Introdução ao processamento de imagem médica para detecção de tumores

O processamento de imagens médicas tornou-se um pilar da moderna oncologia, permitindo que os clínicos detectem, caracterizem e monitorem tumores com precisão inédita. Modalidades como ressonância magnética (RM), tomografia computadorizada (TC) e tomografia por emissão de pósitrons (PET) geram vastas quantidades de dados que, quando processados com algoritmos avançados, revelam anormalidades invisíveis a olho nu. O objetivo não é simplesmente identificar a presença de um tumor, mas extrair informações acionáveis sobre seu tamanho, forma, localização, atividade metabólica e relação com tecidos circundantes. Essas percepções influenciam diretamente o planejamento do tratamento, orientação cirúrgica e estimativa do prognóstico. À medida que a tecnologia evolui, o campo vai além da avaliação visual tradicional para uma análise quantitativa totalmente automatizada que reduz o erro humano e acelera fluxos de trabalho.

A demanda por uma melhor detecção tumoral é impulsionada pela necessidade de diagnóstico precoce. Para muitos cânceres, as taxas de sobrevida melhoram drasticamente quando a doença é capturada em uma fase localizada. Técnicas de processamento de imagem médica aumentam o contraste, reduzem o ruído e destacam características patológicas, facilitando o detetar pequenas lesões que podem ser perdidas. Métodos avançados também ajudam a diferenciar benignos de crescimentos malignos, reduzindo biópsias desnecessárias e ansiedade do paciente. Este artigo explora as abordagens mais inovadoras atualmente utilizadas no processamento de imagem médica para detecção de tumores, examinando algoritmos estabelecidos e fronteiras emergentes que prometem remodelar a prática clínica.

A Evolução da Detecção de Tumores em Imagens Médicas

Da inspeção manual ao diagnóstico assistido por computador

Historicamente, os radiologistas interpretaram imagens médicas por sequências de varredura visual de fatias, dependendo da experiência e reconhecimento de padrões. Embora eficazes para muitos casos, essa abordagem manual sofre de limitações: fadiga, variabilidade interobservador e dificuldade em detectar mudanças sutis ao longo do tempo. Na década de 1990, os sistemas de diagnóstico assistido por computador (CAD) começaram a auxiliar os radiologistas marcando regiões suspeitas em mamografias e radiografias de tórax.A CAD precoce usou métodos baseados em regras – limiar, detecção de bordas e classificadores simples – para sinalizar tumores potenciais. Esses sistemas melhoraram a sensibilidade, mas muitas vezes produziram altas taxas de falso-positivos, exigindo que os radiologistas rejeitassem muitos alarmes falsos.

O advento dos sistemas de imagem digital e de arquivamento de imagens e comunicação (PACS) proporcionou a infraestrutura para análises mais sofisticadas. Pesquisadores começaram a aplicar análise de textura, operações morfológicas e reconhecimento de padrões estatísticos para imagens médicas. No entanto, o verdadeiro salto veio com o surgimento de aprendizagem profunda, que eliminou a necessidade de recursos artesanais, aprendendo representações hierárquicas diretamente a partir de dados de pixel. Hoje, modelos de aprendizagem profunda superam o CAD tradicional em muitos benchmarks e estão cada vez mais integrados em software clínico.

Papel da Inteligência Artificial na Detecção Moderna de Tumores

A inteligência artificial (AI), particularmente o aprendizado profundo, transformou a detecção tumoral de uma tarefa semiautomática em um sistema totalmente automático de alto rendimento. Os modelos de IA podem processar volumes 3D inteiros em segundos, segmentar tumores ao nível de voxel, e atribuir escores de malignidade com precisão rivalizando radiologistas especialistas. Os avanços fundamentais são impulsionados por redes neurais convolucionais (CNNs), que são projetados para capturar hierarquias espaciais em imagens. Ao treinar em milhares de exames anotados, essas redes aprendem a reconhecer as texturas sutis, formas e gradientes de intensidade que caracterizam tumores.

