Tema da Tese: Previsão automática de AVCs através de imagens de RMN usando Deep Learning

Autor: José Adriano Azevedo da Silva Ribeiro Pinto

Programa Doutoral: Programa Doutoral em Informática MAP-i 

Orientadores:  Carlos Alberto Batista Silva; Victor Manuel Rodrigues Alves

Data: 27/07/2020

Abstract: O Acidente Vascular Cerebral é uma das principais causas de morte, constituindo a segunda causa de morte nos países desenvolvidos. Representa também uma das principais causas de incapacidade funcional a nível mundial,

tendo um grande impacto na sociedade. O Acidente Vascular Cerebral pode ser classificado em hemorrágico ou isquémico, sendo este último o subtipo mais frequente. O estudo imagiológico é fundamental na abordagem e planeamento do tratamento, onde a Tomografia Computorizada é o método de imagem mais comummente utilizado devido aos baixos custos de operação e acessibilidade. Contudo, quando disponível, a Ressonância Magnética é

o método preferido, dada a sua capacidade na deteção de estádios precoces de isquemia cerebral. Desta forma, o estudo imagiológico permite não só a distinção do tipo de lesão e a sua localização, mas também uma melhor discriminação das áreas com enfarte das áreas de penumbra, onde existe a possibilidade de recuperação do tecido cerebral. Uma rápida ponderação dos riscos e benefícios associados à intervenção é necessária, que tem por base delineações grosseiras da lesão e a experiência clínica, havendo por isso, variabilidade intra- e inter-médico. Assim, ferramentas automáticas, permitem orientar e facilitar o processo de ponderação. Não obstante, o desenvolvimento destas ferramentas não é trivial, dada a variabilidade das lesões, dos fenómenos de perfusão e difusão cerebrais que ocorrem ao longo do tempo, bem como da variabilidade dos aparelhos de aquisição médica e a sua fraca resolução.

A Aprendizagem Automática compreende um vasto número de algoritmos, todos eles com o intuito de aprender padrões para realizar um dado objetivo ou tarefa. Uma categoria específica da Aprendizagem Automática é a Aprendizagem de Características, onde os algoritmos têm a capacidade de aprender e extrair automaticamente características através dos dados de entrada. Por sua vez, dentro dos métodos de Aprendizagem de Características, existem algoritmos de Aprendizagem Profunda, onde vários níveis são utilizados para uma maior capacidade de abstração sobre os dados de entrada e, consequentemente, uma maior discriminação. Assim sendo, foram estudadas e aplicadas Redes Neuronais Convolucionais e Recorrentes, em três diferentes tópicos de investigação. No primeiro tópico, os mapas convencionais usados na prática clínica são combinados com os dados responsáveis por gerar os mapas convencionais. Com esta proposta foi possível demonstrar a vantagem em considerar ambos os tipos de dados em arquiteturas específicas. Uma segunda linha focou-se na conjugação dos dados clínicos do paciente com os dados imagiológicos. Para tal propôs-se uma função de custo, com o intuito de guiar o processo de aprendizagem da rede profunda. Mais ainda, a informação clínica, não imagiológica, foi introduzida como canal de entrada extra, garantido que informação específica de cada paciente é tida em consideração. Por último, explorou-se a aprendizagem não supervisionada, na caracterização da distribuição dos dados que descrevem a capacidade de perfusão e difusão e a hemodinâmica cerebral. Foram ainda validados vários componentes fulcrais da rede, nomeadamente as Redes Neuronais Recorrentes-Fechadas. Ao considerar a etapa de aprendizagem não supervisionada, demonstrou-se a capacidade em obter características representativas das propriedades suprarreferidas, alcançando-se resultados estado da arte.

Palavras-chave: AVC, Aprendizagem Profunda, RMN