Resumo
O Acidente Vascular Cerebral (AVC) representa um grave problema de saúde pública global, sendo responsável por elevados índices de morbidade e mortalidade. Segundo a Organização Mundial da Saúde (OMS), aproximadamente 15 milhões de pessoas sofrem AVC anualmente, desse total, 5 milhões morrem e outros 5 milhões ficam permanentemente incapacitados. Diante desse cenário, a reabilitação precoce, iniciada ainda no ambiente hospitalar, desempenha um papel fundamental na recuperação funcional, contribuindo para que os sobreviventes alcancem o maior nível possível de independência ao longo do tempo. A Tomografia Computadorizada (TC) é o principal exame de imagem utilizado na rotina clínica para identificação e avaliação da gravidade do AVC, principalmente em sua fase aguda. Neste contexto, sistemas baseados em inteligência artificial têm se mostrado promissores para auxiliar na detecção e caracterização das lesões cerebrais associadas ao AVC. Este trabalho propõe uma abordagem híbrida, que combina redes convolucionais (CNN)comRedesGrafoConvolucionais(GCN),visandorealizarasegmentaçãoautomática de regiões afetadas por AVC hemorrágico em imagens de TC do crânio. Inicialmente, um modelo CNN é empregado para extrair atributos representativos de cada imagem, os quais são utilizados para a construção de um grafo que modela a similaridade entre os exames. Em seguida, uma GCN é utilizada para realizar a propagação de informações entre os nós do grafo, permitindo a classificação dos exames nas classes normal, isquêmico e hemorrágico. Nos casos classificados como hemorrágicos, é aplicada uma segunda etapa de segmentação, baseada em GCN, com foco na delimitação precisa da região lesionada. Para avaliação da proposta, foi utilizada uma base de dados composta por exames de TC rotulados manualmente por especialistas. Os resultados obtidos demonstraram desempenho superior em relação aos trabalhos da literatura, com destaque para a acurácia de 99,50% na classificação e coeficiente de Dice de 95,98% na segmentação. As demais métricas de segmentação obtidas foram: Jaccard de 92,54%, sensibilidade de 95,94%, especificidade de 95,94% e precisão de 95,88%, evidenciando a robustez da abordagem proposta. Esses resultados indicam que a abordagem híbrida proposta é eficaz para a identificação e segmentação de AVC hemorrágico, apresentando grande potencial para integrar sistemas de apoio ao diagnóstico clínico