Informações:

Publicações do PESC

Título
A Data-Driven Approach for Estimating Temperature Variations Based on B-Mode Ultrasound Images and Changes in Backscattered Energy
Linha de pesquisa
Inteligência Artificial
Tipo de publicação
Tese de Doutorado
Número de registro
Data da defesa
4/12/2023
Resumo

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).

Abstract

Heating-based therapies are those where a heat source is used to assist in treatments of conditions that ranges from inflammation to forms of cancer. In this type of medical procedure, monitoring temperature variation is vitally important because, if the desired temperature range is not reached, treatment may be limited or even worsen the existing problem. In this sense, this work aims to propose a modeling to address the problem of estimating temperature variation in regions of B-mode ultrasound images that allows the use of machine learning models. To validate the modeling, tree-based models, simple topologies of deep neural networks and weightless neural networks adapted for regression problems were explored. The proposed modeling aims to deal only with information provided by the ultrasound images, incorporating data that can be obtained from a parametric image constructed based on changes in backscattered energy (CBEUS). The computational results showed that, in a simulated scenario, the proposed approach with the Gradient Boosting Decision Tree model would be able to estimate the temperature with an mean absolute error close to 0.5ºC, which is acceptable in practical environments both in physiotherapeutic treatments and high intensity focused ultrasound (HIFU).

Arquivo
Topo