Resumo Técnico: Classificação de Tumores Cerebrais com Vision Transformers e Representação de Cores

1. Problema e Motivação

A classificação precisa de tumores cerebrais a partir de imagens de Ressonância Magnética (MRI) é fundamental para o diagnóstico precoce e o planejamento de tratamento. No entanto, a interpretação manual é demorada, sujeita a variabilidade entre observadores e difícil de escalar.

Embora as Redes Neurais Convolucionais (CNNs), como ResNet e EfficientNet, tenham alcançado sucesso significativo na extração de características espaciais hierárquicas, elas possuem limitações intrínsecas:

• Dependência de campos receptivos locais: CNNs têm dificuldade em capturar dependências de longo alcance e informações contextuais globais, que são cruciais para entender estruturas anatômicas complexas no cérebro.
• Sensibilidade a variações sutis: Diferenças de intensidade e padrões estruturais sutis entre tipos de tumores podem ser perdidas ou mal interpretadas.

O objetivo deste estudo é superar essas limitações propondo uma arquitetura baseada em Transformers de Visão (ViT) aprimorada por técnicas de representação de características baseadas em mapas de cores (colormap).

2. Metodologia

O trabalho propõe um framework de aprendizado profundo que integra a arquitetura ViT com um pré-processamento inovador de mapeamento de cores.

2.1. Conjunto de Dados

O modelo foi treinado e avaliado no conjunto de dados BRISC2025, que contém aproximadamente 6.000 imagens de MRI ponderadas em T1 com contraste. O conjunto é dividido em quatro classes:

1. Glioma
2. Meningioma
3. Tumor Pituitário
4. Casos sem tumor (Não-tumor)

2.2. Pipeline de Processamento

O fluxo de trabalho segue os seguintes passos:

1. Pré-processamento e Transformação de Colormap:
   • As imagens de MRI em escala de cinza são redimensionadas para $224 \times 224$.
   • As intensidades dos pixels são normalizadas para o intervalo $[0, 1]$.
   • Inovação Chave: Aplica-se uma transformação de colormap (ex: jet colormap) para mapear as variações de intensidade em um espaço de cor de alta dimensão. Isso realça variações sutis de intensidade e padrões anatômicos que são menos visíveis em escala de cinza, melhorando a discriminabilidade das características.
2. Arquitetura Vision Transformer (ViT):
   • Utiliza-se o modelo pré-treinado ViT-Base-Patch16-224.
   • A imagem colorizada é dividida em patches não sobrepostos de $16 \times 16$ (resultando em 196 patches).
   • Cada patch é achatado e projetado em um espaço de embedding latente.
   • Adiciona-se um token de classificação aprendível ($x_{cls}$) e codificações de posição.
   • A sequência passa por múltiplas camadas de codificador Transformer, que utilizam mecanismos de auto-atenção multi-cabeça (MSA) para capturar dependências globais e contextuais entre os patches.
3. Treinamento e Otimização:
   • Otimizador: Adam com taxa de aprendizado de $10^{-4}$.
   • Função de Perda: Entropia Cruzada Categórica.
   • Estratégia de Parada Antecipada (Early Stopping): Patience de 15 épocas para evitar overfitting e garantir generalização.
   • Sem Aumento de Dados: O modelo foi treinado sem técnicas de aumento de dados (rotação, flip, etc.), confiando na robustez do ViT e no aprimoramento de características via colormap.

3. Contribuições Principais

• Framework Híbrido: Proposta de uma nova arquitetura que integra Transformers de Visão com representação de características baseada em colormap para classificação de tumores cerebrais.
• Superioridade sobre CNNs: Demonstração de que a abordagem supera modelos CNNs de ponta (ResNet50, ResNet101, EfficientNetB2) na tarefa de classificação de 4 classes.
• Interpretabilidade e Discriminação: Uso da visualização por colormap para melhorar a separação de características e a interpretabilidade do modelo, destacando variações estruturais sutis.
• Alta Generalização: Validação robusta utilizando métricas abrangentes (AUC, F1-score, Matriz de Confusão) e estratégias de parada antecipada, alcançando desempenho superior sem necessidade de aumento de dados artificial.

4. Resultados Experimentais

Os experimentos foram conduzidos em um hardware Apple M1 (8 núcleos, 16GB RAM), utilizando o conjunto de dados BRISC2025.

Desempenho Quantitativo

O modelo proposto alcançou os seguintes resultados, superando todas as baselines (CNNs):

Métrica	ResNet50	ResNet101	EfficientNetB2	ViT + Colormap (Ours)
Acurácia	98,20%	98,09%	98,37%	98,90%
Precisão	98,36%	98,20%	9,851*	98,99%
Revocação (Recall)	98,36%	98,26%	98,54%	98,98%
F1-Score	98,34%	98,21%	98,52%	98,98%
AUC	-	-	-	99,97%

(Nota: O valor de precisão de 9,851% para o EfficientNetB2 na tabela original parece ser um erro de digitação no manuscrito, provavelmente deveria ser 98,51%, mas o modelo proposto ainda supera o valor reportado).

Análise Qualitativa

• AUC (99,97%): Indica uma capacidade discriminativa quase perfeita entre todas as classes, demonstrando excelente separabilidade.
• Matriz de Confusão: Mostrou mínimos erros de classificação entre as classes, confirmando a robustez do modelo.
• Curvas ROC: As curvas One-vs-Rest confirmaram a alta performance em cada classe individualmente.

5. Significância e Conclusão

Este estudo destaca o potencial de combinar arquiteturas baseadas em Transformers com técnicas de pré-processamento de realce de características (colormap) para aplicações médicas.

• Vantagem Técnica: A capacidade do ViT de modelar dependências de longo alcance, combinada com a realce de contraste via colormap, permite capturar padrões estruturais complexos que as CNNs tradicionais podem perder.
• Aplicabilidade Clínica: O alto desempenho e a robustez sugerem que este método é viável para sistemas de suporte à decisão clínica, auxiliando radiologistas no diagnóstico rápido e preciso de gliomas, meningiomas e tumores pituitários.
• Eficiência: O modelo alcançou resultados superiores sem depender de aumento de dados complexo, simplificando o pipeline de treinamento.

O trabalho conclui que a integração de aprendizado baseado em contexto global com representações visuais aprimoradas é uma direção promissora para o avanço da análise de imagens médicas, com planos futuros para explorar dados multimodais e arquiteturas de transformadores mais leves.