A IA também permite a análise longitudinal: comparar a atual varredura de um paciente com as anteriores para detectar crescimento ou resposta à terapia, sendo fundamental para o monitoramento da efetividade do tratamento e para a detecção precoce de recorrência, além de integrar informações de múltiplas modalidades de imagem, como a fusão de dados de PET e TC, para fornecer insights complementares, porém, a implantação prática de IA na radiologia requer validação cuidadosa, liberação regulatória e fluxos de trabalho que permitam aos radiologistas revisar e substituir sugestões de algoritmos, apesar desses obstáculos, a IA já está auxiliando na detecção de nódulos pulmonares, no rastreamento de câncer de mama e segmentação de tumores cerebrais em muitos cenários clínicos.

Core Técnicas Avançadas no Processamento de Imagens Médicas

Aprendizagem profunda e redes neurais convolucionais

Como as CNNs trabalham para a classificação do tumor

As redes neurais convolucionais são a espinha dorsal da aprendizagem profunda moderna para imagens médicas. Uma CNN típica consiste em alternar camadas convolucionais (que aprendem filtros para detectar bordas, texturas e formas) e camadas de agrupamento (que reduzem as dimensões espaciais). As camadas mais profundas combinam características de baixo nível em representações de alto nível, como a presença de uma massa espiculada ou borda irregular. Para a classificação do tumor, as camadas finais produzem um escore de probabilidade para cada classe (por exemplo, benigna, maligna). A rede é treinada usando retropropagação em um grande conjunto de dados de imagens marcadas, ajustando milhões de parâmetros para minimizar o erro de previsão.

Uma das forças das CNNs é a sua capacidade de aprender recursos diretamente com dados, sem design manual. No entanto, eles exigem recursos computacionais substanciais e grandes conjuntos de dados anotados. Para superar a escassez de dados, os pesquisadores usam a aprendizagem de transferência: começando com uma rede pré-treinada em imagens naturais (como a ImageNet) e afinando-as em imagens médicas. Esta abordagem reduz drasticamente a quantidade de dados médicos rotulados necessários e acelera o treinamento. Para a detecção de tumores, as arquiteturas pré-treinadas comuns incluem VGG, ResNet e DenseNet, que foram adaptadas para cortes 2D e volumes 3D.

Arquiteturas populares para a Segmentação Tumor

Além da classificação, a segmentação – delimitando o limite exato de um tumor – é fundamental para a medição de volume e planejamento cirúrgico.A arquitetura U-Net, introduzida em 2015 para a segmentação de imagens biomédicas, continua sendo a mais utilizada.A U-Net apresenta um caminho decodificador simétrico com conexões de salto que preservam detalhes espaciais perdidos durante a downsampling.Este projeto permite que a rede produza mapas de segmentação de alta resolução.Variantes como 3D U-Net, Atenção U-Net e nnU-Net têm um desempenho ainda melhor em volumes médicos anisotrópicos.

Outras estruturas de segmentação incluem Mask R-CNN, que realiza segmentação de instância (detecção e segmentação de cada objeto individualmente), e modelos deepLab com convoluções atrosas que capturam contexto multiescala. Para a segmentação do tumor cerebral, o desafio BraTS tem estimulado o desenvolvimento de métodos de conjunto combinando várias arquiteturas. Estes modelos atingem pontuações de dados acima de 0,90 em muitos benchmarks, o que significa que eles se sobrepõem com precisão com máscaras de verdade do solo. No entanto, segmentar tumores irregulares e infiltrativos (por exemplo, glioblastoma) continua a ser um desafio devido a limites ambíguos e heterogeneidade.

Algoritmos de Segmentação de Imagens Além de Aprendizagem Profunda

Limiar e Região em crescimento

Antes do aprendizado profundo, a segmentação tumoral se baseou em técnicas clássicas de processamento de imagens. A descompressão separa pixels com base em valores de intensidade, assumindo que os tumores parecem mais brilhantes ou mais escuros que o tecido circundante. Por exemplo, em exames de TC, os tumores frequentemente apresentam diferentes coeficientes de atenuação, permitindo limiar global ou adaptativo simples. Entretanto, o limiar falha quando as intensidades tumorais se sobrepõem ao tecido normal, cenário comum na RM. O crescimento da região inicia-se a partir de um ponto de semente e expande-se para incluir pixels adjacentes que satisfazem um critério de homogeneidade.

Esses métodos ainda são usados como etapas de pré-processamento ou em ferramentas interativas de segmentação, onde radiologistas clicam em uma área suspeita.

