14 fev 2025
19:00 Defesa de Doutorado Auditório do IC3
Tema
Geração Automática de Implantes Cranianos Personalizados por Aprendizado de Máquina Profundo
Aluno
Paulo Henrique Junqueira Amorim
Orientador / Docente
Hélio Pedrini
Breve resumo
Cranioplastia é um procedimento cirúrgico para reparar perda óssea no crânio ocasionada por acidentes ou procedimentos cirúrgicos como craniotomia descompressiva, remoção de tumores cerebrais e acidente vascular cerebral. Nesse tipo de procedimento, a opção clássica é o cirurgião preencher manualmente a lesão com material biocompatível, osso do paciente ou de banco de ossos. Com o avanço tecnológico, quando não é possível utilizar ossos, há cirurgiões que optam por confeccionar o implante antes da cirurgia com o uso de molde ou impressão 3D diretamente em material biocompatível. O primeiro passo para a confecção do implante é o projeto e, para isso, são empregados sistemas de processamento de imagens médicas e de processamento de malhas triangulares, levando para o campo digital o procedimento cirúrgico clássico. Essa etapa depende de profissionais qualificados em diferentes áreas, além de demandar tempo e custo. Diante disso, nesta tese provemos duas técnicas para a geração automática de implantes cranianos personalizados por aprendizado de máquina profundo. Um dos principais componentes de um sistema orientado a aprendizado de máquina são os dados. Nesse sentido, há um conjunto de dados público dedicado a esse problema, entretanto, as lesões foram criadas por processamento de imagens e computação gráfica, ou seja, são sintéticas. As redes treinadas a partir desses dados apresentam baixo desempenho quando realizam a inferência de lesões reais. Neste projeto de pesquisa, empregamos dados de lesões reais disponibilizados por instituição parceira na pesquisa, o Centro de Tecnologia da Informação (CTI) Renato Archer. Inicialmente, os dados de tomografia computadorizada e as informações de referência em forma de malha triangular foram tratados para ambos ficarem no mesmo formato de representação. Inicialmente, recortes são extraídos dos exames e, em seguida, utilizamos diferentes modelos tridimensionais de redes neurais profundas. Essa metodologia aplicada ao problema de geração automática de próteses cranianas não foi reportado na literatura até o momento. Um coeficiente Sorensen Dice de 73% foi obtido para o conjunto de dados de lesões reais e 91% para o conjunto sintético.
Banca examinadora
Titulares:
| Hélio Pedrini | IC/UNICAMP |
| Leila Cristina Carneiro Bergamasco | FEI |
| Jonas de Carvalho | EESC/USP |
| Helena de Almeida Maia | IC/UNICAMP |
| Pedro Ribeiro Mendes Júnior | IC/UNICAMP |
Suplentes:
| Alexandre Mello Ferreira | EEP |
| Moacir Antonelli Ponti | ICMC/USP |
| Ronaldo Cristiano Prati | CMCC/UFABC |