Ciências Exatas e da Terra
Ciência da Computação
Resumo
O câncer é responsável por 16,8% das mortes globais. Dessa forma, a comunidade científica tem se empenhado em desenvolver inteligências artificiais, em especial modelos de deep learning (DL), para auxiliar e agilizar o diagnóstico, elevando a taxa de sobrevivência dos pacientes. Muitas soluções de DL dependem da aprendizagem de padrões visuais (radiômicos) revelados em conjuntos de imagens, os quais apresentam padrões visuais próprios, que variam conforme a instituição. A ausência de um padrão único limita a eficácia plena dos modelos propostos pelas pesquisas. Assim, a relativa escassez de estudos quanto à padronização dos dados de forma integrada à análise dos modelos, representa um restritor aos benefícios proporcionados pela ciência. Por isso, é objetivo deste estudo desenvolver uma técnica que permita a estandardização das imagens analisadas e validar essa técnica para identificação de lesões cancerígenas em imagens de colonoscopia, visto não haver muitas abordagens relacionadas para o câncer colorretal, apesar de ser o segundo e quarto mais fatal no mundo e no Brasil, respectivamente. Com esse fim, discutiu-se teoricamente uma variação de rede adversária generativa (GAN) capaz de produzir dados homogêneos e semanticamente (radiômicamente) coerentes com as imagens originais, o que reduz a complexidade do dataset, facilitando a aquisição do padrão das lesões e que potencialmente permitirá a tradução dos estudos em abordagens clínicas globalmente acessíveis. Também se selecionou e se discutiu as características de diferentes datasets públicos, elucidando os elementos de padronização. Apesar da solução ainda não ter sido implementada, a proposta tem potencial para aprimorar e flexibilizar os resultados do estado da arte.
Palavras-chave: Câncer Colorretal , Deep Learning, Estandardização de Imagens