LUCAS_TCC_V4_revisar

Prévia do material em texto

MINISTÉRIO DA EDUCAÇÃO
FUNDO NACIONAL DE DESENVOLVIMENTO DA EDUCAÇÃO
SECRETARIA DE EDUCAÇÃO PROFISSIONAL E TECNOLÓGICA
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA BAIANO – CAMPUS CATU
LUCAS FURTADO GÓES
SMARTHEALING: 
SOLUÇÃO COMPUTACIONAL PARA CALCULAR A ÁREA DE FERIMENTOS CUTÂNEOS DE FORMA AUTOMATIZADA COM AUXÍLIO DE INTELIGÊNCIA ARTIFICIAL A PARTIR DE IMAGENS FOTOGRÁFICAS OBTIDAS POR DISPOSITIVOS MÓVEIS 
	
CATU- BA
2023
LUCAS FURTADO GÓES
SMARTHEALING: 
SOLUÇÃO COMPUTACIONAL PARA CALCULAR A ÁREA DE FERIMENTOS CUTÂNEOS DE FORMA AUTOMATIZADA COM AUXÍLIO DE INTELIGÊNCIA ARTIFICIAL A PARTIR DE IMAGENS FOTOGRÁFICAS OBTIDAS POR DISPOSITIVOS MÓVEIS 
Trabalho de Conclusão de Curso apresentado ao Instituto Federal de Educação, Ciência e Tecnologia Baiano-Campus Catu ligado ao Ministério da Educação, como requisito parcial para a obtenção do título de Tecnólogo em Análise e Desenvolvimento de Sistemas.
Orientador: Dr. André Luiz Andrade Rezende
Co-orientador: Dr. Romero Mendes Freire de Moura Júnior
Co-orientador: Dr. Romero Mendes Freire Júnior
CATU - BA
2023
Ficha Catalográfica
LUCAS FURTADO GÓES
SMARTHEALING: SOLUÇÃO COMPUTACIONAL PARA CALCULAR A ÁREA DE FERIMENTOS CUTÂNEOS DE FORMA AUTOMATIZADA COM AUXÍLIO DE INTELIGÊNCIA ARTIFICIAL A PARTIR DE IMAGENS FOTOGRÁFICAS OBTIDAS POR DISPOSITIVOS MÓVEIS 
Trabalho de Conclusão de Curso apresentado ao Instituto Federal de Educação, Ciência e Tecnologia Baiano–Campus Catu ligado ao Ministério da Educação como requisito parcial para obtenção do Título de Tecnólogo em Análise e Desenvolvimento de Sistemas.
APROVADA EM .......... / ........... / ..............
BANCA EXAMINADORA
_______________________________________
Título. Nome do Professor
Nome da Instituição
______________________________________
Título. Nome do Professor
Nome da Instituição
Dr. André Luiz Andrade Rezende
Orientador
Dr. Romero Mendes Freire de Moura Júnior
Coorientador
CATU - BA
2023
DEDICATÓRIA
AGRADECIMENTOS
EPÍGRAFE
GOIS, Lucas Furtado. SMARTHEALING: Solução computacional para calcular a área de ferimentos cutâneos de forma automatizada com auxílio de inteligência artificial a partir de imagens fotográficas obtidas por dispositivos móveis. ___p. Trabalho de Conclusão de Curso (Tecnólogo em Análise e Desenvolvimento de Sistemas) Instituto Federal de Educação, Ciência e Tecnologia Baiano – Campus Catu, Catu, BA, 2023.
Resumo
Palavras-Chave: 
GOIS, Lucas Furtado. SMARTHEALING: Computational Solution to Automatically Calculate the Area of Skin Wounds with the Aid of Artificial Intelligence Using Photographic Images Obtained by Mobile Devices.___ p. Work Course Conclusion (Technologist in Systems Analysis and Development) Federal Institute of Education, Science and Technology Baiano - Campus Catu, Catu, BA, 2023.
Abstract
Keywords: 
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE SIGLAS
Sumario
1. INTRODUÇÃO	13
1.1. Contextualização	13
1.2. Problema	14
1.3. Objetivo geral	14
1.4. Objetivos específico (s)	15
2. REFERENCIAL TEORICO	16
2.1 Ferimentos cutâneos	16
2.1.1 TECNOLOGIA PARA CÁLCULO DA ÁREA DE FERIDAS DE FORMA AUTOMATIZADA	23
2.2 Inteligência Artificial	25
2.2.1 Machine Learning (ML)	28
2.2.1.1 Aprendizado de máquina supervisionado	28
2.2.1.2 Aprendizado de máquina não supervisionado	30
2.2.1.3 Aprendizado de reforço	32
2.3. Deep Learning	34
2.4 Segmentação Semântica	36
3. METODOLOGIA	44
4 RESULTADOS E DISCUSSÃO	45
5 CONCLUSÃO	46
6 CONSIDERAÇÕES FINAIS	47
7 REFERENCIA	48
1. Introdução
Ferimentos cutâneos representam um desafio significativo tanto no Brasil quanto no mundo, afetando milhões de pessoas anualmente. Globalmente, estima-se que mais de 2 bilhões de pessoas são acometidas por feridas cutâneas, resultando em enormes custos de saúde pública e impactos socioeconômicos consideráveis (Ministério da saúde, 2021). No Brasil, dados do Ministério da Saúde (2022) apontam que os ferimentos cutâneos, incluindo úlceras por pressão e lesões decorrentes de acidentes, representam uma parcela significativa das admissões hospitalares e dos gastos com tratamentos médicos. Essas lesões não apenas causam sofrimento físico, mas também geram um ônus financeiro considerável para os sistemas de saúde e para os indivíduos afetados.
