Navegar por:

Aplicação de algoritmos de deep learning para estimativa do volume de dano térmico causado pela aplicação de RFA em ensaios pré-clínicos ex vivo

Use este link compartilhar ou citar este material: http://educapes.capes.gov.br/handle/capes/898137
Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRosa, Suélia de Siqueira Rodrigues Fleury-
Autor(es): dc.contributorReis, Célia Aparecida dos-
Autor(es): dc.creatorVenturin, Murilo-
Data de aceite: dc.date.accessioned2024-10-23T16:01:48Z-
Data de disponibilização: dc.date.available2024-10-23T16:01:48Z-
Data de envio: dc.date.issued2022-01-10-
Data de envio: dc.date.issued2022-01-10-
Data de envio: dc.date.issued2022-01-10-
Data de envio: dc.date.issued2021-09-22-
Fonte completa do material: dc.identifierhttps://repositorio.unb.br/handle/10482/42712-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/898137-
Descrição: dc.descriptionDissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Faculdade UnB Gama, Programa de pós-graduação em Engenharia Biomédica, 2021.-
Descrição: dc.descriptionO Carcinoma Hepatocelular (CHC) é o câncer de fígado mais comum no mundo, uma alternativa para tratamento do CHC é a ablação por radiofrequência (RFA). A RFA é um procedimento minimamente invasivo que gera dano térmico no tecido por meio da transferência de energia de radiofrequência (RF), o uso dessa técnica é recomendado para tumores de até 3 cm de diâmetro. Os diâmetros de ablação maiores são difíceis de se obter e a ablação incompleta pode resultar na permanência de tecido tumoral e recidiva do tumor. Para garantir que ocorra a ablação por completo do tumor é essencial o monitoramento de forma não invasiva do procedimento, as principais modalidades empregadas para acompanhar o volume de dano térmico causado pela RFA são baseadas em imagem. Durante a aplicação da RFA bolhas podem se formar no tecido dificultando a visualização da zona de ablação. Desta forma, o objetivo deste trabalho é o desenvolvimento e avaliação de dois algoritmos de Deep Learning para estimativa do volume de dano térmico causado pela aplicação de RFA em tecido hepático a partir de dados gerados pelo próprio equipamento de RF. Para alcançar esses objetivos foi montado um setup experimental, onde foram realizados experimentos com aplicação de RFA em fígado suíno ex vivo para aquisição dos dados do equipamento e volume de dano térmico. Os dados gerados foram utilizados na construção de dois algoritmos de Deep learning, Multilayer Perceptron (MLP) e Long Short Term Memory (LSTM). O desempenho dos modelos foi avaliado por meio de validação cruzada. Os resultados obtidos e comparação com dados presentes na literatura demonstram que o modelo ex vivo empregado consegue representar adequadamente um modelo in vivo, e que existe correlação entre os dados gerados pelo equipamento de RF e o desfecho do procedimento. Os dois algoritmos de Deep learning propostos foram capazes de estimar o volume de dano térmico com métricas de desempenho muito próximas. O modelo LSTM apresentou R² de 0,8264 e MAE de 0,8297 cm³, enquanto o MLP apresentou R² igual a 0,8204 e MAE de 0,9202 cm³. Com a utilização da validação cruzada foi observada maior estabilidade de predição no modelo LSTM. Este trabalho conclui que - os modelos conseguem realizar a estimativa do volume ablado e podem ser incorporados em equipamentos de RFA. Essa inserção auxilia na tomada de decisão e ajuda a mitigar um dos limitadores desta terapia, que é a ablação incompleta, sendo a solução para um problema que ainda estava em aberto na literatura-
Descrição: dc.descriptionHepatocellular Carcinoma (HCC) is the most common liver cancer in the world, an alternative treatment for HCC is radiofrequency ablation (RFA). RFA is a minimally invasive procedure that generates thermal damage to tissue through radiofrequency (RF) energy transfer, the use of this technique is recommended for tumors with a maximum diameter of 3 cm. Larger ablation diameters are difficult to obtain and incomplete ablation may result in tumor tissue remaining and tumor recurrence. To ensure that the tumor is completely ablated, it is essential to monitor the procedure non-invasively, the main modalities employed to monitor the volume of thermal damage caused by RFA are based on image. During RFA application, bubbles can form in the tissue, making it difficult to visualize the ablation zone. Thus, the objective of this work is the development and evaluation of two Deep Learning algorithms to estimate the volume of thermal damage caused by the application of RFA in liver tissue from data generated by the RF equipment. To achieve these objectives, an experimental setup was built, where experiments were carried out with the application of RFA in ex vivo porcine liver for data acquisition of the equipment and the volume of thermal damage. The generated data were used in the construction of two Deep learning algorithms, Multilayer Perceptron (MLP) and Long Short Term Memory (LSTM). The performance of the models was evaluated through cross-validation. The results obtained and comparison with data in the literature demonstrate that the ex vivo model used can adequately represent an in vivo model, and that there is a correlation between the data generated by the RF equipment and the outcome of the procedure. The two proposed Deep learning algorithms were able to estimate the amount of thermal damage with very close performance metrics. The LSTM model presented R² of 0.8264 and MAE of 0.8297 cm³, while the MLP presented R² equal to 0.8204 and MAE of 0.9202 cm³. With the use of cross-validation, greater prediction stability was observed in the LSTM model. This work concludes that - the models are able to estimate the ablated volume and can be incorporated into RFA equipment. This insertion helps in decision making and helps to mitigate one of the limitations of this therapy, which is incomplete ablation, being the solution to a problem that was still open in the literature-
Descrição: dc.descriptionFaculdade UnB Gama (FGA)-
Descrição: dc.descriptionPrograma de Pós-Graduação em Engenharia Biomédica-
Formato: dc.formatapplication/pdf-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectAblação por radiofrequência-
Palavras-chave: dc.subjectCarcinoma hepatocelular-
Palavras-chave: dc.subjectDeep Learning-
Palavras-chave: dc.subjectMultilayer perceptron-
Palavras-chave: dc.subjectLong Short-term Memory-
Título: dc.titleAplicação de algoritmos de deep learning para estimativa do volume de dano térmico causado pela aplicação de RFA em ensaios pré-clínicos ex vivo-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.
Mostrar registro simples do item Visualizar estatísticas

Avaliação