Pós-Graduação Stricto Sensu em Engenharia Biomédica
Permanent URI for this communityhttps://repositorio.umc.br/handle/123456789/7
Browse
2 results
Search Results
Item type:Item, Modelo de deep learning 2.5d para análise quantitativa de lesões crônicas em esclerose múltipla(Universidade de Mogi das Cruzes, 2025-12-16) Tavares, Almir Rodrigues; Bissaco, Marcia Aparecida SilvaA Esclerose Múltipla (EM) é uma doença neuro inflamatória e neurodegenerativa, sendo as lesões hipointensas um marcador de dano axonal irreversível e preditor de incapacidade. Contudo, a quantificação manual destas lesões é laboriosa e suscetível à variabilidade interobservador, limitando sua aplicação clínica. Este estudo objetivou desenvolver e validar um algoritmo de Aprendizado Profundo para a segmentação automática de lesões hipointensas, avaliando sua relevância como biomarcador de progressão da EM. Utilizamos uma arquitetura DenseNet Tiramisu 2.5D, adaptada para entrada multimodal (T1 e FLAIR), que processa cortes empilhados nas três orientações para capturar o contexto volumétrico. O modelo foi treinado e validado com um dataset retrospectivo de 132 exames provenientes de múltiplos scanners, garantindo a robustez para generalização em cenários clínicos diversos. A segmentação de referência foi refinada com a sobreposição T1/FLAIR. O algoritmo atingiu um desempenho robusto, com Coeficiente Dice médio de 0,82, sensibilidade voxel de 85,3% e excelente concordância volumétrica (ICC = 0,96) em relação ao padrão de referência. A precisão da segmentação habilitou análises aprofundadas, estabelecendo o Índice de Conversão FLAIR-T1 como um biomarcador prognóstico, que se correlacionou significativamente com a atrofia talâmica e o tempo de doença. Adicionalmente, a análise espacial revelou uma associação entre a probabilidade de lesão e a centralidade de intermediação dos tratos de substância branca, sugerindo a vulnerabilidade seletiva de hubs de conectividade estrutural. Em conclusão, este trabalho valida um modelo de engenharia otimizado para a segmentação automatizada de lesões crônicas de EM. A quantificação precisa gerada pela Inteligência Artificial (IA) fornece biomarcadores prognósticos objetivos, essenciais para o monitoramento e a avaliação de terapias na prática clínica.Item type:Item, Identificação de oncometabólitos salivares em pacientes fumantes de narguilé e cigarro convencional(Universidade de Mogi das Cruzes, 2025-02-14) Theodoro, Lurye Silva; Alves, Monica Ghislaine OliveiraO estudo teve como objetivo estabelecer uma correlação entre os oncometabólitos salivares, dados clínicos e a quantificação de cotinina salivar em pacientes com o hábito de fumar narguilé, cigarros industrializados e em não fumantes, na tentativa de observar relação entre as características clínicas e os achados metabólicos. O estudo incluiu 26 fumantes frequentes e exclusivos de cigarros industrializados no grupo do cigarro, 33 fumantes frequentes e exclusivos de narguilé, enquanto o grupo de controle foi composto por 30 indivíduos não fumantes. A saliva total não estimulada foi recolhida para análise. Os dados do perfil metabólico foram obtidos por cromatografia gasosa acoplada a um espectrómetro de massas, e as correlações foram feitas com os níveis de cotinina medidos por teste imunoenzimático (ELISA), bem como com os dados clínicos através de análise estatística na plataforma MetaboAnalyst 6.0. Foi utilizada a opção de análise estatística, formato dos dados em colunas e tipo em picos de intensidade. O processamento foi analisado no modelo linear, e o seu resultado foi representado pelo gráfico Volcano. Foram considerados apenas os metabólitos presentes no 2º quadrante superior, devido ao seu maior grau de relevância em relação ao menor valor de p (p ≤ 0,05), correlacionando com os dados clínicos e o consumo de tabaco entre os fumantes. Notavelmente, o ácido lático, a fucose, a sarcosina, a prolina e o gliceraldeído destacaram-se pelas suas propriedades como biomarcadores oncológicos, oncometabólitos e propriedades mutagênicas.