Resumo
O Acidente Vascular Cerebral (AVC) é uma emergência médica com elevados índices de morbidade e mortalidade. Todos os anos 15 milhões de pessoas sofrem um AVC, das quais 5 milhões morrem e 5 milhões ficam permanentemente incapacitadas. No Brasil, o AVC voltou a ser a principal causa de morte, e no primeiro semestre de 2022, vitimou cerca de 50 mil pessoas. Para o diagnóstico de AVC, o exame da Tomografia Computadorizada (TC) é o mais indicado, pois é possível determinar o tipo, a extensão e a severidade do AVC. O tratamento depende de qual tipo de AVC o paciente sofreu, para isso é imprescindível que o diagnóstico seja feito o mais rápido possível após os primeiros sintomas. Cada minuto a partir dos primeiros sintomas é crítico, em torno de 1.9 milhões de células cerebrais são afetadas por minuto durante um AVC. Devido ao senso de urgência e acuracidade necessária no diagnóstico, é relevante um sistema computacional que auxilie os médicos na obtenção de informações imperceptíveis ao olho humano, tornando o diagnóstico mais preciso. Sendo assim, este trabalho propõe um novo método para extração de características que utiliza mistura de gaussianas e padrões de densidades radiológicas cerebrais, denominado de Análise de Mistura Gaussianas da Densidade do Tecido Cerebral ou Mixture Gaussian Analysis of Brain Tissue Density (MGABTD). O método busca extrair informações relevantes de imagens de TC cerebrais para identificação e classificação do tipo de AVC. Para isso foram desenvolvidas três variações diferentes do uso de mistura de gaussianas para esse propósito, chamadas de: MGABTD , MGABTD e MGABTD . O desempenho dos três pixel percent neighborhood extratores foram comparados entre si, visando determinar qual variação é mais indicada em cada cenário, e foram comparadas empiricamente com resultados obtidos nos trabalhos relacionados. Cada método de extração foi avaliado utilizando seis classificadores: MLP, SVM, KNN, OPF, RF e Extremely Randomized Trees (Extra Tree), considerando três classes de AVC: normal, isquêmico ou hemorrágico. O método MGABTD obteve maior pixel performance, com 99.9% de acurácia nos classificadores: Extra Tree, KNN, RF e SVM. Baseado na relevância dos resultados obtidos, pode-se afirmar que o MGABTD é uma técnica útil para extração de características de imagens de TC do cérebro, com potencial de integrar sistemas que auxiliem o diagnóstico médico para detecção e classificações de AVC