Desenvolvimento de algoritmos de segmentação utilizando Inteligência Artificial: Incorporação de novas ferramentas ao programa de computador SMART MONITORING visando avaliação de lesões em fotografias clínicas de forma automatizada.

Abstract

O SMART MONITORING é um programa de computador desenvolvido pela equipe da UFSC para análises métricas em fotografias clínicas de lesões planas, permitindo a men- suração da área e dos maiores eixos longitudinais de forma semiautomatizada. Criado em 2022, vem sendo utilizado pelas equipes de Estomatologia do NiEP — Núcleo de Estomatologia e Prótese Bucomaxilofacial — e do NOH/HU — Núcleo de Odontologia Hospitalar do Hospital Universitário. Neste contexto, tornou-se necessário o aprimora- mento do programa, com a inserção de ferramentas que otimizassem os processos de análise. Este projeto de Iniciação Tecnológica concentrou-se no estudo e aplicação de técnicas de inteligência artificial (IA), aprendizado de máquina e aprendizado profundo, com o objetivo de expandir as capacidades do sistema, em especial no reconhecimento de dispositivos de escala e na segmentação preliminar da superfície lesional. Para isso, foi construído um banco de dados com 109 imagens clínicas de lesões orais e cutâneas, todas acompanhadas de dispositivos de escala impressos em 3D. A anotação foi realizada no Label Studio, utilizando a ferramenta de pincel para duas classes principais (área lesional e dis- positivo de escala). Aproximadamente 21,1% das imagens exigiram revisão conjunta com especialistas para consenso, assegurando maior confiabilidade das máscaras de referência. As imagens foram padronizadas por ajustes de resolução, recorte das regiões de interesse e normalização de pixels. Em seguida, aplicaram-se técnicas de data augmentation com a biblioteca Albumentations, incluindo operações de rotação, espelhamento, ColorJitter (ajustes de cor e iluminação), desfoque (blur) e alterações de brilho e contraste, ampliando a variabilidade do conjunto e favorecendo a generalização dos modelos. A partir desse material, foi implementado um pipeline modular em ambiente Python, contemplando do pré-processamento ao treinamento e validação em GPU de arquiteturas de redes neurais profundas. Os resultados qualitativos mostraram que o modelo foi capaz de realizar a de- tecção consistente dos dispositivos de escala e a segmentação confiável da área lesional. As predições apresentaram contornos bem definidos e boa correspondência com as anotações manuais. Mais do que divulgar resultados específicos, esta pesquisa ressalta o processo de aquisição de conhecimento e a construção de competências técnicas que servirão de base para futuras versões do SMART MONITORING. Essas futuras versões poderão oferecer maior automação, precisão e adaptabilidade e aplicabilidade clínica e em pesquisas no acompanhamento de lesões.