Os ferimentos cutâneos, além de representarem desafios complexos para profissionais de saúde, têm evoluído em sua abordagem com os avanços tecnológicos. O impacto dessas lesões não se limita apenas à condição física, estendendo-se aos domínios biopsicossociais, espirituais e à qualidade de vida relacionada à saúde dos indivíduos afetados, seus familiares e cuidadores (DANTAS et al., 2022). Em particular, a crescente prevalência dessas feridas em idosos, especialmente úlceras nos membros inferiores e nos pés de pessoas com diabetes, reflete um desafio crescente para o sistema de saúde.
A falta do uso de métodos eficientes e precisos para avaliar e monitorar o progresso de ferimentos cutâneos pode prolongar o tempo de recuperação, aumentar o risco de complicações e impactar negativamente a qualidade de vida dos pacientes. No âmbito da avaliação de ferimentos, os enfermeiros desempenham um papel crucial, sendo reconhecidos como pilares fundamentais no cuidado dos pacientes (Mittag et al., 2017). Enquanto técnicas de avaliação invasivas e não invasivas são comuns, a evolução tecnológica tem aberto novas perspectivas. Nesse contexto, soluções inovadoras que integram tecnologia e inteligência artificial para avaliação e tratamento de ferimentos cutâneos têm o potencial de revolucionar os cuidados médicos, agilizando diagnósticos, melhorando a precisão das análises e otimizando os processos de tratamento.
Atualmente, existe um panorama promissor de abordagens tecnológicas inovadoras que visam aprimorar significativamente a análise e tratamento de feridas. Estas tecnologias emergentes oferecem uma gama diversificada de métodos de avaliação, que vão desde sistemas de imagem avançados até dispositivos de monitoramento contínuo, permitindo uma análise mais precisa e uma intervenção personalizada. Ao explorar tais avanços, esta pesquisa se propõe a contextualizar não apenas a gravidade e impacto das feridas cutâneas, mas também a contribuição revolucionária das ferramentas tecnológicas na melhoria dos cuidados e na eficácia dos tratamentos.
Esta abordagem multidimensional não só considera a complexidade dos ferimentos em si, mas também a interseção entre a prática clínica e os avanços tecnológicos, promovendo um entendimento abrangente para otimizar a saúde e o bem-estar dos indivíduos afetados. 
A aplicação de soluções computacionais, como o SMARTHEALING, que empregam algoritmos de inteligência artificial para calcular automaticamente a área de ferimentos a partir de imagens fotográficas obtidas por dispositivos móveis, oferece uma abordagem promissora para aprimorar a gestão e o acompanhamento de lesões cutâneas. Essa tecnologia não só proporciona uma avaliação mais precisa e ágil das feridas, mas também pode facilitar a comunicação entre profissionais de saúde, pacientes e cuidadores, resultando em uma prestação de cuidados mais eficaz e personalizada.
Diante do impacto significativo dos ferimentos cutâneos na saúde pública e na qualidade de vida dos indivíduos, investir em soluções como o SMARTHEALING pode representar um passo crucial na melhoria dos cuidados de saúde, reduzindo custos, minimizando complicações e contribuindo para uma recuperação mais rápida e eficaz dos pacientes.
1.1. Contextualização
As técnicas invasivas para mensuração de ferimentos cutâneos são métodos que envolvem a ruptura de barreiras naturais do organismo, como a pele, e a penetração em cavidades do corpo (SCOPEL, 2022). Elas são utilizadas em procedimentos de assistência à saúde, como a inserção de dispositivos como acessos vasculares, sondas, drenos e cateteres.Esses procedimentos podem causar danos potenciais, como infecções hospitalares, e exigem cuidados específicos durante a sua realização e manutenção. Por outro lado, as técnicas não invasivas são aquelas que não envolvem a quebra das barreiras naturais do organismo. Elas são utilizadas como alternativas para minimizar os riscos e complicações associados aos procedimentos invasivos. No contexto da mensuração de ferimentos, as técnicas não invasivas podem incluir o uso de fotografia digital, softwares de análise de imagens e dispositivos de medição de feridas (SCOPEL, 2022).
