Título: Avaliação Automática da Dilatação Mediada por Fluxo da Artéria Braquial
Comissão Examinadora - Titulares
Prof. Dr. Rangel Arthur (Presidente) - FT/Unicamp
Prof. Dr. Leandro Ronchini Ximenes - FT/Unicamp
Prof. Dr. Ricardo Barroso Leite - IFSP
Suplente
Prof. Dr. Silvio Renato Messias de Carvalho - IFSP
Local: Sala de Defesa (Prédio da Pós-Graduação da FT) https://stream.meet.google.com/stream/ecde385e-e5fa-4368-8f8f-025c61b4a0c4
Resumo: A Dilatação Mediada por Fluxo (em inglês, Flow Mediated Dilation - FMD) é um
procedimento médico para identificar pacientes com alto risco de aterosclerose antes de uma
evidência clínica de alguma doença cardiovascular (DCV). As DCVs são a principal causa de
morte em todo o mundo, sendo responsáveis pela perda de 17,9 milhões de vidas todos os
anos. O teste da FMD é realizado a partir da medição do diâmetro basal de uma artéria,
geralmente a braquial, ocorre por ultrassonografia. Em seguida, o fluxo sanguíneo é
temporariamente interrompido com a aplicação de um manguito de pressão inflado acima da
pressão sistólica. Após a deflação do manguito, compara-se o diâmetro da artéria com a
medida basal para gerar um indicador da saúde vascular. O objetivo da pesquisa proposta é
tornar a técnica da FMD mais consistente a partir da aplicação de modelos de deep learning
para realizar medições mais precisas do diâmetro da artéria a partir das imagens do exame. A
avaliação das imagens de ultrassonografia na FMD tradicionalmente utiliza métodos de
detecção de bordas ou segmentação da região arterial por técnicas de visão computacional.
Neste estudo, foram aplicados métodos de classificação e segmentação de imagens baseado
em redes neurais para a análise de software do exame de FMD. A pesquisa consiste na
aquisição das imagens, preparação dos dados, treinamento e validação dos modelos de deep
learning. Os exames utilizados foram realizados no Hospital das Clínicas (HC) da Unicamp e
foram aprovados pelo Comitê de Ética em Pesquisa (CEP). Dentre os modelos, foram
aplicadas as redes neurais U-Net, CMU-Net, CMUNeXt e suas variações para a segmentação
da artéria e os valores de dilatação obtidos alimentaram modelos de aprendizado de máquina
e redes neurais aritficiais (RNA) para a classificação binária, resultando em uma acurácia
máxima de 89,47%. Além deste método, também foi proposto uma rede de classificação de
vídeo, nomeada de MultiConvNet, no qual obteve uma acurácia de 97,36% na classificação de
pacientes que excedem ou não o valor da FMD. Os métodos propostos se mostraram
eficientes em replicar as medições manuais da FMD. No entanto, ainda é necessário expandir
a capacidade das redes neurais e quantidade de rótulos para tornar a técnica da FMD mais
atrativa aos laboratórios que aplicam o exame.