Luiz Henrique Cartaxo Fernandes et al. José Lucas Formiga Dantas Marilia Graziela Vieira de Macena Lima Glaudir Donato Marcelo Dantas Tavares de Melo
Resumo
Redes neurais são modelos computacionais que imitam o funcionamento do cérebro humano, aprendendo a partir de grandes volumes de dados para realizar tarefas cada vez mais complexas. Isso é feito por meio de neurônios artificiais interconectados que propagam informações de camadas brutas para camadas refinadas, às vezes com pesos atribuídos, permitindo a classificação ou identificação de padrões não lineares. A Rede Neural Convolucional (CNN, do inglês Convolutional Neural Network) é uma arquitetura especializada de aprendizado profundo (deep learning) projetada para extrair e analisar padrões espaciais em imagens, possibilitando aplicações em decisões diagnósticas e monitoramento clínico longitudinal. Seu uso em tomografia computadorizada e ressonância magnética, por meio da segmentação de imagens cardíacas, permite definir estruturas cardíacas de forma rápida e eficiente, desempenhando um papel importante na reconstrução de imagens tridimensionais e no suporte a procedimentos pré-operatórios. Além disso, em comparação com outras formas de análise convencional, a CNN garante interpretações objetivas e qualidade superior de imagem, com base na remoção de artefatos do segmento estudado. Ecocardiogramas têm mostrado bons resultados na identificação de patologias como hipertensão pulmonar, amiloidose, cardiomiopatia hipertrófica e doenças congênitas, e estudos sobre a automação desses exames apontam para uma possível ampliação do acesso em áreas remotas onde operadores manuais não estão disponíveis. Consequentemente, abordagens baseadas em CNN têm o potencial de otimizar os fluxos de trabalho em imagem cardiovascular, minimizar a variabilidade entre observadores e expandir as capacidades diagnósticas para regiões carentes e remotas com acesso limitado a cuidados especializados.