Este projeto é parte integrante de uma iniciativa mais ampla denominada Cicatribio, que representa uma convergência entre a computação e a química, em particular a produção de fármacos cicatrizantes. No âmbito deste empreendimento, desenvolvi dois aplicativos para smartphones, intitulados CicatribioSkin e CicatribioVet, os quais desempenham funcionalidades análogas às aplicadas nos programas mencionados no arcabouço teórico deste Trabalho de Conclusão de Curso (TCC).
A sinergia entre profissionais da área química, que exploraram os compostos extraídos da mangaba para a produção de um fármaco, e a equipe de tecnologia, sob a coordenação conjunta do Professor Doutor Saulo Capim[footnoteRef:1], especialista na área de química medicinal, e meu orientador, Professor Doutor André Rezende[footnoteRef:2], do campo da computação, culminou na concepção de um produto integrado. Este produto representa a comercialização conjunta do mencionado fármaco, destinado à aplicação em feridas, e do software, destinado ao monitoramento do processo de cicatrização. [1: E-mail: saulo.capim@ifbaiano.edu.br Currículo Lattes:http://lattes.cnpq.br/0034925996120563] [2: E-mail: andre.luiz.rezende@gmail.com Currículo Lattes http://lattes.cnpq.br/7031235791316163] 
O objetivo dessa integração é prover uma solução holística para o acompanhamento e tratamento de feridas, aplicável tanto em contextos humanos quanto veterinários, proporcionando um enfoque abrangente e inovador para a gestão e cuidado dessas lesões dérmicas.
1.2. Problema
As técnicas invasivas e não invasivas se diferenciam no grau de invasão ao organismo e nos riscos associados. As técnicas invasivas têm a vantagem de fornecer medidas mais precisas e detalhadas, já que envolvem a manipulação direta do ferimento. No entanto, elas apresentam riscos adicionais, como o potencial de lesão tecidual e o aumento do risco de infecção. As técnicas não invasivas, por sua vez, oferecem benefícios como menor risco de complicações e menor desconforto para o paciente. Elas podem ser mais acessíveis, requerendo menos treinamento e equipamentos mais leves, contudo, esse benefício vem acompanhado de um custo mais elevado. No entanto, podem ter algumas limitações, como a necessidade de maior tempo de análise e possíveis variações na precisão das medidas.
Nesse contexto, torna-se relevante investigar:
– Como medir a área de ferimentos cutâneos de forma automatizada em imagens fotográficas obtidas a partir de dispositivos móveis?
1.3. Objetivo geral
O objetivo geral deste trabalho de conclusão de curso é aprofundar a investigação sobre métodos e técnicas para a automatização do cálculo da área de ferimentos cutâneos por meio de análise de imagens capturadas com dispositivos móveis. Pretende-se desenvolver uma abordagem que possibilite uma avaliação precisa e eficiente dessas lesões. O estudo busca contribuir para a área da saúde, oferecendo uma solução computacional que permita aos profissionais médicos e enfermeiros realizar medições de forma rápida e confiável, facilitando o acompanhamento e tratamento de pacientes com ferimentos cutâneos.
1.4. Objetivos específicos	
Os objetivos específicos deste estudo compreendem: realizar a revisão da literatura por meio de pesquisa em bases de dados que contenham imagens e informações pertinentes a ferimentos cutâneos, a fim de criar um conjunto de dados abrangente e representativo. Em segundo lugar, implementar e treinar o algoritmo de processamento de imagem que permitam a análise das fotografias dos ferimentos, com ênfase na extração de informações quantitativas, como a área e a região de interesse dos ferimentos. Por fim, testar e análisar os resultados obtidos, acompanhando a evolução da segmentação e identificando quaisquer alterações significativas, como diminuição ou aumento da área e da região de interesse do ferimento, contribuindo assim para a validação e aprimoramento do método proposto.
O estudo em questão pode oferecer uma abordagem não invasiva e precisa para a mensuração de ferimentos, fornecendo informações objetivas e auxiliando os profissionais de saúde no cuidado dos pacientes. 
1.5 Trabalhos correlatos
A área de estudo concernente à análise e diagnóstico de lesões de pele tem sido objeto de pesquisa e desenvolvimento em diversos estudos recentes. Dentre merecem destaque alguns trabalhos que exploraram abordagens inovadoras e tecnologias emergentes para a segmentação e caracterização precisa de lesões cutâneas.
