Reiniciar pesquisa
Sistemas de diagnóstico assistido por computador (Computer-Aided Diagnosis - CAD systems) utilizam técnicas de Processamento Digital de Imagens e Inteligência Artificial, com o objetivo de melhorar a acurácia dos exames médicos. Em grande medida, os sistemas CAD desenvolvidos no ambiente acadêmico consistem em software com fins experimentais, isto é, os parâmetros de qualidade enfatizam a eficiência dos algoritmos desenvolvidos em detrimento da usabilidade para o usuário final. Neste sentido podemos destacar i) sistemas operam em modo de linha de comando, paradigma pouco familiar a usuários da área médica de modo geral e ii) sistemas que para serem instalados requerem intricadas redes de dependências de software, as quais, em geral, demandam conhecimentos de sistemas operacionais e bibliotecas de software, também pouco familiares para profissionais de saúde. Apesar do enorme potencial dos sistemas CAD, a combinação dos fatores descritos acima dificulta a extensão dessas tecnologias para os efetivos usuários finais na comunidade médica. Portanto, o objetivo geral deste projeto é facilitar o acesso aos profissionais e instituições de saúde (radiologistas, clínicas, unidades, hospitais etc.) aos algoritmos, métodos e sistemas que serão desenvolvidos durante o projeto FAPESP de predição da conversão de casos de comprometimento cognitivo leve (CCL) para a doença de Alzheimer (DA). Para isso propõe-se o desenvolvimento de uma arquitetura baseada em componentes de software para encapsular e publicar diferentes métodos e sistemas como microsserviços Web. A arquitetura será concebida como uma plataforma de computação em nuvem, permitindo o acesso via Web aos componentes desenvolvidos, por meio de uma infraestrutura computacional mantida pelo grupo de pesquisa. Além disso, a plataforma deverá prover um conjunto de interfaces para permitir aos profissionais de saúde acessarem os diferentes métodos e sistemas desenvolvidos remotamente via navegadores Web e/ou dispositivos móveis.
O estudo sobre as alterações estruturais cerebrais em pacientes com Comprometimento Cognitivo Leve (CCL) estável (CCLe) e progressivo (CCLp) tem recebido grande atenção da comunidade científica diante do desafio global representado pela doença de Alzheimer (DA) e outras condições neurodegenerativas. A detecção precoce dessas doenças, especialmente no estágio de CCL, é fundamental para implementar intervenções terapêuticas eficazes e retardar a progressão dos sintomas, principalmente para o caso da DA. Neste contexto, a pesquisa proposta visa aprofundar a compreensão das mudanças estruturais no cérebro de pacientes com CCLe e CCLp, utilizando imagens de ressonância magnética (RM) e técnicas avançadas de processamento digital de imagens e de aprendizado de máquinas. Para alcançar esse objetivo, as imagens de RM serão inicialmente submetidas a um processo de pré-processamento, visando otimizar sua qualidade e consistência. Em seguida, uma técnica de parcelamento via atlas anatômicos será empregada para segmentar as imagens em regiões comumente afetadas pela DA. Finalmente, a técnica NeuroNet será utilizada para a segmentação das substâncias cinzenta (Gray Matter - GM), branca (White Matter - WM) e líquido cefalorraquidiano (Cerebrospinal Fluid - CSF). A espessura cortical das regiões cerebrais segmentadas será obtida utilizando-se a técnica DiReCT. A avaliação dos atributos extraídos das imagens permitirá uma análise detalhada das alterações estruturais em diferentes áreas do cérebro, proporcionando insights valiosos sobre os padrões específicos associados ao CCLe e CCLp.
