética vêm sendo amplamente utilizadas por oferecerem elevado contraste entre tecidos e ausência de radiação ionizante. No entanto, a análise dessas imagens ainda depende fortemente da experiência do especialista e está sujeita a erros de interpretação. Neste cenário, este trabalho propõe uma abordagem baseada em redes neurais convolucionais para a detecção e segmentação automática de tumores cerebrais, aliando precisão algorítmica à interpretabilidade dos resultados por meio de técnicas de inteligência artificial explicável. O conjunto de dados utilizado foi construído a partir da curadoria de duas bases públicas amplamente utilizadas na literatura, cujas imagens foram reorganizadas, ajustadas para uma mesma resolução e reanotadas de forma padronizada para garantir consistência e qualidade no processo de treinamento. Foram avaliadas duas arquiteturas de aprendizado profundo: inicialmente, a Mask R-CNN, reconhecida pela eficácia em tarefas de segmentação de instâncias; e posteriormente, a YOLOv11 com suporte nativo à segmentação e notória eficiência em cenários que exigem alto desempenho computacional. A técnica de inteligência artificial explicável Grad-CAM foi implementada manualmente sobre o modelo YOLOv11, com o objetivo de gerar mapas de ativação visual que evidenciem as regiões da imagem mais relevantes para as predições do modelo. Os resultados alcançados demonstraram desempenho expressivo, com média de precisão (mAP@50) de 0.967 e elevada taxa de acurácia na tarefa de segmentação, além de baixos índices de falsos positivos e negativos. As visualizações geradas pelo Grad-CAM mostraram boa correlação com as regiões patológicas esperadas, validando visualmente as decisões do modelo e reforçando sua aplicabilidade em contextos clínicos. Dessa forma, esta dissertação apresenta uma solução eficaz, interpretável e potencialmente integrável a sistemas de apoio ao diagnóstico, contribuindo para o avanço das aplicações de inteligência artificial em imagens médicas.

MEMBROS DA BANCA:
Presidente - 1985872 - EDIMILSON BATISTA DOS SANTOS
Interno - 1742853 - RAFAEL SACHETTO OLIVEIRA
Externa ao Programa - 2141453 - MICHELLI MARLANE SILVA LOUREIRO
Externo à Instituição - HELIO PEDRINI - UNICAMP