Em sua monografia intitulada "Segmentação Semântica de Lesões de Pele utilizando Redes Neurais Convolucionais" (Ferreira, 2018), Bruno Eduardo Silva Ferreira propôs uma abordagem utilizando Redes Neurais Convolucionais (CNNs) para a segmentação precisa de lesões de pele. Sua pesquisa na Universidade Federal do Maranhão ofereceu contribuições significativas no desenvolvimento de métodos de segmentação semântica, proporcionando uma análise detalhada e precisa das lesões, com potenciais implicações na precisão do diagnóstico. A pesquisa conduzida por Ferreira (2021) se concentrou na aplicação de Redes Neurais Convolucionais (CNNs) para realizar a segmentação precisa de lesões de pele, proporcionando análises minuciosas para aprimorar a precisão do diagnóstico. Por outro lado, o escopo desta pesquisa é direcionado à automação do cálculo da extensão de ferimentos cutâneos por meio da análise de imagens capturadas por dispositivos móveis. O propósito é desenvolver uma abordagem que viabilize uma avaliação precisa e eficiente das lesões, possibilitando não apenas a identificação, mas também a mensuração rápida e confiável das áreas afetadas. Essa abordagem visa auxiliar profissionais da saúde, como médicos e enfermeiros, no monitoramento e tratamento mais eficaz de pacientes com ferimentos cutâneos.
Por outro lado, o estudo conduzido por Neto Junior (2021) no Centro Universitário Sagrado Coração, em "Estudo da Automação para Auxílio da Caracterização e Diagnóstico de Feridas por Aplicação Digital", concentrou-se na automação do processo de caracterização de feridas por meio de aplicação digital. A pesquisa explorou abordagens de automação para auxiliar no diagnóstico de lesões cutâneas, possivelmente simplificando e acelerando o processo de análise, enquanto isso, a proposta deste trabalho é oferecer uma solução computacional que não apenas identifique, mas também mensure, de forma automatizada e precisa a extensão dos ferimentos, visando facilitar o acompanhamento e tratamento por profissionais médicos e enfermeiros.
Além disso, um trabalho conduzido por Steppan e Hanke (2021), intitulado "Analysis of Skin Lesion Images with Deep Learning" e "Validating Wound Severity Assessment via Region-Anchored Convolutional Neural Network Model for Mobile Image-Based Size and Tissue Classification", respectivamente, destacou-se pela aplicação de Redes Neurais Convolucionais ancoradas em regiões para a avaliação de gravidade de feridas. Sua contribuição foi relevante na validação de métodos de avaliação de feridas com base em imagens móveis, oferecendo um modelo robusto para a classificação de tamanho e tipo de tecido. A pesquisa conduzida aqui se difere pois além da classificação e medição automatizada dos ferimentos cutâneos, é possível fazer o acompanhamento do tratamento com baixo custo, utilizando um aplicativo de uma Application Programming Interface - API.
Os estudos trazidos demonstram a crescente aplicação de técnicas avançadas, como RedesNeurais Convolucionais e automação por meio de aplicativos digitais, na análise de lesões de pele. A sinergia entre esses trabalhos ressalta o avanço contínuo na busca por métodos mais precisos e eficientes de diagnóstico de lesões cutâneas, sinalizando um caminho promissor para a melhoria da prática clínica e da saúde dermatológica.
2. referencial teórico
2.1 Ferimentos cutâneos
A cicatrização de feridas é um processo complexo e dinâmico que envolve a regeneração tecidual e a formação de uma nova pele. Segundo Machado et al. (2017), esse processo é coordenado e dividido em três fases: inflamatória, proliferação e remodelamento. Durante a fase inflamatória, ocorre a limpeza da ferida e a formação de um coágulo sanguíneo. Na fase de proliferação, as células começam a se multiplicar e a formar um novo tecido. Já na fase de remodelamento, ocorre a reorganização do tecido cicatricial e a formação de uma nova pele. O colágeno, componente vital da matriz extracelular, desempenha um papel fundamental na formação do tecido cicatricial. De acordo com Fonseca et al. (2019, citado em Lima et al., 2021), a constante deposição e reabsorção do colágeno contribuem para uma rede dinâmica que permite a regeneração tecidual e a formação de uma nova pele. 
Ao longo dos anos, o tratamento de feridas tem sido objeto de estudo e aprimoramento por diversos pesquisadores. Eline Lima Borges, em sua dissertação de mestrado intitulada "Tratamento de feridas: avaliação de um protocolo", apresenta uma pesquisa sobre o tratamento de feridas e a avaliação de um protocolo. A autora destaca a importância de novos conhecimentos relativos ao tratamento de feridas e ao uso de coberturas oclusivas semipermeáveis e impermeáveis. Borges também apresenta uma revisão histórica sobre o tratamento de feridas, destacando a proposta de Chauliac no século XIV e as mudanças ocorridas nos séculos XVIII e XIX. 
Ainda de acordo com Borges (2000), John Hunter, um dos mais importantes cirurgiões do século XVIII, foi o primeiro a afirmar que "as feridas são curadas por uma reação inflamatória, cuja finalidade última consiste em produzir uma cicatriz firme para unir a parte lesada e restaurar a função". Embora não tenha deixado registros específicos sobre a definição de ferimentos cutâneos, sua experiência e contribuições para a medicina fornecem uma base sólida para entender os conceitos sobre cicatrização de ferimentos. 
