Seleção de Fatias Guiada por Grad-CAM em Tomografia Computadorizada para Detecção de Hemorragias Cerebrais

• Daniel C. Santos UFAM
• Paulo H. N. Gonçalves UFAM
• Eduardo Souto UFAM
• Robson L. O. Amorim UFAM

DOI: https://doi.org/10.5753/sbcas.2025.7752

Resumo

As hemorragias intracranianas são condições graves e potencialmente fatais, exigindo um diagnóstico rápido e preciso para reduzir sequelas neurológicas e mortalidade. A tomografia computadorizada (TC) é amplamente utilizada nesse contexto, mas a avaliação manual é demorada e sujeita a variações interobservador. Redes Neurais Convolucionais Tridimensionais (CNN3D) têm sido aplicadas para auxiliar na análise de imagens médicas volumétricas, porém sua utilização enfrenta desafios como alto custo computacional e redundância de informações nos volumes completos de TC. Este estudo propõe o método Seleção Guiada por Mapeamento de Ativação de Classe Ponderado por Gradiente (Grad-CAM) 2D (SGG-2D), uma abordagem híbrida que combina técnicas adaptativas e não adaptativas para seleção eficiente de fatias. A estratégia emprega um modelo de classificação 2D associado ao Grad-CAM para identificar fatias mais informativas, complementado por um esquema de amostragem estruturada que garante uma distribuição equilibrada das fatias ao longo do volume tomográfico. A abordagem foi comparada com seis métodos existentes, alcançando a maior acurácia (75,67%) e AUC-ROC (82,72%). Os resultados demonstram que a seleção otimizada de fatias não apenas reduz a complexidade computacional, mas também aprimora a qualidade dos dados de entrada para CNN3Ds, resultando em maior precisão na classificação de anomalias em exames volumétricos.

Referências

Anouk Stein, M., Wu, C., Carr, C., Shih, G., Kalpathy-Cramer, J., Elliott, J., kalpathy, Prevedello, L., Marc Kohli, M., Lungren, M., Culliton, P., Ball, R., and MD, S. H. (2019). Rsna intracranial hemorrhage detection. [link]. Kaggle.

Bai, Q., Gao, Y., Chen, F., Zhang, Y., Yang, Y., Zhong, L., Yang, W., and Yang, Y. (2024). Representative slice selection and multi-view projection learning for pulmonary tuberculosis infectiousness identification using ct volume. IEEE Access, 12:1374–1390.

Burduja, M., Ionescu, R. T., and Verga, N. (2020). Accurate and efficient intracranial hemorrhage detection and subtype classification in 3d ct scans with convolutional and long short-term memory neural networks. Sensors, 20(19):5611.

da Silva, L. A. (2023). Abordagem de aprendizado profundo para extração de quadros significativos em volumes de tomografia computadorizada. Dissertação de mestrado, Universidade Federal do Amazonas - ICOMP-UFAM, Manaus, Brasil.

Köpüklü, O., Kose, N., Gunduz, A., and Rigoll, G. (2019). Resource efficient 3d convolutional neural networks. arXiv preprint arXiv:1904.02422.

Oladimeji, O., Ayaz, H., Unnikrishnan, S., and McLoughlin, I. (2023). Lightweight deep learning for breast cancer diagnosis based on slice selection techniques. In Proceedings of the 2023 Irish Conference on Artificial Intelligence and Cognitive Science (AICS). IEEE.

Xie, S., Girshick, R., Dollár, P., Tu, Z., and He, K. (2017). Aggregated residual transformations for deep neural networks. arXiv preprint arXiv:1611.05431.

Zunair, H., Rahman, A., Mohammed, N., and Cohen, J. P. (2019). Estimating severity from ct scans of tuberculosis patients using 3d convolutional nets and slice selection. CLEF2019 Working Notes.

Zunair, H., Rahman, A., Mohammed, N., and Cohen, J. P. (2020). Uniformizing techniques to process ct scans with 3d cnns for tuberculosis prediction. In Maglogiannis, I., Iliadis, L., and Pimenidis, E., editors, Predictive Intelligence in Medicine, pages 156–168. Springer International Publishing.