Título: Segmentação Inteligente de Gorduras em Tomografias Abdominais Visando Recomendações para Combater a Recidiva do Câncer de Mama
Autores: Carlos Estellita Neto, Ana Luiza Bessa de Paula Barros, Gustavo Augusto Lima de Campos, Rafael Lopes Gomes, Thelmo Pontes de Araujo, Glaucia Posso Lima, Sara Maria Moreira Lima Verde
Resumo: De acordo com o Instituto Nacional do Cancer (INCA), atualmente um dos principais riscos para desenvolvimento de cancer é o excesso de peso corporal. O excesso de gordura ocasiona um estado de inflamação crônica de baixa intensidade, que acarreta um aumento na produção de citocinas inflamatorias de desbalanço de adipocitocinas conduzindo ao estímulo de cascatas carcinogenicas que favorecem o desenvolvimento da doença. A Organização Mundial da Saúde (OMS) destaca também que o excesso de gordura corporal e um importante fator de risco envolvido com a genese de 13 tipos oncol ogicos distintos, entre esses o de mama. Ferramentas de processamento de imagens tem sido cada vez mais empregadas no contexto médico, para ajudar na reconstrução de imagens, detecção de anomalias, classificação de doenças, e segmentação de diferentes segmentos anatomicos. Neste contexto, este trabalho apresenta a descrição informal da primeira versão de um programa inteligente para segmentar tecido adiposo subcutaneo e visceral em imagens de tomografia computadorizada de abdomen, a fim de auxiliar profissionais da saude a desenvolver um plano de recomendaçoes personalizado para aconselhar pessoas a prevenir a recidiva do cancer de mama. O programa integra técnicas de pre-processamento de imagens com uma sequência de várias heurísticas simples, envolvendo as noçoes de superpixels e de similaridade por vizinhança. Nesta primeira versão, o programa esta produzindo resultados aceitáveis de segmentação de gordura subcutanea, enquanto ainda precisar a ser aprimorados para o caso da segmentação de gordura visceral.
Palavras-chave: Segmentação de Imagens do Abd omen, Tomografia Computadorizada, Cancer de Mama, Superpixels, Similaridade por Vizinhança, Heurísticas.
Páginas: 8
Código DOI: 10.21528/CBIC2023-131
Artigo em pdf: CBIC_2023_paper131.pdf
Arquivo BibTeX: CBIC_2023_131.bib