14 fev 2025
09:00 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
A cranioplastia é um procedimento cirúrgico utilizado para reparar a perda óssea no crânio, resultante de acidentes ou de cirurgias como craniotomia descompressiva, remoção de tumores cerebrais e acidente vascular cerebral. Tradicionalmente, o cirurgião preenche manualmente a lesão com material biocompatível, osso do próprio paciente ou de banco de ossos. Com os avanços tecnológicos, quando não é possível utilizar ossos, alguns cirurgiões optam por confeccionar o implante previamente à cirurgia, utilizando moldes ou manufatura aditiva (impressão 3D) em materiais biocompatíveis. O primeiro passo é o projeto do implante, que utiliza sistemas de processamento de imagens médicas e de malhas triangulares, levando o procedimento cirúrgico tradicional ao ambiente digital. Essa etapa exige profissionais qualificados em diferentes áreas e envolve um considerável custo e tempo. Diante disso, duas técnicas para a geração automática de implantes cranianos personalizados, utilizando aprendizado de máquina profundo, foram desenvolvidas nesta tese de doutorado. Um dos principais componentes de um sistema baseado em aprendizado de máquina são os dados. Nesse contexto, há um conjunto de dados público dedicado a esse problema, porém as lesões foram geradas por processamento de imagens e computação gráfica, ou seja, são sintéticas. As redes treinadas com esses dados apresentam baixo desempenho ao realizar inferências em lesões reais. Para superar essa limitação, utilizamos dados de lesões reais fornecidos pelo Centro de Tecnologia da Informação (CTI) Renato Archer, uma instituição parceira na pesquisa. Inicialmente, os dados de tomografia computadorizada e as informações de referência, em forma de malha triangular, foram ajustados para garantir que ambos estivessem no mesmo formato de representação. A seguir, realizamos um pré-processamento de acordo com um dos dois métodos propostos, sendo a principal diferença entre eles a segmentação da região óssea craniana no método binário. Um aumento de dados foi aplicado e então recortes foram extraídos dos exames. Os modelos de redes neurais profundas U-Net, Attention U-Net, U-Net Transformer e Swin U-Net Transformer foram treinados e avaliados para o problema em questão. A avaliação numérica dos métodos foi realizada com os coeficientes Dice, Border Dice, 95% Hausdorff Distance e espessura. Além disso, realizamos uma avaliação qualitativa, considerando aspectos como o fechamento da lesão e o encaixe do implante. A partir da metodologia que apresentou os melhores resultados, avaliamos dois conjuntos de dados de lesões sintéticas e um conjunto de dados reais fornecidos pela competição AutoImplant. Para o conjunto de dados reais do CTI Renato Archer, obtivemos um coeficiente Dice de 73% para o método baseado em níveis de cinza e 70% para o método com a região óssea segmentada. Já para os conjuntos sintéticos da competição AutoImplant, nas tarefas 1 e 3, obtivemos coeficientes Dice de 68,4% e 93%, respectivamente. Para o conjunto de lesões reais da competição (tarefa 2), obtivemos 70% de coeficiente Dice. Para simular uma aplicação clínica, realizamos a produção por manufatura aditiva de um modelo de crânio lesionado e quatro modelos de implantes, sendo um modelo inferido por cada um dos dois métodos propostos com e sem suavização. Para tornar o resultado deste trabalho acessível à comunidade, disponibilizamos os dois métodos no pacote de código aberto InVesalius.
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 |