Métodos clássicos mais avançados incluem contornos ativos (secas) e conjuntos de níveis, que deformam uma curva ou superfície para ajustar os limites de objetos com base em gradientes de imagem e restrições de curvatura. Estas técnicas são matematicamente elegantes e podem produzir limites suaves e precisos de subpixels. No entanto, elas são sensíveis à inicialização e ajuste de parâmetros, e lutam com ruído e bordas fracas. As abordagens híbridas combinam aprendizagem profunda com métodos clássicos, usando uma CNN para gerar um mapa de probabilidade que guia uma evolução de nível, alcançando robustez e precisão.

Análise Radiomática e Textura

Extração de Característica e Modelação Preditiva

A radimica é um método de alto rendimento que extrai centenas de características quantitativas de imagens médicas, incluindo a forma, intensidade, textura e descritores baseados em wavelet. Estas características descrevem a heterogeneidade tumoral, que é frequentemente correlacionada com a agressividade e resposta ao tratamento. Por exemplo, um tumor com forma irregular, alta entropia (medida de aleatoriedade) e textura grosseira pode ser mais provável de ser maligna ou ter mau prognóstico. Características radiêmicas podem ser alimentadas em classificadores de aprendizado de máquina (florestas aleatórias, máquinas vetoriais de suporte, ou XGBooost) para construir modelos preditivos para sobrevivência, recorrência e marcadores genéticos.

A vantagem da radimica sobre o aprendizado profundo é interpretabilidade: cada recurso tem um significado matemático claro, permitindo aos pesquisadores entender por que um modelo faz uma determinada previsão. No entanto, a radimica sofre de problemas de reprodutibilidade; características podem variar com configurações de scanner, algoritmos de reconstrução e métodos de segmentação. Para abordar isso, a Iniciativa de Padronização de Image Biomarker (IBSI) estabeleceu diretrizes para o cálculo de recursos. Estudos radiomáticos de grande escala, como os de câncer de pulmão e metástases hepáticas colorretais, demonstraram valor clínico, mas a tradução para a prática de rotina requer validação prospectiva rigorosa. Combinar a radimica com a aprendizagem profunda (denominada "radiologia profunda") é uma área de pesquisa ativa que visa mesclar as forças de ambas as abordagens.

Imagem híbrida e fusão multimodal

PET-CT e PET-MRI para diagnóstico integrado

Sistemas de imagem híbrida que combinam modalidades funcionais e anatômicas fornecem informações complementares essenciais para a detecção precisa do tumor. PET-CT é a técnica híbrida mais estabelecida: PET revela atividade metabólica utilizando radiotratores como F-18 fluorodeoxiglicose (FDG), que se acumula em tumores hipermetabólicos, enquanto a TC fornece contexto anatômico detalhado. A fusão permite localização precisa de pontos quentes suspeitos e ajuda a diferenciar lesões malignas de inflamação benigna. Por exemplo, um pequeno nódulo pulmonar com captação elevada de FDG é mais provável ser maligno, e o componente CT pode caracterizar seu tamanho, densidade e calcificação.

A PET-MRI é um híbrido mais recente que oferece contraste de partes moles superior em comparação com a TC, tornando-a particularmente valiosa para o cérebro, cabeça e pescoço e tumores pélvicos. A RM pode fornecer informações funcionais, tais como imagens ponderadas por difusão (DWI), parâmetros de perfusão e espectroscopia, enriquecendo ainda mais o quadro diagnóstico. Algoritmos de fusão multimodal registram os dois volumes de imagem, muitas vezes usando informações mútuas ou registro de aprendizagem profunda, e combinam-nos pixel-wise para melhorar a segmentação tumoral. Estudos mostram que PET/MRI combinado melhora a precisão diagnóstica para câncer de próstata e metástases hepáticas em comparação com qualquer uma das modalidades isoladamente.

Aprendizagem profunda multimodal para detecção de tumores

Modelos de aprendizagem profunda podem ser projetados para aceitar várias modalidades de entrada simultaneamente. Por exemplo, uma rede pode ter uma imagem PET, uma imagem CT e uma sobreposição fundida, processando cada um através de ramos de codificador separados antes de fundir características em um decodificador compartilhado. Esta abordagem aprende a explorar os pontos fortes de cada modalidade. Os mecanismos de atenção podem pesar a contribuição de cada modalidade dependendo da região, por exemplo, confiando mais em PET para hotspots metabólicos e em CT para limites anatômicos. O trabalho recente em transformadores multimodais estende esta ideia, tratando cada modalidade como um símbolo e aplicando autoatenção em modalidades.

