Resumo
Os tumores cerebrais trazem alto impacto clínico e social, sobretudo devido às dificuldades associadas ao seu diagnóstico precoce. A complexidade do diagnóstico dos tumores decorre de fatores como a heterogeneidade intrínseca deste tipo de patologia, que pode variar em localização, extensão e padrões histológicos, oque dificulta a definição de critérios diagnósticos uniformes. Para contornar esses desafios, diversos métodos inovadores a partir dos exames de ressonância magnética e radiômica têm sido empregados. O método proposto neste estudo se utiliza de aprendizado profundo para detectar tumores cerebrais com o framework “You only look once” (YOLO), e um processo de ajuste fino no final da camada de rede usando células computacionais sintéticas capazes ajustar a região detectada, aprimorando assim, a segmentação das bordas do tumor cerebral. Além disso, o método utiliza um pipeline de classificação que combina um conjunto de classificadores e extratores aliados à busca de hiperparâmetros ótimos pelo método de grid search, para encontrar a melhor combinação e os melhores hiperparâmetros para o conjunto de dados. O método obteve resultados satisfatórios com altos índices de acurácia para detecção de regiões lesionadas pelo tumor, para segmentação de tumores cerebrais, e para a classificação de presença dos mesmos. O tempo de segmentação foi inferior a 1 segundo, superando o estado da arte e demonstrando o potencial do método proposto. A nova abordagem propõe o uso de duas bases de dados: A base de dados de segmentação adotada foi a TCGA/LGG; A base de dados de classificação adotada foi a BraTS2020, para classificar a presença de tumores em imagens de ressonância magnética, bem como o tempo de vida do paciente. As etapas de segmentação e classificação são validadas mediante comparação com a literatura, com trabalhos que utilizaram o mesmo conjunto de dados em mesmas métricas. Por fim, o método adota uma arquitetura de modelo de linguagem de grande escala (LLM) para tumores cerebrais capaz de gerar um pré-diagnóstico por meio dos dados clínicos classificados, e pode ser usada em sistemas para auxiliar o diagnóstico por imagem médica. Como contribuição, este estudo emprega novos modelos de detecção combinados com um método inovador baseado em processamento digital de imagens para aprimorar as métricas de segmentação, bem como o uso de Fusão de Dados, combinando as diferentes modalidades de ressonância magnética de tumores para aprimorar o desempenho da classi