A busca por biomarcadores de imagem desempenha um papel crucial na pesquisa pelo diagnóstico da Doença de Alzheimer (DA), oferecendo uma abordagem não invasiva e potencialmente precoce para identificar alterações no cérebro associadas à doença. Tais biomarcadores têm também o potencial de fornecer informações valiosas sobre a progressão da DA, possibilitando a aplicação de estratégias de tratamento mais eficazes. Nesse contexto, a escala visual de atrofia parietal de Koedam emerge como uma ferramenta particularmente relevante. Ao focar na região parietal, essa escala permite uma avaliação específica das mudanças estruturais associadas à DA, fornecendo uma visão mais detalhada sobre a natureza da atrofia cerebral na doença. Neste contexto, esta pesquisa propõe a automatização da escala de Koedam a partir do uso atributos extraídos da imagem de ressonância magnética (RM) ponderada em T1 e de técnicas de agrupamento. A primeira etapa da pesquisa focará na identificação da região parietal nas imagens de RM por meio do corregistro da imagem com um atlas. A seguir, a região parietal será segmentada nos principais tecidos cerebrais pelo uso de técnicas não supervisionadas. A quantidade de cada tecido na região parietal será utilizada como atributo para aplicação de técnicas de agrupamento, de maneira a simular a categorização visual da escala Koedam. Essa abordagem visa automatizar a avaliação da atrofia parietal, proporcionando uma ferramenta eficaz para o diagnóstico precoce da DA.
Com o aumento da perspectiva de vida das pessoas, a demência se tornou uma questão de saúde pública global premente. Entre os vários tipos de demência, a doença de Alzheimer (DA) é a mais comum, correspondendo a quase 70% dos casos. A Organização Mundial da Saúde estima que 35,6 milhões de pessoas tinham demência em 2010 e esse número é projetado para dobrar até 2030 (para 65,7 milhões) e alcançar 131,5 milhões em 2050. Atualmente, no Brasil, estima-se que haja 1,2 milhão de pessoas com demência. A detecção e o diagnóstico precoce da DA são cruciais para implementar tratamentos adequados e melhorar a qualidade de vida dos pacientes. O comprometimento cognitivo leve (CCL) é uma condição caracterizada por declínio cognitivo sutil e é considerado uma fase prodromal da DA. As pessoas com CCL têm um risco aumentado de desenvolver DA. Portanto, reconhecer com precisão os pacientes com CCL que desenvolverão a DA nos anos subsequentes é muito importante, pois a identificação precoce desses pacientes permitirá intervenções precoces e o melhor gerenciamento da doença. A ressonância magnética (RM), uma técnica de imagem não invasiva que pode fornecer informações estruturais e funcionais sobre o cérebro humano, tem sido amplamente usada como uma ferramenta diagnóstica de apoio para a DA, com achados sugerindo que as alterações estruturais cerebrais ocorrem antes do início dos sintomas cognitivos. A pesquisa proposta utilizará de uma abordagem longitudinal para acompanhar uma grupo de indivíduos com CCL por um período designado de tempo, com o objetivo de avaliar a taxa de conversão para DA. Imagens estruturais de RM da base de dados Alzheimer's Disease Neuroimaging Initiative (ADNI), na linha de base e em intervalos regulares, serão usadas neste estudo. As imagens passarão por pré-processamento, incluindo redução de ruído, correção de heterogeneidades de intensidade e padronização de contraste e espacial usando uma imagem modelo como referência. Em seguida, técnicas de engenharia de atributos e aprendizado profundo serão desenvolvidas para extrair informações relevantes das imagens, levando finalmente à elaboração de modelos de predição. A pesquisa proposta contribuirá para a compreensão das alterações estruturais cerebrais precoces decorrentes da DA e na definição do potencial da imagem de RM como uma ferramenta de diagnóstico para a detecção precoce e predição da conversão de casos CCL para DA. As descobertas deste estudo têm o potencial de informar estratégias de intervenção precoce e melhorar a qualidade de vida de indivíduos com MCI e AD. (AU)
Resumo O estudo in vivo dos mecanismos celulares e moleculares da interação entre leucócitos e endotélio na microcirculação de diferentes tecidos e condições inflamatórias é de extrema importância para o desenvolvimento de novos medicamentos anti-inflamatórios. Um exemplo comum é o modelo de "Encefalomielite Autoimune Experimental - EAE", amplamente utilizado na pesquisa da Esclerose Múltipla. Nessas pesquisas, a Microscopia Intravital (MI) é considerada o método padrão de análise, pois permite a obtenção de imagens com alta resolução temporal e baixa profundidade espacial. Atualmente, a análise das interações entre leucócitos e endotélio em pequenos animais é realizada visualmente, a partir de sequências de imagens de MI. No entanto, esse procedimento é demorado e pode levar à fadiga visual do observador, o que pode gerar estatísticas imprecisas. Nesse contexto, este projeto de pesquisa tem como objetivo avaliar a eficácia das técnicas Faster R-CNN, YOLO e SSD na detecção de leucócitos em imagens de microscopia intravital. A metodologia consiste na aplicação dessas técnicas em conjunto com algoritmos de pré-processamento de imagem para melhorar a qualidade e eficiência da detecção. Os resultados serão analisados quantitativamente, comparando as marcações manuais dos leucócitos feitas por um especialista com os resultados do processamento automático das imagens, utilizando a metodologia de curvas Precisão-Revocação. Esse projeto contribuirá para o desenvolvimento de ferramentas automatizadas de detecção de leucócitos, o que terá uma importância significativa na área de diagnóstico médico.
