Defesa de Tese de Doutorado de Paulo Cezar Lacerda Neto – 07/07/2025, 9h, por videoconferência
Link para defesa: https://meet.google.com/vxh-cqfw-mbu
Aprendizado Profundo Combinando Redes Convolucionais com Redes Recorrentes para Apoio ao Diagnóstico de Pneumonia Baseado em Tomografia Computacional de Tórax
Resumo:
A pandemia de COVID-19 evidenciou a urgência de soluções automatizadas para apoiar o diagnóstico por imagem, diante do elevado volume de exames e da necessidade de resultados ágeis e confiáveis. Nesta tese, propusemos e implementamos um pipeline integrado para análise de tomografias computadorizadas de tórax, que combina normalização de intensidade e seleção de cortes centrais, extração de características por redes convolucionais pré-treinadas e modelagem sequencial via LSTM com atenção temporal, complementada por uma estratégia de votação adaptativa entre cortes para otimização do limiar de detecção. As contribuições centrais deste trabalho incluem a padronização de fluxos robustos de pré-processamento que garantem consistência entre protocolos de aquisição; a adaptação de CNNs pré-treinadas para extração eficiente de padrões em bases moderadas; a incorporação de atenção temporal para realce automático dos cortes mais informativos; a disponibilização completa de artefatos reprodutíveis — pesos de modelo, conjuntos de dados processados e relatórios de treinamento — e de pipelines de inferência otimizados para implantação clínica; e o incentivo à ciência aberta por meio de publicações em periódicos e conferências de acesso aberto, repositórios de código e desafios de benchmarking. A validação realizada no dataset público CC-CCII, por meio de validação cruzada em cinco folds e teste em base externa hold-out, resultou em sensibilidade e especificidade superiores a 99%, com inferência em tempo real em hardware padrão. Esses resultados comprovam a excelência e a prontidão clínica do método, abrindo caminho para extensões em classificação multiclasses e fusão multimodal com dados clínicos em pesquisas futuras.
Abstract:
The COVID-19 pandemic has underscored the urgent need for automated imaging tools capable of handling high volumes of exams with rapid, reliable results. In this thesis, we propose and implement an end-to-end pipeline for the analysis of chest computed tomography (CT), integrating intensity normalization and central-slice selection, feature extraction via pretrained convolutional neural networks, and sequential modeling through an LSTM enhanced with temporal attention, further refined by an adaptive slice-voting strategy to optimize the detection threshold. Key contributions include the definition of robust preprocessing workflows that ensure consistency across acquisition protocols; the customization of pretrained CNNs for efficient pattern extraction from moderately sized datasets; the application of temporal attention to automatically highlight the most diagnostically relevant slices; the release of fully reproducible artifacts—model weights, processed datasets, and training logs—and inference pipelines optimized for clinical deployment; and a commitment to open science through open-access publications, public code repositories, and organized benchmarking challenges. We validated our approach on the public CC-CCII dataset using five-fold cross-validation and an independent hold-out test, achieving sensitivity and specificity above 99% with real-time inference on standard hardware. These results demonstrate the clinical readiness and high performance of the framework, paving the way for future extensions in multiclass classification and multimodal fusion with clinical data.
Banca examinadora:
Prof. Célio Vinicius Neves de Albuquerque, UFF – Presidente
Profa. Aura Conci, UFF
Profa. Aline Marins Paes Carvalho, UFF
Profa. Débora Christina Muchaluat Saade, UFF
Prof. Alexandre Sztajnberg, UERJ
Prof. Marcelo Gonçalves Rubinstein, UERJ
Prof. Aristófanes Corrêa Silva, UFMA