Seminário de Avaliação - Série A: Deep Learning Techniques for Reducing Motion Artifacts in Fetal MRI

Orientadores:
Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC

Banca Examinadora:
Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC (presidente)
Pablo Javier Blanco - Laboratório Nacional de Computação Científica - LNCC
Luciano Rebouças de Oliveira - Universidade Federal da Bahia - UFBA
Heron Werner Junior - Diagnosticos da America SA - Dasa-RJ

Suplentes:
Marcio Rentes Borges - Laboratório Nacional de Computação Científica - LNCC

Resumo:

As imagens de ressonância magnética (MRI) fetal são uma ferramenta essencial para avaliar o desenvolvimento do feto e detectar possíveis anomalias durante a gestação. No entanto, o movimento constante do feto dur ante o exame, combinado com a respiração da mãe, pode gerar artefatos que prejudicam a qualidade dessas imagens, dificultando a análise médica. A capacidade de remover esses artefatos sem comprometer os detalhes essenciais das imagens é de grande importância para garantir diagnósticos mais precisos e confiáveis. Um modelo capaz de eliminar esses ruídos pode melhorar significativamente a qualidade das imagens, impactando positivamente o campo da medicina fetal ao proporcionar maior clareza para o monitoramento e tratamento do feto. Este trabalho explora o uso de técnicas de deep learning para melhorar a qualidade de imagens de ressonância magnética fetal, removendo artefatos causados pelos movimentos do feto durante os exames. Nossos estudos iniciais foram baseados no uso da Cycle GAN treinada com dados sintéticos que simulam artefatos de movimento de maneira generalista. A abordagem aprimora as imagens de ressonância magnética enquanto preserva detalhes importantes. O estudo compara esse método com outras abordagens, como Pix2Pix e Mobile Unet, demonstrando que a solução proposta é capaz de limpar e as imagens sem introduzir novas distorções. Entretanto, em casos mais complexos o modelo generativo ainda não atende as expectativas. Avaliar a quantidade de artefatos ou até mesmo caracterizá-los ainda é um campo aberto na literatura o que dificulta a avaliação de bons modelos. Neste sentido, a pesquisa se estende à segmentação destes artefatos nas imagens e o uso das regiões obtidas para realizar um tratamento mais eficiente.