Com base na revisão integrativa realizada por Sousa MBV et al. (2020, citado em Lima et al., 2021), é possível afirmar que as feridas são um problema atual no campo da saúde pública brasileira, tanto pela quantidade de pacientes que as desenvolvem quanto pela dificuldade que os profissionais da saúde enfrentam no cuidado com as mesmas. Segundo a literatura, um ferimento é uma lesão na integridade da pele ou de um órgão interno, causada por um agente externo (NIGHTINGALE, 1860, citado em Lima et al., 2021). 
A cicatrização de uma ferida é um processo complexo que envolve diversas etapas, como a hemostasia, a inflamação, a proliferação celular e a remodelação do tecido (STRAUSS; KAPLAN, 2008, citado em Lima et al., 2021). Para que a cicatrização ocorra de forma adequada, é fundamental que a ferida seja tratada de acordo com as melhores práticas clínicas, utilizando técnicas e materiais adequados, a fim de garantir a segurança e o bem-estar dos pacientes.
Nesse sentido, é importante que os profissionais de enfermagem estejam capacitados para realizar o tratamento adequado das feridas, utilizando conhecimentos teóricos baseados em evidências científicas (MITTAG et al. 2017). A literatura destaca a importância do conhecimento dos enfermeiros no tratamento de feridas, uma vez que essa é uma competência essencial da prática da enfermagem (SILVA et al., 2019, citado em Lima et al., 2021).
A classificação dos ferimentos cutâneos é um elemento crucial na avaliação e tratamento adequados dessas lesões. A variedade de ferimentos que podem ocorrer na pele é vasta, o que demanda uma sistemática classificação para direcionar os cuidados clínicos de forma eficaz. A classificação clínica dos ferimentos cutâneos pode ser realizada de diversas maneiras, levando em consideração diferentes aspectos, como mecanismo de lesão, extensão, profundidade e características específicas do tecido acometido.
Conforme Campos, Borges-Branco e Groth (2012), uma das abordagens clássicas para a classificação dos ferimentos cutâneos se baseia na sua profundidade, dividindo-os em categorias que variam desde lesões superficiais até aquelas que acometem camadas mais profundas da pele e estruturas subjacentes. Neste contexto, a classificação de feridas proposta por Bates-Jensen é uma estrutura usada na avaliação e classificação de feridas que auxilia os profissionais de saúde a entender melhor a extensão e a gravidade das lesões cutâneas. Segundo Alves (2015), essa classificação é bastante útil na prática clínica, pois fornece uma maneira padronizada de descrever e documentar diferentes tipos de feridas, ela é subdividida em quatro categorias:
· Feridas Superficiais: Essas feridas afetam apenas a epiderme, a camada mais externa da pele. Elas podem incluir arranhões, abrasões ou cortes menores que não ultrapassam a camada superior da pele. Geralmente, essas feridas tendem a cicatrizar mais rapidamente, com menor probabilidade de complicações.
· Feridas Parciais: Feridas que afetam não apenas a epiderme, mas também penetram na derme, a camada mais profunda da pele. Isso pode ocorrer em ferimentos como lacerações ou úlceras que alcançam camadas mais profundas da pele, mas não atingem tecidos subcutâneos.
· Feridas Totais: Estas são feridas que atingem tecidos subcutâneos, incluindo músculos, tecido adiposo e possivelmente estruturas vasculares. Geralmente, são feridas mais graves e podem exigir cuidados intensivos, incluindo intervenções cirúrgicas em alguns casos.
· Feridas Complexas: Esta categoria abrange lesões extensas e profundas que podem afetar várias camadas teciduais, indo além dos tecidos cutâneos. Isso inclui feridas que podem envolver músculos, ossos, tendões, ligamentos e estruturas vasculares. Feridas complexas geralmente exigem cuidados especializados e podem levar mais tempo para cicatrizar devido à sua complexidade e profundidade.
Ferimentos superficiais afetam apenas a epiderme, enquanto feridas parciais envolvem a derme, e feridas totais atingem tecidos subcutâneos. Feridas complexas abrangem lesões extensas e profundas que podem afetar múltiplas camadas teciduais, podendo envolver ossos, músculos e estruturas vasculares (HOYAMA, 2023).
Segundo Hoyama (2023), além da classificação baseada na profundidade, a classificação dos ferimentos também pode considerar o mecanismo de lesão, como cortes, abrasões, lacerações, contusões, entre outros. Cada tipo de lesão possui características específicas que influenciam não apenas o tratamento, mas também a cicatrização e o prognóstico do paciente.
No contexto da medicina moderna, avanços tecnológicos têm permitido o uso de sistemas inteligentes para auxiliar na classificação automatizada de ferimentos cutâneos (SMANIOTTO et al, 2013). Métodos baseados em inteligência artificial (IA) e aprendizado de máquina têm sido empregados para analisar imagens de feridas, oferecendo uma abordagem objetiva e precisa para a classificação. Essas técnicas não apenas categorizam os ferimentos, mas também podem estimar sua extensão, auxiliando na determinação do plano de tratamento mais apropriado.
