Aprendizado profundo para a segmentação de regiões teciduais em cirurgias minimamente invasivas

• Autor(a) principal: Zuanazzi, Thales Pimentel [UNESP]
• Data de Publicação: 2024
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: https://hdl.handle.net/11449/256834
• topic: Inteligência artificial; Laparoscopia; Python (Linguagem de programação de computador); Visão por computador

Este trabalho de conclusão de curso investigou o uso de aprendizado profundo para a segmentação de imagens em cirurgias laparoscópicas, com o objetivo de desenvolver e aplicar de maneira pratica técnicas de visão computacional e Inteligencia Artificial em cirurgias de laparoscopia. A pesquisa abordou a aplicação de redes neurais, especificamente a combinação de Redes Neurais Residuais (ResNet) e Autoencoders Convolucionais em Formato de U (U-Net), resultando na utilização da UResNet, uma arquitetura híbrida adaptada para segmentação das imagens em estudo. O estudo utilizou o Dresden Surgical Anatomy Dataset (DSAD), composto por mais de 13.000 imagens segmentadas de cirurgias robóticas assistidas. Ferramentas como a linguagem Python e as bibliotecas PyTorch, Torchmetrics, Torchvision, NumPy, Pandas, Matplotlib, PIL e TQDM foram essenciais para o desenvolvimento e treinamento dos modelos. O Google Colaboratory (Colab) foi utilizado para o processamento devido aos recursos computacionais gratuitos oferecidos. Além disso, o Método Taguchi foi empregado para otimizar os parâmetros da rede neural. Os experimentos realizados mostraram que a UResNet foi capaz de segmentar imagens cirúrgicas com uma acurácia de cerca de 85%, comparável à pesquisa original do DSAD. Os resultados demonstraram a eficácia das técnicas e modelos utilizados, com melhorias pequenas após refinamentos e retreinamento. As redes foram testadas em várias situações, desde imagens simples até complexas presentes no banco de dados, enfrentando desafios como ruídos e variações de iluminação. A pesquisa revelou limitações de processamento que necessitaram do uso do Google Colab, com um tempo de treinamento prolongado devido aos recursos computacionais limitados. Apesar disso, a viabilidade de redes neurais profundas para segmentação de tecidos em imagens médicas foi comprovada. O trabalho destacou a importância de um tratamento mais robusto das imagens e o uso de redes mais profundas em futuras pesquisas. O trabalho atingiu seus objetivos técnicos e acadêmicos, aprofundando o entendimento de ferramentas e técnicas avançadas de aprendizado profundo aplicadas à cirurgia laparoscópica. A tecnologia de segmentação de imagens médicas está em evolução e tem o potencial de se tornar uma ferramenta comum no cotidiano médico, auxiliando na identificação de tecidos e ferramentas cirúrgicas, contribuindo para procedimentos mais precisos e seguros.