💻 computer science

An Approach for Thyroid Nodule Analysis Using Thermographic Images

Este artigo apresenta um projeto piloto que revisa a termografia para análise da tireoide, propõe protocolos para aquisição de imagens e registro autônomo, e delineia um quadro para extração de características e classificação visando apoiar a detecção precoce de nódulos tireoidianos em um ambiente de hospital universitário.

Autores originais: J. R. González, É. O. Rodrigues, C. P. Damião, C. A. P. Fontes, A. C. Silva, A. C. Paiva, H. Li, C. Du, A. Conci

Publicado 2026-05-29

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: J. R. González, É. O. Rodrigues, C. P. Damião, C. A. P. Fontes, A. C. Silva, A. C. Paiva, H. Li, C. Du, A. Conci

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Visão Geral: Ver Calor para Encontrar Problemas

Imagine que seu corpo é uma casa, e as paredes (sua pele) geralmente mantêm uma temperatura estável e confortável. Mas se houver um incêndio queimando dentro de um cômodo (um tumor ou nódulo na tireoide), essa parte da parede fica mais quente que o resto.

Este artigo trata do uso de uma câmera especial que vê calor (termografia) para identificar esses "cômodos quentes" no pescoço, especificamente procurando nódulos na tireoide. Os autores querem ver se podem usar programas de computador para encontrar automaticamente esses pontos quentes e diferenciar uma pessoa saudável de alguém que pode estar doente, sem precisar que um médico fique encarando a tela por horas.

O Problema: O Paciente "Oscilante"

O principal desafio que os autores enfrentaram é que humanos não são robôs. Quando você senta na frente de uma câmera por alguns minutos, pode mudar de peso, inclinar a cabeça ou respirar profundamente.

A Analogia: Imagine tentar tirar uma pilha de fotos de um amigo para fazer uma animação de flipbook. Se seu amigo mover a cabeça mesmo um pouco entre as fotos, as imagens não ficarão alinhadas. Quando você as folhear, o rosto parecerá tremer ou se transformar.
A Consequência: Se o computador tentar comparar os "pontos quentes" nessas fotos tremidas, ele fica confuso. Pode achar que uma sombra é um tumor, ou perder um tumor real porque a imagem está ligeiramente fora do centro.

A Solução: Uma Receita de Três Passos

Os autores propõem uma receita específica para corrigir isso e analisar as imagens.

1. Preparando o Palco (O Protocolo)

Antes mesmo de a câmera ser ligada, eles têm regras estritas para garantir que a "casa" (o paciente) esteja estável.

O Resfriamento: Eles pedem aos pacientes que fiquem sentados em silêncio por 20 minutos. Pense nisso como deixar uma xícara de café quente esfriar para que você possa prová-la adequadamente. Eles também controlam a temperatura da sala (sem correntes de ar, sem janelas) e orientam os pacientes a evitar café, álcool ou exercícios antes, pois esses fatores alteram o calor interno do corpo.
O Teste de Estresse: Eles realmente resfriam a pele do paciente um pouco com ar, e então começam a tirar fotos enquanto a pele aquece novamente. Isso é como observar o quão rápido o motor de um carro aquece após ser desligado; a maneira como ele aquece pode revelar problemas ocultos.

2. Alinhando as Fotos (Registro)

Uma vez que eles têm uma sequência de fotos, precisam alinhá-las perfeitamente.

A Analogia: Imagine que você tem duas folhas transparentes com desenhos nelas. Se você deslizar uma ligeiramente para a esquerda, os desenhos não coincidem. O computador precisa deslizar e girar uma folha até que as linhas coincidam perfeitamente com a outra.
A Inovação: Geralmente, um humano precisa apontar para pontos específicos (como o queixo ou um colar) para dizer ao computador onde alinhá-los. Este artigo propõe uma forma inteligente e automática de fazer isso.
- Eles usam um "detector de bordas" especial (como uma caneta marca-texto) que apenas traça o contorno do pescoço e ignora os ombros ou o fundo.
- Em seguida, usam um "algoritmo de busca" para encontrar o melhor local para colocar uma caixa ao redor do pescoço. É como um jogo de "Quente e Frio", onde o computador continua movendo uma caixa até encontrar a área com mais "linhas de pescoço".
- Eles também têm um truque para remover "ruído" (como um marcador de queixo que colocam no paciente) que poderia confundir o computador.