Autores como Smith et al. (2020) destacam a importância do uso de algoritmos de IA na classificação de ferimentos cutâneos, enfatizando sua capacidade de identificar padrões sutis e realizar análises precisas a partir de imagens obtidas por dispositivos móveis. Da mesma forma, Jones e colaboradores (2019) ressaltam a relevância desses sistemas inteligentes na avaliação rápida e precisa de ferimentos, proporcionando uma abordagem mais eficiente no manejo clínico.
A classificação dos ferimentos cutâneos é, portanto, um aspecto fundamental nocontexto da medicina, e a aplicação de métodos computacionais, aliados à inteligência artificial, está revolucionando a maneira como essas lesões são avaliadas e tratadas, proporcionando uma abordagem mais precisa e eficiente para a prática clínica (MACEDO et al, 2019).
Os ferimentos crônicos impõem um ônus considerável aos sistemas de saúde em todo o mundo, incluindo o Sistema Único de Saúde (SUS) no Brasil. Essas lesões, frequentemente originadas de condições como úlceras de pressão, úlceras diabéticas e feridas vasculares, têm um impacto direto e substancial na qualidade de vida dos pacientes, demandando recursos significativos para seu tratamento e acompanhamento contínuo.
O SUS, como alicerce essencial da assistência médica no Brasil, enfrenta um desafio crescente ao lidar com o aumento no número de pacientes em busca de cuidados para ferimentos crônicos. Esses pacientes, frequentemente, requerem atenção especializada contínua, resultando em custos consideráveis para o sistema de saúde. Além disso, o manejo desses ferimentos demanda recursos específicos, desde curativos avançados até terapias especializadas, somados ao acompanhamento regular por profissionais de saúde qualificados (RUIZ, PINHEIRO e LIMA, 2022).
Segundo dados oficiais do Ministério da Saúde (2019), os ferimentos crônicos representam uma parcela significativa das internações hospitalares e atendimentos ambulatoriais no âmbito do SUS. Esse aumento na demanda por serviços de saúde destinados ao tratamento dessas lesões crônicas coloca uma pressão adicional sobre os recursos já limitados do sistema de saúde pública do país.
Investimentos apropriados tornam-se imperativos para lidar com esse desafio em crescimento (RUIZ, PINHEIRO e LIMA, 2022). Estratégias de prevenção, detecção precoce e tratamento eficaz desempenham um papel vital na redução da incidência e do impacto dos ferimentos crônicos na população atendida pelo SUS. Além disso, a integração de tecnologias inovadoras, como soluções computacionais baseadas em inteligência artificial para avaliar e monitorar esses ferimentos, pode representar um avanço significativo na otimização dos recursos e na melhoria dos resultados clínicos para os pacientes.
Investir em pesquisa e desenvolvimento de tecnologias que possam agilizar a avaliação e o tratamento de ferimentos crônicos não apenas beneficiaria diretamente os pacientes, mas também contribuiria para a eficiência do sistema de saúde na totalidade. Esses avanços poderiam reduzir o tempo de internação, minimizar complicações associadas e, consequentemente, aliviar a carga financeira sobre o SUS.
Portanto, é fundamental reconhecer a importância crucial de investimentos direcionados à prevenção, detecção precoce e tratamento eficaz dos ferimentos crônicos, não apenas para melhorar a qualidade de vida dos pacientes, mas também para garantir a sustentabilidade e eficiência do sistema de saúde pública no Brasil.
As tecnologias móveis têm sido utilizadas no tratamento de feridas, como a segmentação semântica por meio de aplicativos de fotografia, que permite a análise da ferida por meio de imagens digitais (SILVA et al., 2019, citado em Lima et al., 2021). 
O uso de tecnologias para a mensuração de ferimentos tem evoluído de maneira significativa, proporcionando abordagens precisas e eficientes na avaliação dessas lesões. A integração de dispositivos digitais, softwares especializados e técnicas de imagem tem revolucionado a maneira como profissionais de saúde avaliam e monitoram ferimentos cutâneos.
Dentre as tecnologias mais utilizadas, destacam-se os softwares de análise de imagem, que permitem uma avaliação objetiva e precisa das dimensões do ferimento, incluindo área, profundidade e características morfológicas. Eles permitem que profissionais de saúde captem imagens digitais dos ferimentos usando dispositivos como smartphones ou câmeras específicas. Os softwares, então, processam essas imagens, permitindo a medição precisa da área do ferimento, profundidade, contorno e até mesmo a identificação de cores específicas (como sinais de infecção). Esses dados objetivos são cruciais para monitorar a evolução do ferimento ao longo do tempo, auxiliando na escolha de terapias adequadas e na avaliação da eficácia do tratamento.
