Uma Arquitetura Multimodal Profunda Para a Predição de Recorrência de Tumores em Volumes de Ressonância Magnética

• Gabriel Souza PUC Minas
• Alexei M. C. Machado PUC Minas / UFMG

DOI: https://doi.org/10.5753/sbcas.2026.21439

Resumo

A predição de recorrência de tumores tratados por radioterapia é um problema difícil, principalmente em cenários onde se analisam conjuntos de dados desbalanceados. Este estudo apresenta uma solução baseada em redes profundas para o problema, que explora a integração multimodal de informações clínicas e demográficas com as imagens anatômicas e do mapa de aplicação de radiação, reunindo-as em um único volume de dois canais para ampliar o contexto oferecido ao modelo e aumentar sua capacidade de generalização. Experimentos conduzidos com o dataset Brain-TR-GammaKnife demonstraram a superioridade da abordagem multimodal integrada, aumentando de forma estatisticamente significativa os valores de acurácia, sensibilidade e especificidade na predição de recorrência de tumores cerebrais.

Referências

Chen, S., Ma, K., and Zheng, Y. (2019). Med3d: Transfer learning for 3d medical image analysis. arXiv preprint arXiv:1904.00625.

Hossain, T., Qureshi, Z., Jayakumar, N., Muttikkal, T. E., Patel, S., Schiff, D., Zhang, M., and Kundu, B. (2023). Multimodal deep learning to differentiate tumor recurrence from treatment effect in human glioblastoma. In IEEE Int Symp on Biomedical Imaging, pages 1–4.

Jia, Z. and Chen, D. (2020). Brain tumor identification and classification of mri images using deep learning techniques. IEEE Access, page 1.

Mohana Ropa, Y., Moon, K. R., and Singh, T. (2024). Deep learning-based hybrid framework utilizing opencv and cnn for automated brain tumor detection and mri image classification. In Int Conf on Sustainable Expert Systems, pages 1674–82.

Oviya, I. R., Vishnu, S., Anusha, J. S., Chatiyode, V., Priyanga, S., and Charan, K. K. S. (2024). Enhanced brain tumor segmentation using unet3d: A deep learning perspective. In Int Conf on Computing Communication and Networking Technologies, pages 1–7.

Raj, J. R. F., Presskila, X. A., Krishnan, R. S., Sarala, R., Isaac, R. A., and Soundiraraj, N. (2025). 3d resnet-18 based deep convolutional network for automated stroke detection in volumetric ct scans. In International Conference on Inventive Computing and Informatics (ICICI), pages 01–08.

Siol, M. S. U. (2023). Brain mri model implementation. [link].

Tang, M. C. S. and Teoh, S. S. (2023). Brain tumor detection from mri images based on resnet18. In Int Conf on Information Systems and Computer Networks, pages 1–5.

Wang, Y., Duggar, W., Caballero, D., Thomas, T., Adari, N., Mundra, E., and Wang, H. (2023). A brain mri dataset and baseline evaluations for tumor recurrence prediction after gamma knife radiotherapy. Sci Data, 10:785.