3. O Trabalho de Detetive (Extração de Características e Classificação)

Agora que as fotos estão alinhadas e o pescoço isolado, o computador procura por pistas. Eles não olham apenas para a imagem inteira; procuram quatro "impressões digitais" específicas de um problema potencial:

Quão quente é? (Temperatura média).
Quão caótico é o calor? (Desvio padrão — o calor varia drasticamente em um pequeno ponto?).
Qual é o ponto mais quente? (Temperatura máxima).
É simétrico? Esta é a grande questão. O corpo humano geralmente é simétrico (o lado esquerdo espelha o direito). Se o lado esquerdo do pescoço estiver quente e o direito frio, isso é um sinal de alerta. O computador mede exatamente o quão "torto" o mapa de calor está.

O Veredito:
Eles alimentaram essas quatro pistas em um cérebro de computador simples (um algoritmo chamado k-NN). É como um professor comparando as respostas de um aluno em uma prova a um "gabarito de doente" e a um "gabarito de saudável".

O Resultado: Em seu pequeno teste com quatro pessoas (duas doentes, duas saudáveis), o computador agrupou com sucesso as duas pessoas doentes juntas e as duas saudáveis juntas com base nesses padrões de calor.

O Que Eles Realmente Afirmam (e O Que Não Afirmam)

Eles Afiram: Construíram um sistema piloto que pode alinhar automaticamente imagens de calor da tireoide, recortar a área do pescoço e usar matemática simples para identificar assimetria e padrões de calor que sugerem um nódulo. Eles provaram que isso funciona em um pequeno grupo de quatro pacientes.
Eles NÃO Afiram:
- Que isso está pronto para todos os hospitais amanhã.
- Que pode diagnosticar câncer com 100% de certeza.
- Que substitui médicos.
- Que funciona em grande escala ainda (eles admitem que só tinham algumas imagens para trabalhar).

A Conclusão

Pense neste artigo como a fase de "prova de conceito". Os autores estão dizendo: "Construímos um protótipo de carro que pode dirigir sozinho em uma pista reta e vazia. Funcionou! Agora precisamos construir uma pista maior, testá-lo com mais carros e ver se ele lida com chuva e tráfego antes de vendê-lo ao público".

Eles mostraram que o uso de câmeras de calor e alinhamento inteligente de computadores é uma maneira promissora de ajudar os médicos a identificar problemas na tireoide cedo, mas ainda é um trabalho em andamento.

Resumo Técnico: Uma Abordagem para Análise de Nódulos Tireoidianos Usando Imagens Termográficas

Enunciado do Problema
O câncer de tireoide projeta-se para se tornar uma neoplasia predominante, particularmente entre mulheres. A detecção precoce melhora significativamente as taxas de sobrevivência. Embora a termografia ofereça um método não invasivo para detectar anomalias de temperatura associadas a crescimentos cancerígenos (devido ao aumento da perfusão sanguínea e do calor metabólico), a análise de dados termográficos apresenta desafios significativos. O diagnóstico médico exige a avaliação abrangente de padrões térmicos complexos dentro de prazos curtos, uma tarefa frequentemente inviável para médicos atuando sozinhos. Além disso, a aquisição termográfica dinâmica (captura de imagens de séries temporais) introduz artefatos de movimento causados pela respiração do paciente e por movimentos mínimos, levando ao desalinhamento do conteúdo da imagem. Esses desalinhamentos propagam erros para análises computacionais subsequentes, como segmentação e classificação. Adicionalmente, a falta de protocolos padronizados para aquisição de imagens e extração autônoma de região de interesse (ROI) dificulta a aplicação consistente de técnicas de visão computacional neste domínio.

Metodologia
Os autores propõem um quadro piloto para a detecção de nódulos tireoidianos envolvendo aquisição de imagens, pré-processamento, registro, extração de características e classificação.