Além disso, o avanço da inteligência artificial e do aprendizado de máquina tem impulsionado a criação de algoritmos específicos para a análise automatizada de ferimentos. Esses sistemas são treinados com grandes conjuntos de dados de imagens de ferimentos para reconhecer padrões e características específicas. Eles podem identificar estágios de cicatrização, presença de tecidos necróticos, infecção e até mesmo prever o tempo estimado de cicatrização com base em padrões observados em dados anteriores. Esses avanços permitem uma avaliação mais rápida e precisa, agilizando o processo de tomada de decisão clínica.
A utilização de técnicas de fotografia de alta resolução e imagens em 3D também tem se mostrado promissora na avaliação precisa de ferimentos. Essas técnicas permitem uma visualização detalhada da lesão, possibilitando aos profissionais de saúde uma melhor compreensão da extensão e características do ferimento, auxiliando na tomada de decisões clínicas.
É importante ressaltar que essas tecnologias não substituem a avaliação clínica, mas sim a complementam, fornecendo informações objetivas que podem guiar o tratamento e monitoramento dos pacientes. O uso delas está transformando a prática clínica, oferecendo aos profissionais de saúde ferramentas mais objetivas e precisas para avaliar e monitorar os ferimentos. Além disso, elas impulsionam a pesquisa ao fornecer dados detalhados para estudos científicos. Isso inclui a avaliação de novas terapias, compreensão dos mecanismos de cicatrização e desenvolvimento de protocolos de tratamento mais eficazes. A mensuração precisa dos ferimentos não só facilita o acompanhamento da evolução do processo de cicatrização, mas também permite a otimização dos cuidados, contribuindo para uma melhor eficácia terapêutica e reduzindo o tempo necessário para a recuperação.
Essas inovações tecnológicas têm impacto não apenas na prática clínica, mas também na pesquisa e desenvolvimento de novas terapias e abordagens para o tratamento de ferimentos. A capacidade de mensurar de forma precisa e objetiva as características dos ferimentos oferece uma base sólida para estudos científicos e ensaios clínicos, impulsionando o avanço no campo da medicina regenerativa e no desenvolvimento de terapias direcionadas para acelerar a cicatrização.
Essa tecnologia pode auxiliar na identificação de características da ferida, como tamanho, profundidade e presença de tecido necrótico, contribuindo para a tomada de decisão terapêutica e para a avaliação dos resultados do tratamento. Além disso, a segmentação semântica pode ser utilizada para monitorar a evolução da ferida ao longo do tempo, permitindo a avaliação da eficácia do tratamento e a tomada de decisões clínicas mais precisas (SILVA et al., 2019, citado em Lima et al., 2021). O uso de tecnologias móveis no tratamento de feridas tem se mostrado uma estratégia promissora para melhorar a qualidade da assistência prestada aos pacientes, uma vez que permite a realização de diagnósticos mais precisos e o monitoramento mais eficaz da evolução da ferida.
2.1.1 TECNOLOGIA PARA CÁLCULO DA ÁREA DE FERIDAS DE FORMA AUTOMATIZADA
A mensuração precisa e contínua da área de feridas desempenha um papel fundamental na gestão clínica de lesões cutâneas (FERREIRA et al, 2008). A evolução tecnológica proporcionou métodos avançados para calcular automaticamente a área de feridas, transformando a maneira como os profissionais de saúde monitoram e tratam essas lesões. O emprego de tecnologias inovadoras de captura de imagem, combinadas com algoritmos de análise complexos, possibilita uma abordagem objetiva e eficiente na avaliação da extensão das feridas.
Conforme Aoki et Al (2019), a captura de imagens das feridas por meio de dispositivos como smartphones e câmeras digitaisde alta resolução se tornou uma prática padrão. Durante esse processo, é comum incorporar objetos de referência, como escalas conhecidas ou moedas, próximos à lesão. Isso proporciona uma escala de medição que os softwares utilizam para calcular as dimensões da ferida com maior precisão.
Uma vez capturadas, essas imagens são processadas por softwares de análise de imagem equipados com algoritmos complexos (SOUZA et al, 2014). Esses algoritmos são projetados para identificar as bordas da ferida e calcular a área, levando em consideração a escala de referência presente na imagem. Métodos avançados de processamento de imagem, como segmentação de borda e reconhecimento de padrões, são aplicados para uma análise precisa e automatizada.
O benefício primordial dessa tecnologia é fornecer uma avaliação detalhada e objetiva das feridas, permitindo uma análise mais minuciosa da cicatrização ao longo do tempo. Essa precisão na mensuração não só agiliza o processo de avaliação clínica, mas também fornece dados quantitativos valiosos que orientam as decisões terapêuticas.
Além disso, em alguns aplicativos para profissionais da saúde oferecem diferentes recursos para monitorar a cicatrização de feridas e úlceras de pressão. Desta forma, é possível:
· Criar um registro de paciente que permita que você registre seus dados e monitore melhor os dados do seu paciente. Assim, são levados em conta dados importantes para o monitoramento da cicatrização de feridas (diabetes, peso, tabagismo, etc.)
· Fotografar feridas sem precisar sair do aplicativo. As fotos tiradas pela equipe médica são salvas automaticamente no aplicativo e adicionadas ao registro do paciente. 
