INTELIGÊNCIA ARTIFICIAL APLICADA AO PROCESSAMENTO DE IMAGEM DIAGNÓSTICA

Resumo

RESUMO

A radiologia diagnóstica é uma das principais áreas da medicina que avança tecnologicamente junto com a Inteligência Artificial (IA). Por mais que se faça presente no dia a dia das pessoas, é uma integração recente no meio diagnóstico. A utilização da IA vem com a intenção de complementar e auxiliar os profissionais da área, que por sua vez são responsáveis em fazer aquisições com segurança, para si e para o paciente, e com alta qualidade para que o diagnóstico possa ser realizado. Ainda assim, existem chances de ter uma margem de erro, os profissionais não estão isentos disso, mas com a aplicação de uma Rede Neural Artificial capaz de codificar imagens quantitativas e qualitativas, isso pode mudar. Através de sistemas como Machine Learning e o Deep Learning, as máquinas podem decodificar e armazenar exames radiológicos, em sistemas como o PACS (Picture Archiving and Comunication System), e aprender ao decorrer do tempo utilizando resultados de processamento de imagens com sistemas como o CAD (Computer Aided Diagnosis). Isso faz com que os profissionais tenham um auxílio no diagnóstico, poupando tempo de pesquisa e análise da imagem. O principal objetivo desta integração na radiologia diagnóstica não é substituir o profissional da área, mas sim auxiliar e suplementar o diagnóstico, como uma segunda opinião, e entender sobre o assunto se faz necessário, pois em um futuro não tão distante, aqueles que entenderem sobre o assunto se destacarão no mercado de trabalho.

Palavras-chave: CAD. PACS. Radiologia Diagnóstica. Redes Neurais Artificiais.

ARTIFICIAL INTELLIGENCE APPLIED TO DIAGNOSTIC IMAGE PROCESSING

 ABSTRACT

Diagnostic radiology is one of the main areas of medicine that advances technologically along with Artificial Intelligence (AI). As much as it is present in people's daily lives, it is a recent integration in the diagnostic environment. The use of AI comes with the intention of complementing and helping professionals in the area, who in turn are responsible for making acquisitions safely, for themselves and for the patient, and with high quality so that the diagnosis can be made. Even so, there are chances of having a margin of error, professionals are not exempt from this, but with the application of an Artificial Neural Network capable of encoding quantitative and qualitative images, this can change. Through systems such as Machine Learning and Deep Learning, machines can decode and store radiological exams, in systems such as PACS (Picture Archiving and Communication System) and learn over time using image processing results with systems such as CAD (Computer Aided Diagnosis). This means that professionals have an aid in diagnosis, saving time for research and image analysis. The main objective of this integration in diagnostic radiology is not to replace the professional in the area, but to assist and supplement the diagnosis, as a second opinion, and understanding about the subject is necessary, because in the not-too-distant future, those who understand about the subject will stand out in the job market.

 Keywords: CAD. Diagnostic Radiology. PACS. Artificial neural networks