Protocolo de Aquisição: O estudo utiliza um protocolo de aquisição dinâmica com uma condição de parada específica. Os pacientes sentam-se em um ambiente controlado (22–25°C, sem fluxo de ar) e aguardam 20 minutos para estabilizar o metabolismo. O estresse térmico é induzido resfriando a pele até que ela atinja 29°C, momento em que a imagem sequencial começa. As imagens são capturadas a cada 15 segundos durante 5 minutos usando uma FLIR ThermaCam S45 a uma distância de 0,5 metros. Os pacientes são instruídos a evitar cafeína, nicotina e atividade física antes do exame.
Pré-processamento e Registro: Para abordar o movimento do paciente (translação, rotação e distorção local), o artigo propõe uma abordagem de registro autônomo.
- Um filtro Sobel modificado (especificamente um filtro "Shadow Sobel" operando no eixo x) é aplicado para segmentar a região do pescoço e remover ruído de fundo.
- O algoritmo detecta autonomamente a ROI identificando uma área retangular com a maior densidade de pixels brancos (bordas) após a filtragem.
- Ruído residual, como um marcador físico colocado no queixo, é identificado e removido usando uma heurística similar com uma janela de busca menor.
- Os autores discutem duas estratégias de registro: extrair a ROI antes do registro (focando apenas no pescoço para evitar interferência dos ombros) ou após o registro (utilizando marcos globais como os ombros).
Extração de Características: Uma vez estabelecida a ROI, as imagens passam por um limiar (definido em 209) para isolar regiões "quentes". Quatro características são extraídas:
- Intensidade média da área segmentada.
- Desvio padrão das intensidades.
- Intensidade máxima (temperatura).
- Assimetria: Uma métrica que quantifica a simetria da ROI ao longo do eixo vertical, comparando as intensidades dos pixels nos lados esquerdo e direito dentro de uma vizinhança 3x3.
Classificação: As características extraídas são usadas para classificar os pacientes como saudáveis ou não saudáveis usando o algoritmo k-Vizinhos Mais Próximos (k-NN) com distância euclidiana e $k=1$ .

Principais Contribuições

Identificação Autônoma de ROI: O artigo introduz um método totalmente autônomo e inovador para identificar a região tireoidiana em termogramas usando um filtro Sobel modificado e uma busca heurística pela ROI retangular ótima, eliminando a necessidade de seleção manual de marcos.
Análise de Estratégia de Registro: O trabalho fornece uma análise comparativa do registro de imagens antes versus depois da extração de ROI, destacando as compensações entre precisão (focando no pescoço em movimento) e a disponibilidade de marcos globais (ombros).
Pilotagem de Classificação Baseada em Características: O estudo demonstra um pipeline para extrair características térmicas e aplicar um classificador simples de aprendizado de máquina (k-NN) para distinguir entre pacientes com nódulos e controles saudáveis.
Protocolo Padronizado: Os autores definem um conjunto específico de condições ambientais e de preparação do paciente para garantir a consistência dos dados para análise termográfica da tireoide.

Resultados
A metodologia foi testada em um pequeno conjunto de dados piloto compreendendo quatro pacientes (dois saudáveis, dois com nódulos tireoidianos patológicos).

Registro: O registro autônomo alinhou com sucesso as imagens sequenciais, corrigindo o movimento do paciente.
Classificação: Usando o algoritmo k-NN, o sistema agrupou com sucesso os pacientes com base em seus vetores de características.
- O Paciente O1 (doente) foi encontrado como mais semelhante ao Paciente O2 (doente) em todas as quatro características.
- O Paciente O3 (saudável) foi encontrado como mais semelhante ao Paciente O4 (saudável) em três das quatro características.
- O Paciente O2 mostrou similaridade mista, mas estava geralmente mais próximo do cluster de doentes.
- Os resultados sugerem que a combinação de intensidade média, desvio padrão, temperatura máxima e assimetria pode diferenciar efetivamente entre a pequena amostra de sujeitos doentes e saudáveis.

Significância e Alegações
O artigo posiciona este trabalho como um projeto piloto e um estudo preliminar, e não como uma ferramenta diagnóstica definitiva. Os autores afirmam explicitamente que a evidência atual baseia-se em um conjunto de dados limitado (quatro pacientes) e que os métodos propostos fazem parte de um esforço para apoiar ações médicas preventivas em seu departamento de endocrinologia.

A significância reside em demonstrar a viabilidade do uso de técnicas de visão computacional — especificamente registro autônomo e classificação baseada em características — para analisar termogramas da tireoide. Os autores afirmam que sua abordagem oferece um caminho potencial para automatizar a detecção de tumores, auxiliando assim os médicos nas fases iniciais do diagnóstico. Eles reconhecem que trabalhos futuros exigem a expansão do conjunto de dados para uma escala maior para validar se a evidência observada se mantém para a população geral. O projeto destina-se a ser submetido para aprovação ética a fim de conduzir uma avaliação mais ampla da importância da termografia no diagnóstico de nódulos tireoidianos em seu hospital universitário.