Esclerose múltipla (EM) é uma doença inflamatória crônica, e possivelmente autoimune, que afeta o sistema nervoso central (SNC) e atinge principalmente a população de adultos jovens. Por motivos genéticos ou ambientais, na EM, o sistema imunológico começa a agredir a bainha de mielina que recobre os neurônios, comprometendo, assim, a função do SNC. O imageamento por ressonância magnética (RM) tem sido usado clinicamente com muito sucesso para o diagnóstico e monitoramento da EM devido, principalmente, ao excelente contraste entre os tecidos moles. Nos últimos anos, alguns métodos computacionais têm sido propostos para auxiliar na segmentação e medição volumétrica das lesões de EM, dentre os quais podemos citar um método, recentemente desenvolvido pelo nosso grupo de pesquisa, que é iterativo, não-supervisionado e baseia-se num modelo de mistura de distribuições t-Student. Apesar das vantagens de ser automático, não-supervisionado e ter apresentado resultados comparados a outros métodos propostos na literatura, o nosso método carece de uma estratégia de parada para o modelo, que é iterativo mas usa um número fixo de iterações, e de um critério de seleção do número de agrupamentos, que, atualmente, é fixo. Como possíveis soluções para as limitações mencionadas, nessa pesquisa investigaremos o uso de padrões de textura de mapas de lesões, obtidos a cada iteração do método, para definir uma estratégia de parada para o algoritmo. Além disso, também analisaremos os critérios Bayesian Information Criterion (BIC) e Akaike Information Criterion (AIC) como uma maneira de selecionar o número de agrupamentos para o modelo de mistura.
A demência tornou-se um dos problemas mais relevantes de saúde pública mundial devido ao crescente envelhecimento da população idosa. Dentre os diferentes tipos de demência, a doença de Alzheimer (DA) é a mais frequente, correspondendo a quase 60% dos casos. De acordo com a Organização Mundial de Saúde, o número de pessoas com DA no mundo em 2010 correspondia a cerca de 35,6 milhões e a estimativa é que esse valor quase duplique em 2030 (65,7 milhões) e quadruplique até 2050 (115,4 milhões). No Brasil, cerca de um milhão de pessoas já foram acometidas pela DA. Entretanto, mesmo quando os pacientes relatam sintomas e apresentam perdas cognitivas evidentes, a demência pode não ser diagnosticada a tempo. Neste cenário, o desenvolvimento de técnicas computacionais automáticas tanto para o auxílio ao diagnóstico quanto com o intuito de elucidar elementos pouco investigados a respeito desta doença é essencial para a busca de sua cura. Portanto, esta pesquisa visa desenvolver técnicas para a detecção e posterior análise de assimetrias entre as regiões hipocampais esquerda e direita de imagens de ressonância magnética (RM) visando a classificação de imagens de RM nas classes envelhecimento cognitivo saudável e DA.