• Informações do Trabalho

Titulo Data Augmentation de datasets de Segmentação de Ressonâncias Magnéticas de pacientes com Esclerose Múltipla utilizando Redes Neurais Subtítulo Autor GUSTAVO GONÇALVES SILVA Orientador BARBARA DE MELO QUINTELA Resumo A Esclerose Múltipla (EM) é uma doença neurodegenerativa cuja avaliação clínica depende fundamentalmente da identificação e quantificação de lesões em exames de Ressonância Magnética (RM). Embora a segmentação automática baseada em Aprendizado Profundo (\textit{Deep Learning}) tenha alcançado o estado da arte, sua eficácia é frequentemente limitada pela escassez de dados médicos anotados e pela complexidade da obtenção de novos exemplos. Este trabalho propõe e avalia um \textit{pipeline} de \textit{Data Augmentation} generativo para mitigar esse problema, investigando o impacto de imagens sintéticas na qualidade de modelos de segmentação. O método desenvolvido combina um \textit{Variational Autoencoder} (VAE) para a geração probabilística de máscaras de lesões e uma Rede Generativa Adversarial Condicional (CGAN) para a síntese de texturas de RM realistas a partir dessas máscaras. As imagens geradas foram integradas ao treinamento de uma rede SegResNet para a tarefa de segmentação supervisionada. Os resultados demonstraram que a inclusão de dados sintéticos promoveu um aumento significativo na métrica Dice em comparação ao uso exclusivo de dados reais. Observou-se que a adição de 750 imagens sintéticas proporcionou o melhor ganho de desempenho, havendo saturação do aprendizado em volumes superiores devido a limitações na síntese de lesões de pequenas dimensões. Conclui-se que o uso de modelos generativos adversariais é uma estratégia promissora para enriquecer bases de dados médicas e aprimorar a generalização de diagnósticos automatizados. Palavras-Chave sclerose Múltipla; Ressonância Magnética; Segmentação de Imagens Médicas; Redes Neurais Convolucionais; Aprendizado Profundo; Data Augmentation; Modelos Generativos; U-Net; UNETR; Variational Autoencoder (VAE); Modelos de Difusão.