Sistema computacional para identificar sinusite em Tomografia Computadorizada (TC)
DOI:
https://doi.org/10.33448/rsd-v14i9.49476Palavras-chave:
Sinusite, Inteligência artificial, Tomografia computadorizada, Imagenologia.Resumo
Introdução: A sinusite é uma inflamação dos seios paranasais, com alta incidência e potencial para complicações quando associada a outras doenças respiratórias. Durante a pandemia de Covid-19, houve redução nos casos, mas aumento na letalidade dessas doenças. O aumento da poluição, especialmente em áreas industriais, agrava a incidência. Objetivo: Desenvolver técnicas avançadas de imagenologia para melhorar o diagnóstico da sinusite a partir da análise de tomografias computadorizadas. Métodos: Aplicação de inteligência artificial, especialmente Machine Learning, e técnicas de detecção de objetos para identificar alterações estruturais em exames de tomografia axial dos seios paranasais. Resultados esperados: Diagnóstico mais ágil e preciso, contribuindo para a otimização do processo diagnóstico e redução de complicações clínicas associadas. Conclusão: O uso de métodos baseados em inteligência artificial representa uma importante ferramenta para aprimorar o diagnóstico da sinusite, facilitando intervenções precoces e melhor manejo clínico.
Referências
Abdel-Halim, A. & Luijkx, T. (2014). Isolated sphenoethmoidal pattern sinusitis. https://www.researchgate.net/publication/355604639_Isolated_sphenoethmoidal_pattern_sinusitis. https://doi.org/10.53347/rID-31665.
Asadov, D. (2022). Chronic maxillary sinusitis with a foreign body - dental filling material. Doi: https://doi.org/10.53347/rID-7811.
Ashraf, A. (2024). Skull bone fracture mimic. Case study, Radiopaedia.org.
https://doi.org/10.53347/rID-160172.
Boers. E., Barrett, M., Su, J. G. et al. (2023). Global Burden of Chronic Obstructive Pulmonary Disease Through 2050. JAMA Netw Open. 6(12):e2346598. doi:10.1001/jamanetworkopen.2023.46598.
Borji, A. et al. (2019). Salient object detection: A survey. Computational Visual Media. 5(2), 117–50. Doi: https://doi.org/10.48550/arXiv.1411.5878.
Braga, A. V., Lins, A. F., Soares, L. S., Fleury, L. G., Carvalho, J. C. & Prado, R. S. (2019). Machine learning: O Uso da Inteligência Artificial na Medicina/ Machine learning: The Use of Artificial Intelligence in Medicine. Braz. J. Develop. 2019 Sep. 27.
BVS. (2024). Sinusite. Biblioteca Virtual em Saúde (BVS). https://bvsms.saude.gov.br/sinusite/.
Cuete, D. (2014). Chronic maxillary sinusitis. Case study. Radiopaedia.org https://doi.org/10.53347/rID-27879.
Di Muzio, B. (2015) Allergic fungal sinusitis. Case study, Radiopaedia.org. https://doi.org/10.53347/rID-41382.
Dixon A. (2014). Chronic maxillary sinusitis. Case study. Radiopaedia.org. https://doi.org/10.53347/rID-32524.
Dwyer, B., Nelson, J., Hansen, T., et. al. (2024). Roboflow (Version 1.0) [Software]. https://roboflow.com. computer vision.
Elfeky, M. (2019). Chronic rhinosinusitis. Case study, Radiopaedia.org https://doi.org/10.53347/rID-65079.
Esteva, A. et al. (2019). A guide to deep learning in healthcare. Nature Medicine. 25, 24–9.
Fernandes Neulls, T. et al. (2022). Plantas medicinais utilizadas para tratamento da sinusite no brasil: uma revisão de literatura. SciGen. 3(1). https://scientiageneralis.com.br/index.php/SG/article/view/389.