Tais modelos alcançam resultados de última geração em benchmarks como o desafio de Segmentação Tumor Céreano Multimodal (BraTS) e estão sendo avaliados para suporte de decisão clínica.

Desafios de Implementação e Considerações de Dados

Escassos de Dados e Classes Desbalanceadas

Um dos obstáculos mais persistentes no processamento de imagens médicas é a disponibilidade limitada de grandes conjuntos de dados anotados de alta qualidade. Os tumores anotados requerem radiologistas especialistas, o que é demorado e caro. Além disso, os tumores são relativamente raros em populações de triagem, levando a desequilíbrios de classe graves: muitos mais exames normais do que os anormais. Modelos treinados em dados desequilibrados tendem a tender para a classe da maioria, faltando verdadeiros positivos. Técnicas para atenuar isso incluem sobresmamplificação (replicando casos de tumor), compreensão (descartando alguns casos normais) e aprendizado sensível ao custo que atribui maiores penalidades para classificar mal tumores.

O aumento de dados aumenta artificialmente o conjunto de treinamento aplicando transformações aleatórias: rotações, inversões, deformações elásticas e mudanças de intensidade. Em imagens médicas, é fundamental garantir que os aumentos preservem o realismo clínico – por exemplo, virar um órgão pode alterar as relações anatômicas à esquerda-direita, o que poderia confundir o modelo se não for manuseado cuidadosamente. Redes de adversariais generativas (GANs) podem sintetizar imagens tumorais realistas ou até mesmo exames inteiros, fornecendo uma poderosa mas ainda experimental ferramenta de aumento. Preocupações de privacidade também limitam o compartilhamento de dados; iniciativas como o Cancer Imaging Archive (TCIA) e estruturas de aprendizagem federada visam superar isso, permitindo treinamento colaborativo sem centralizar os dados do paciente.

Normalização e reprodutibilidade

As imagens médicas vêm de diferentes scanners (fabricantes, pontos fortes de campo, algoritmos de reconstrução), levando a variações nas faixas de intensidade, resolução e ruído. Estes deslocamentos de domínio podem causar falha em um modelo treinado em dados de uma instituição. Padronizar as etapas de pré-processamento – reamostrando o tamanho do voxel isotrópico, correção do campo de viés para RM, normalização da intensidade (por exemplo, Z-score ou correspondência histográfica) – é essencial para um desempenho robusto. No entanto, não há protocolo universal de pré-processamento; cada tarefa requer uma afinação cuidadosa. A comunidade de imagem médica está se movendo para padrões de avaliação mais rigorosos: reportando desempenho em vários conjuntos de testes independentes, usando validação de sites cruzados, e liberando código e modelos treinados para permitir a replicação.

Além disso, a verdade do solo de segmentação é subjetiva; o mesmo tumor pode ser delineado de forma diferente por dois especialistas. A variabilidade inter-examinadores pode ser de até 20% para certos tipos de tumor. Para explicar isso, alguns estudos usam anotadores múltiplos e concordância de medidas (por exemplo, pontuação de Dice entre avaliadores). Segmentação probabilística ou estimativa de incerteza em modelos de aprendizagem profunda podem ajudar a sinalizar regiões ambíguas para revisão humana. Corpos reguladores como o FDA exigem que algoritmos de IA demonstrem desempenho consistente entre populações diversas e condições de imagem antes da implantação clínica.

Inpretabilidade e Confiança Clínica

Modelos de aprendizagem profunda são frequentemente descritos como "caixas negras" porque sua tomada de decisão interna é opaca. Para um radiologista confiar na previsão de um modelo, eles precisam entender por que uma região foi marcada como suspeita. Técnicas explicativas de IA (XAI) abordam isso gerando mapas de calor (p. ex., Grad-CAM) que destacam áreas que contribuem mais para a saída do modelo. Esses mapas de saliência podem ser sobrepostos na imagem original, mostrando quais pixels ou regiões o modelo focado. No entanto, os métodos de saliência atuais têm limitações: eles podem ser barulhentos, e indicam correlação em vez de causalidade. abordagens de interpretação mais rigorosas incluem atribuição de conceito (teste se o modelo usa características clinicamente relevantes) e explicações contrafatuais (mostrando como alterar a imagem mudaria a predição).

