Pesquisa de Bruno Krinski analisa avanços na segmentação de tomografias pulmonares em diagnósticos de Covid-19
A pandemia de COVID-19 trouxe à tona a necessidade urgente de diagnósticos rápidos e precisos, sendo uma possibilidade o diagnóstico baseado no exame de tomografias computadorizadas dos pulmões. Com a evolução da pandemia e meios de diagnóstico disponíveis, o foco da análise de imagens mudou do diagnóstico para a análise e acompanhamento de lesões pulmonares. A tese de doutorado defendida pelo pesquisador Bruno Krinski junto ao Programa de Pós-Graduação em Informática (PPFInf), do Departamento de Informática (Dinf) da UFPR, busca colaborar com o aprimoramento deste cenário, propondo uma técnica inovadora de aumento de dados que promete melhorar a segmentação semântica das imagens médicas.
Intitulada Improving Data Augmentation Applied to the COVID-19 Lung CT Segmentation with a Novel Technique Based on Visual Salience, a tese foi orientada pelo pesquisador do Dinf, Eduardo Todt. Segundo o orientador, “a pesquisa do Bruno está no nível do estado da arte internacional na tecnologia de Inteligência Artificial, superando trabalhos publicados na mesma área. Isto mostra a viabilidade de nos dedicarmos com êxito a temas avançados que resultem em alto retorno financeiro e social para o país”. A banca da defesa, realizada no dia 21 de outubro, foi composta pelos professores Renato Tinós, da USP, Sílvia Silva da Costa Botelho, da FURG, e Eduardo Jaques Spinosa, da UFPR.
A pesquisa de Bruno é dividida em três fases, que buscam contribuir para o desenvolvimento de técnicas focadas na melhoria da segmentação da semântica nas tomografias. A primeira fase é a de avaliação das redes de segmentação. Neste momento, o pesquisador avaliou 120 redes, combinando 20 codificadores com 6 decodificadores em cinco conjuntos de dados. Os resultados desta etapa apontam uma necessidade crítica por técnicas eficazes de aumento de dados, devido à escassez de amostras disponíveis para treinamento.
Na segunda fase, Bruno avalia vinte técnicas de aumento de dados, cada uma com dez probabilidades diferentes. Para a avaliação foram aplicadas as técnicas separadamente e em um conjunto unificado. As técnicas mostraram melhor desempenho quando aplicadas em um conjunto unificado, mas os resultados variaram entre os conjuntos de dados, indicando a necessidade de abordagens mais específicas.
Por fim, a terceira fase foi a de desenvolvimento de uma nova técnica, baseada em saliência visual. Na pesquisa, Bruno propõe uma nova técnica que utiliza uma Rede Adversarial Generativa (GAN) para gerar tomografias CT saudáveis e combiná-las com lesões COVID-19 rotuladas. Essa abordagem não apenas aumenta o número de amostras disponíveis para treinamento, mas também melhora a qualidade da segmentação ao focar nas características mais relevantes das imagens.
Com ampla contribuição para o campo da medicina diagnóstica, a pesquisa de Bruno, ao melhorar a segmentação das lesões em tomografias pulmonares, pode acelerar o diagnóstico e aliviar a carga sobre os profissionais da saúde encarregados de analisar as imagens. Além disso, ela abre caminho para futuras pesquisas em aprendizado profundo aplicado à imagens médicas, possibilitando diagnósticos mais precisos e eficientes em outras especialidades da medicina também.