A técnica foi testada e validada em três tipos de imagens médicas (raio-x de tórax, vasos sanguíneos e câncer de cólon), cada um analisado a partir de duas bases de dados diferentes. No total, foram seis conjuntos de imagens utilizados no artigo | (Crédit - Uma pesquisa desenvolvida por cientistas da Universidade de São Paulo (USP), em São Carlos, conquistou reconhecimento internacional ao propor avanços significativos na segmentação de imagens médicas por meio da inteligência artificial (IA). O trabalho, intitulado “Melhorando a U-Net com Mecanismo de Atenção para Aplicações de Segmentação de Imagens Médicas”, foi premiado durante o 38º Simpósio Internacional de Sistemas Médicos Baseados em Computador (CBMS 2025), realizado em Madri, na Espanha.
Os autores do artigo são pesquisadores do Instituto de Ciências Matemáticas e de Computação (ICMC-USP): o doutorando Eduardo Honorato, a mestranda Mariana Aya Uchida e os professores Agma J. M. Traina e Denis F. Wolf. O grupo recebeu o prêmio Best Student Paper, um dos principais reconhecimentos do congresso.
Considerado um dos mais importantes eventos da área de computação médica, o CBMS reúne especialistas de mais de 50 países para discutir avanços na interface entre computação e medicina. De acordo com a professora Agma Traina, a premiação reforça a relevância do trabalho desenvolvido no ICMC. “A taxa de aceitação dos artigos foi de apenas 27%, o que mostra o quanto esse reconhecimento é significativo. Ser premiado nesse cenário evidencia a qualidade da pesquisa realizada na USP”, destacou. Além do artigo vencedor, outros dois trabalhos de alunos do Instituto também foram apresentados no congresso.
Tornando o invisível visível
A pesquisa premiada propõe um aprimoramento da arquitetura U-Net, uma rede neural amplamente utilizada na segmentação de imagens médicas. Esse tipo de segmentação é fundamental para separar e identificar estruturas específicas do corpo humano em exames de imagem, como vasos sanguíneos, lesões e nódulos pulmonares.
Segundo Agma Traina, a tarefa é extremamente complexa. “Cada paciente possui particularidades anatômicas, e garantir que o modelo computacional produza resultados compatíveis com os de um especialista humano é essencial”, explica.
A principal inovação do estudo foi a incorporação de mecanismos de atenção à U-Net. Esses mecanismos permitem que o modelo foque nas regiões mais relevantes das imagens, tanto do ponto de vista espacial quanto dos canais de informação, aumentando a precisão da segmentação. Os pesquisadores testaram diferentes formas de integrar essa tecnologia à arquitetura da rede, buscando maximizar o desempenho.
Eduardo Honorato relata que a ideia surgiu a partir de sua experiência anterior. “Trabalhei com mecanismos de atenção em robótica móvel durante o mestrado. No doutorado, adaptei essa abordagem para o contexto da saúde, que possui um impacto social enorme. Foi muito gratificante ver que a transposição funcionou”, afirmou.
Para Mariana Aya Uchida, a proposta fortalece um modelo já consagrado. “A U-Net é considerada estado da arte na área médica. Nosso objetivo foi torná-la ainda mais robusta, oferecendo aos profissionais de saúde uma ferramenta de apoio mais confiável e eficiente”, ressaltou.
Resultados expressivos
O modelo desenvolvido foi testado em diversas bases públicas de imagens médicas, incluindo exames de pólipos intestinais, vasos sanguíneos da retina e radiografias de tórax. Os resultados mostraram ganhos expressivos de desempenho, com melhorias que chegaram a 33% na acurácia da segmentação em comparação com a U-Net tradicional.
Os avanços indicam um grande potencial de aplicação futura em sistemas de apoio à decisão médica, contribuindo para a triagem e o diagnóstico de doenças. A proposta, no entanto, não substitui o trabalho dos profissionais de saúde. “Nosso objetivo é otimizar o tempo do especialista, permitindo que ele se concentre nos casos mais críticos. A automação inteligente pode ampliar o acesso a diagnósticos de qualidade, especialmente em locais com alta demanda ou escassez de profissionais”, conclui Agma Traina.
