A Data-Driven Approach for Estimating Temperature Variations Based on B-Mode Ultrasound Images and Changes in Backscattered Energy

Terapias baseadas em aquecimento são aquelas onde uma fonte de calor é utilizada para auxiliar no tratamento de condições que variam deste inflamações até alguns tipos de câncer. Neste tipo de procedimento médico, o monitoramento da variação da temperatura é de vital importância pois, se a janela de temperatura desejada não for alcançada, a eficácia do tratamento por ser limitada ou é possível até mesmo agravar o problema existente. Nesse sentido, o presente trabalho propõe uma modelagem para tratar o problema de estimar a variação de temperatura em imagens de ultrassom em modo B possibilitando a utilização de modelos de aprendizado de máquina. Para validar a modelagem, foram explorados modelos baseados em árvores, topologias simples de redes neurais profundas e redes neurais sem peso modificadas para problemas de regressão. A modelagem proposta lida apenas com informações providas pelas imagens de ultrassom, incorporando informações obtidas a partir de uma imagem paramétrica construída com base nas mudanças de energia de retroespalhamento (CBEUS). Os resultados computacionais mostram que, em um cenário simulado, a modelagem proposta em conjunto com o modelo Gradient Boosting Decision Tree (GBDT) é capaz de estimar a variação de temperatura com um erro médio absoluto próximo de 0.5ºC, o que é considerado aceitável em ambientes práticos tanto em tratamentos fisioterapêuticos quando em ultrassom focalizado de alta intensidade (HIFU).