Estudo Relacionado à Identificação da Malignidade de Nódulos da Tireóide por Dados Clínicos e Imagens Infravermelhas

• José Ramón González Montero UFF
• Aura Conci UFF

DOI: https://doi.org/10.5753/sbcas_estendido.2024.2247

Resumo

Segundo especialistas e a literatura médica, a tireóide como uma glândula saudável e mesmo os nódulos benignos tendem a ser menos inflamados e ativos que os nódulos malignos e, consequentemente poderiam ter comportamento diferenciado quanto à variação de temperatura na superfície da pele. Este trabalho analisa os parâmetros que influenciam na identificação de nódulos da tireóide por termográficas, investiga condições essenciais do exames, identifica as características dos pacientes e dos nódulos que podem afetar sua visualização em infravermelho. Para isto, foram capturadas imagens, coletados dados clínicos e ultrassonográfico de 151 pacientes com nódulos de tireóide, seguindo um protocolo desenvolvido em conjunto com o Departamento de Endocrinologia e aprovado pelo comitê de ética do Hospital Universitário da UFF e registrado na Plataforma Brasil do Ministério da Saúde. Alguns pacientes tiveram a malignidade dos nódulos confirmada por biópsia pósoperatória. Os desenvolvimentos realizados incluem análises de transferência de calor, uso de técnicas de aprendizado de máquina e aprendizado profundo. Os resultados mostram que é possível usar termografia para auxiliar no diagnóstico de nódulos de tireóide.

Referências

Borchartt, T. B., Conci, A., Lima, R. C., Resmini, R., and Sanchez, A. (2013). Breast thermography from an image processing viewpoint: A survey. Signal Processing, 93(10):2785–2803. Signal and Image Processing Techniques for Detection of Breast Diseases.

Comsol (2021). Comsol multiphysics®. Disponível em [link]. Acessado em 20/03/2021.

Damião, C. (2021). Avaliação da importância da termografia no auxílio à investigação diagnóstica de nódulos tireoidianos em pacientes acompanhados no HUAP-UFF. PhD thesis, Faculdade de Medicina / Universidade Federal Fluminense, Teses de Doutorado, Niterói, RJ, Brasil.

Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., and Witten, I. H. (2009). The WEKA data mining software: An update. ACM SIGKDD Explorations Newsletter, 11(1):10–18.

Huang, G., Liu, Z., Van Der Maaten, L., and Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 4700–4708.

Weiss, K., Khoshgoftaar, T. M., and Wang, D. (2016). A survey of transfer learning. Journal of Big data, 3:1–40.