A confiança clínica também se baseia em estudos rigorosos de validação que comparam o desempenho de IA com os radiologistas em condições de leitura do mundo real. Ensaios prospectivos, como os de mamografia IA, mostraram que a IA pode reduzir a carga de trabalho do radiologista e aumentar as taxas de detecção sem aumentar as taxas de memória. Entretanto, a adoção é dificultada por preocupações de responsabilidade, desafios de integração de fluxo de trabalho e necessidade de monitoramento contínuo da deriva de algoritmos conforme novos dados emergem. Radiólogos não são substituídos pela IA; ao contrário, colaboram com ela, com a IA lidando com o rastreamento inicial e sinalizando casos suspeitos, permitindo que radiologistas se concentrem em interpretações complexas.

Tendências emergentes e orientações futuras

Aprendizagem Federada para Detecção de Tumores de Privacidade

A aprendizagem federada permite que várias instituições treinem colaborativamente um modelo de aprendizagem profunda compartilhado sem transferir dados brutos de pacientes para um servidor central. Cada hospital treina o modelo localmente em seus próprios dados, então envia apenas os pesos atualizados do modelo (gradientes) para um agregador central, que os combina para melhorar o modelo global. Esta abordagem preserva a privacidade dos dados, uma exigência crítica sob regulamentos como HIPAA e GDPR. Estudos iniciais sobre aprendizagem federada para imagens médicas têm mostrado que os modelos resultantes podem alcançar desempenho comparável aos modelos treinados centralmente, especialmente quando as distribuições de dados entre sites são semelhantes. Desafios incluem eficiência de comunicação (grandes modelos exigem largura de banda significativa), dados heterogêneos (tipos diferentes de scanners) e robustez algorítmica contra atualizações maliciosas.

A aprendizagem federada é particularmente promissora para a detecção de tumores porque permite que subtipos raros de câncer sejam estudados em muitos locais sem expor registros de pacientes. Por exemplo, a iniciativa Federation Tumor Brain Segmentation (FeTS) tem agregado dados de dezenas de instituições em todo o mundo para melhorar a segmentação de glioblastoma. À medida que a infraestrutura amadurece, o aprendizado federado pode se tornar o padrão para treinamento de modelos de IA clinicamente validados que generalizam em todas as populações.

Redes Adversárias Gerativas para Aumento de Dados e Síntese

As redes adversariais generativas (GANs) consistem em duas redes neurais: um gerador que cria novas imagens e um discriminador que tenta distinguir real de falso. Em imagens médicas, os GANs podem gerar tumores sintéticos realistas incorporados em exames normais, aumentando efetivamente os dados de treinamento para malignidades raras ou difíceis de segmentar. Eles também podem realizar síntese de modalidade cruzada – por exemplo, gerando imagens de TC a partir de dados de RM, que é útil para o planejamento de dose quando apenas está disponível a RM (por exemplo, para radioterapia apenas por RM). CycleGAN e suas variantes permitem a tradução não pareada entre as modalidades, reduzindo a necessidade de conjuntos de dados perfeitamente alinhados.

No entanto, os GANs são notoriamente difíceis de treinar e podem produzir artefatos que induzem modelos a jusante. Para garantir a validade clínica, as imagens geradas devem ser examinadas por radiologistas e avaliadas com métricas quantitativas (Fréchet Inception Distage, estrutural similarity).Os recentes avanços em modelos de difusão (por exemplo, Difusão estável) oferecem uma alternativa aos GANs, produzindo imagens sintéticas de maior qualidade e mais diversas.Estas técnicas gerativas ainda são ferramentas de pesquisa, mas possuem o potencial de expandir muito o volume de dados de treinamento e permitir modelos robustos de detecção de tumores para cânceres raros.

IA e sistemas humanos no circuito

À medida que a IA se torna mais incorporada em fluxos de trabalho clínicos, cresce a necessidade de sistemas interpretáveis e interativos. Os sistemas humanos no circuito (HITL) permitem que os radiologistas forneçam feedback ao modelo durante a inferência, corrigindo falsos positivos ou refino de limites de segmentação em tempo real. Por exemplo, um radiologista pode clicar em uma área suspeita, e o modelo ajusta sua previsão de acordo. Esta abordagem colaborativa constrói confiança e melhora a precisão incrementalmente. Pesquisa sobre segmentação interativa (por exemplo, DeepGrow, que usa cliques e entradas de scribble) mostrou que a orientação do usuário aumenta significativamente o desempenho, especialmente para casos ambíguos.