Gaillard F. (2008). Mucoperiosteal hypertrophy: chronic sinusitis. Case study. https://doi.org/10.53347/rID-4868.
Hafiz, A. M., & Bhat, G. M. (2020). A survey on instance segmentation: state of the art. International Journal of Multimedia Information Retrieval. doi:10.1007/s13735-02000195-x.
He, K. et al. (2017). Mask R-CNN. In: Proceedings of the IEEE International Conference on Computer Vision (ICCV). https://ieeexplore.ieee.org/document/8237584.
Krizhevsky, A., Sutskever, I. & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems. 60(6), 84-90. https://doi.org/10.1145/3065386.
Marques, C. P. C. et al. (2022). Epidemiologia da Sinusite Crônica no Brasil, de 2016 a 2020. Research, Society and Development. 11(11), e203111132072.
Maurici, R. (2023). What happened to non-SARS-CoV-2 respiratory diseases during the pandemic? Jornal Brasileiro de Pneumologia. 49(1).
Nardocci, A. C. et al. (2013). Poluição do ar e doenças respiratórias e cardiovasculares: Estudo de séries temporais em Cubatão, São Paulo, Brasil. Cadernos de Saude Publica. 29(9), 1867–76.
Nemattalla, W., Guan, H., Kumar, K. et al. (2012). Allergic fungal sinusitis. Reference article, Radiopaedia.org. https://doi.org/10.53347/rID-18487.
O'Donnell, C. (2014). Posterior frontal sinus erosion following chronic sinusitis. Case study, Radiopaedia.org. https://doi.org/10.53347/rID-30169.
Oliveira, M. C. et al. (2024). O uso da inteligência artificial na detecção precoce do câncer de mama: uma revisão de literatura. Revista Ibero-Americana de Humanidades, Ciências e Educação — REASE. 10(10). Doi: https://doi.org/10.51891/rease.v10i10.
Pereira, A. S. et al. (2018). Metodologia da pesquisa científica. [free ebook]. Santa Maria. Editora da UFSM.
Perez, L. & Wang, J. (2017). The effectiveness of data augmentation in image classification using deep learning. arXiv preprint arXiv:1712.04621.
Roboflow. (2025). Everything you need to build and deploy computer vision applications. Website Roboflow Inc. https://roboflow.com/.
Rother, E. T. (2007). Revisão sistemática X revisão narrativa. Acta paul. enferm. 20 (2). https://doi.org/10.1590/S0103-21002007000200001,
Rodrigues Santos, J., Drummond Vieira da Silva, F., Trindade Marinho Santana, H. & Santos, S. A. (2021). Tratamento das doenças do trato respiratório: o uso das plantas medicinais. Scientia Generalis. 3(1). https://scientiageneralis.com.br/index.php/SG/article/view/389
Shen, D., Wu, G. & Suzuki, K. (2017). Deep Learning in Medical Image Analysis. Annual Review of Biomedical Engineering. 19, 221–48.
SindInfo. (2023). SindHosp lança o Mapa do Acesso da Saúde de São Paulo. http://sindhosp.org.br/sindhosp-lanca-mapa-acesso-saude-sao-paulo/.
Soares, R. A., Pereira, I. S., Frazão, M. P., Duque, M. G. C., Santos, J. V. F. S., Duque, R. G. C., Pádua, D. M., Martins, J. K. G. R., Peixoto, J. O., Acácio, M. S, Galvão, A. A. C. B. & Araújo, S. L. S. (2023). The use of artificial intelligence in medicine: applications and benefits. Research, Society and Development. 12(4), e5012440856. Doi: https://doi.org/10.33448/rsd-v12i4.40856.
Zhao, Z. et al. (2019). Object detection with deep learning: A review. IEEE Transactions on Neural Networks and Learning Systems. 30(11), 3212–32.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Clayton Moreira Marques, Cláudio Boghi, Pedro Leal Iglesias
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
