| dc.description.abstract |
As leucoplasias bucais (LB) fazem parte do grupo das lesões orais com potencial de malignização, e por isso, merecem atenção especial com a necessidade de monitoramento contínuo. Fotografias clínicas destas lesões são utilizadas no monitoramento clínico das mesmas, e são realizadas consecutivamente duarnte os atendimentos. Estas imagens podem ser empregadas na criação de algoritmos de Inteligência Artificial (IA), visando a criação de ferramentas auxiliares no diagnóstico, acompanhamento e na conduta terapêutica destas lesões. Dessa forma, o objetivo desse estudo foi trabalhar no processamento de imagens fotográficas das leucoplasias bucais para viabilizar condições ideiais para criação de algoritmos de redes neurais. Ainda, acessar informações clínicas e características de cores para classificar as lesões em homogêneas e não homogêneas. Neste sentido, três etapas distintas foram definidas: 1) classificação das lesões; 2) segmentação interativa dos sítios lesionais na imagem; 3) criação de máscaras correspondentes a estes sítios contendo informações de geolocalização. Para o estudo foram selecionadas 55 fotografias de leucoplasias dos acervos dos serviços de Estomatologia do Núcleo de Odontologia Hospitalar - Hospital Universitário Professor Polydoro Ernani de São Thiago – HU/UFSC/EBSERH, da Universidade Federal de Santa Catarina, e da Faculdade de Odontologia da Universidade de São Paulo (FOUSP). O projeto foi aprovado em ambos Comitês de Ética em pesquisa do centro principal e centro coparticipante (CAAE UFSC 46527321.0.0000.0121 e CAAE FOUSP 46527321.0.3001.0075). Essas imagens foram inicialmente inseridas no software de domínio público ImageJ (Fiji), onde foi delimitada uma região de interesse (ROI), no formato de um quadrado, sendo uma área representativa da lesão. Utilizou-se um plugin para criação de um plot com informações que representavam a distribuição e quantificação dos pixels na área analisada, utilizando do processamento por clusterização. Para padronização, os pixels foram delimitados na escala de cores entre branco e vermelho (8 bits). Este plot foi posteriormente utilizado como ferramente auxiliar na realização do consenso com um painel de experts na especialidade de Estomatologia (3 professores da UFSC), que observaram as imagens clínicas juntamente aos plots para classificação das lesões em duas classes: homogêneas e não homogêneas. A concordância entre eles foi calculada através de porcentagem simples. Na segunda etapa do projeto, dois operadores foram previamente calibrados e realizaram a segmentação interativa de todas as lesões – definida pela delimitação manual da leucoplasia na imagem clínica, compreendendo toda a sua extensão – e foi criada uma ROI de formato irregular que continha todo o sítio lesional. As ROIs eram desenhadas no esquema ponto-a-ponto, podendo conter um ou mais sítios, e foram avaliados os seguintes parâmetros: área, perímetro, centroide e circularidade. Foi calculado o Índice de Correlação Intraclasse (ICC) para os dois operadores. Ainda, foi realizada análise comparativa pelo teste de Wilcoxon (área e perímetro), e Teste t não-pareado (variáveis X e Y do centroide e circularidade) para os resultados obtidos. Na última etapa do estudo, todas as delimitações das LBs realizada no processo de segmentação interativa foram armazenadas em formato .ROI. No ambiente de programação Visual Studio Code, foi criado um código computacional em linguagem Python 2.8 chamado create_mask_from_roi. Este código gerou máscaras que correspondem ao sítio lesional, separando a imagem por meio da binarização. Como resultados, na etapa 1 houve concordância em 67% dos casos, mesmo com o uso do plot como ferramenta auxiliar. A classificação das lesões foi necessária para que as próximas etapas da IA fossem orquestradas considerando a diferença clínica entre as leucoplasias, e que existe uma divergência em alguns casos entre experts na área. Na etapa de segmentação, houve um nível excelente de concordância entre os operadores, no entanto, com diferenças significantes no tamanho, perímetro e localização no eixo x (p<0,05). Na etapa 3, o cógido foi testado e foram geradas máscaras para as 55 imagens que demonstravam satisfatoriamente os sítios lesionais nas imagens. Conclui-se que o processamento das imagens de leucoplasias bucais é possível e que as informações obtidas nas análises pós-segmentação ajudaram a entender melhor as características dos sítios lesionais. A classificação das lesões em homogêneas e não homogêneas é difícil e está relacionada a diversos fatores para além da caracterização por cores. Estes achados devem ser considerados na utilização destas características na identificação de padrões nas metodologias de Inteligência Artificial. Houve boa concordância entre operadores quanto a geolocalização das lesões na imagem, e desta forma, encoraja-se o uso das imagens em redes neurais. Como perspectivas futuras, a continuidade deste projeto se dará com a criação de um algoritmo de Machine Learning para identificação das leucoplasias bucais, o que pode trazer inúmeros benefícios no diagnóstico e categorização das lesões, principalmente na identificação de sítios lesionais de difícil identificação clínica. |
pt_BR |