Combinando XAI com HITL, pesquisadores desenvolvem painéis que mostram mapas de saliência ao lado de escores de confiança e permitem que radiologistas consultem o modelo para explicações (por exemplo, "Por que você rotulou esta região como maligna?"). O sistema pode responder destacando as características de atipia celular aprendidas com dados de treinamento. Essa transparência ajuda a identificar quando o modelo está confiando em correlações espúrias (por exemplo, artefatos de digitalização ou posicionamento do paciente) e orienta a coleta de dados para eliminar esses vieses. Em última análise, o objetivo é criar parceiros de IA que aumentam, não substituem, a perícia humana.

Detecção em tempo real nas configurações intraoperatórias e ponto de cuidado

Avanços em hardware – como dispositivos móveis acelerados por GPU e computação de bordas em nuvem – permitem detectar tumores em tempo real durante cirurgias ou em ambientes de baixo recurso. Por exemplo, a tomografia de coerência óptica (TOC) e a microscopia confocal fornecem imagens de tecido de alta resolução que podem ser processadas em tempo real para identificar margens de tumor durante a ressecção. Modelos de aprendizado profundo implantados em dispositivos portáteis podem auxiliar neurocirurgiões na distinção do tumor cerebral de substância branca normal, reduzindo o risco de ressecção incompleta. Da mesma forma, sistemas de IA baseados em ultrassom estão sendo desenvolvidos para rastreamento de câncer de mama em áreas rurais, onde o acesso a radiologistas é limitado.

Esses sistemas em tempo real enfrentam requisitos de latência rigorosos (sub-segunda inferência) e devem operar de forma confiável em dados compactados ou barulhentos. Arquiteturas de rede eficientes (MobileNet, EfficientNet e técnicas de quantização) reduzem o tamanho e a computação do modelo sem perda significativa de precisão. À medida que a infraestrutura de computação de 5G e borda se expande, a consulta remota por especialistas, aliada à IA no dispositivo, poderia democratizar a detecção de tumores globalmente. No entanto, a aprovação regulatória para tais dispositivos é complexa, exigindo validação não apenas de precisão de algoritmo, mas também de segurança de hardware e usabilidade em condições reais.

Conclusão

Técnicas avançadas para detecção de tumores com processamento de imagem médica têm avançado de limiar rudimentar para sofisticados sistemas de aprendizagem profunda que rivalizam com o desempenho humano.A integração de imagens multimodalidade, radiomics e IA tem possibilitado diagnósticos mais precoces, mais precisos e personalizados.Modelos de aprendizagem profunda, como CNNs e segmento U-Net, e classificar tumores com alta precisão, enquanto o aprendizado federado e modelos generativos abordam a escassez de dados e preocupações de privacidade.No entanto, desafios permanecem: variabilidade de dados, interpretabilidade, validação clínica e integração de fluxo de trabalho exigem colaboração contínua entre cientistas da computação, radiologistas e órgãos reguladores.

O futuro da detecção de tumores reside em sinergias perfeitas entre a perícia humana e a inteligência de máquinas.I.A. explicativa, ferramentas interativas e processamento em tempo real tornarão essas técnicas avançadas acessíveis aos clínicos em todo o mundo.À medida que a pesquisa continua a empurrar fronteiras, os beneficiários finais serão pacientes, que se beneficiarão de detecção mais rápida, menos invasiva e terapias mais direcionadas.Investimento contínuo em grandes escalas, conjuntos de dados diversos e ensaios clínicos rigorosos é essencial para traduzir inovações de bancada para a prática clínica diária.Ao abraçar essas técnicas avançadas, a comunidade médica se aproxima do objetivo de capturar o câncer precocemente, tratá-lo de forma eficaz e melhorar os resultados de sobrevivência para as populações em todo o mundo.

Para mais informações, ver AI em imagens médicas: aplicações atuais e direções futuras, Aprendizamento profundo para segmentação do tumor cerebral: uma pesquisa, e Rádio: extraindo mais informações de imagens médicas.