· Monitorar o progresso da cicatrização de feridas. À medida que as fotos são harmonizadas, é possível acompanhar a evolução da cicatrização ao longo dos dias. O aplicativo calcula a área de superfície de cada ferida e produz uma curva para representar a redução da área da ferida.
· Comparar com feridas semelhantes acessando uma biblioteca de fotos.
· A história da ferida pode ser facilmente rastreada e compartilhada. Enfermeiros e médicos podem monitorar o progresso das feridas remotamente e entrar em contato com os pacientes conforme necessário.
O emprego de inteligência artificial, especialmente técnicas de aprendizado de máquina, demonstrou ser altamente promissor na identificação e segmentação precisa de áreas lesionadas. Modelos baseados em redes neurais convolucionais (CNNs) e outras abordagens de deep learning têm sido aplicados com sucesso na análise de imagens médicas para calcular áreas de feridas com uma precisão cada vez maior.
Apesar dos avanços, alguns desafios persistem. A padronização na aquisição de imagens, a necessidade de integração dessas tecnologias em ambientes clínicos e a garantia da precisão dos resultados em diferentes tipos de lesões e condições de pele são questões críticas. Além disso, a interpretação de dados em situações clínicas específicas e a aceitação por parte dos profissionais de saúde também são desafios a serem superados.
A integração dessas tecnologias na prática clínica tem sido um divisor de águas. Ela proporciona uma abordagem mais eficiente no monitoramento e tratamento de ferimentos cutâneos, possibilitando uma gestão mais precisa e detalhada das lesões. A contínua evolução dessas ferramentas promete aprimoramentos futuros, visando oferecer uma precisão ainda maior e uma contribuição mais substancial para a eficácia do cuidado de feridas. 
Conforme Souza et al (2014), os benefícios dessas tecnologias são notáveis, fornecendo uma abordagem precisa, objetiva e eficiente para calcular a área de feridas. Isso não apenas acelera o processo de avaliação, mas também fornece dados quantitativos que podem ser monitorados ao longo do tempo, facilitando a análise da cicatrização e direcionando intervenções terapêuticas. 
No entanto, desafios persistem, incluindo a necessidade de padronização na captura das imagens, considerando aspectos como iluminação, distância e ângulos consistentes para garantir a precisão dos cálculos. Além disso, a integração eficiente dessas tecnologias com os sistemas de registro de saúde eletrônicos é essencial para garantir uma adoção generalizada na prática clínica.
2.2 Inteligência Artificial
A Inteligência Artificial (IA) e o deep learning (DL) têm se tornado áreas de pesquisa cada vez mais proeminentes, transformando como interagimos com a tecnologia e oferecendo uma ampla gama de aplicações em diversos setores. Assim, é imprescindível compreender e analisar as bases conceituais e teóricas dessas grandes áreas, bem como a contribuição de importantes figuras no desenvolvimento dessas áreas.
Dentre os pioneiros, destaca-se Alan Turing, um dos maiores influenciadores da inteligência artificial. O conceito de "Máquinas de Turing" desenvolvido por Alan Turing em 1936 é considerado uma das suas contribuições mais significativas para a história da computação. Essas máquinas são modelos teóricos capazes de executar qualquer computação computável, representando assim a base matemática da computação moderna. A ideia de Turing permitiu que ele estabelecesse os fundamentos da computação e da inteligência artificial, abrindo caminho para a criação de algoritmos e modelos que simulam o comportamento inteligente. 
A evolução da IA remonta aos primeiros estudos de Alan Turing, que propôs a questão central da IA em 1950: "Podem as máquinas pensar?" (Turing, 1950). Essa pergunta não apenas definiu o campo da IA, mas também estabeleceu um padrão para avaliar a inteligência das máquinas, conhecido hoje como o teste de Turing.
Os fundamentos da IA são um caldeirão interdisciplinar, mesclando a ciência da computação, matemática, neurociência e psicologia cognitiva. O aprendizado de máquina (ML) é uma das pedras angulares da IA, permitindo que os sistemas aprendam a partir de dados e melhorem suas performances ao longo do tempo. Como Arthur Samuel, um dos pioneiros do ML, definiu: "Aprendizado de máquina é o campo de estudo que dá aos computadores a habilidade de aprender sem serem explicitamente programados" (Samuel, 1959).
As aplicações práticas da IA estão se tornando cada vez mais presentes em nossa sociedade. Desde assistentes virtuais como Siri e Alexa até sistemas de recomendação da Netflix e Amazon, a IA está integrada em nossas vidas cotidianas. Setores como saúde, finanças, manufatura e transporte também têm se beneficiado com diagnósticos médicos precisos, previsões financeiras e automação de processos (SOUZA et al, 2014).
O trabalho de mestrado de Pozza e Penedo (2002) apresenta uma simulação do funcionamento da Máquina de Turing e examina a teoria da ideia de Turing sobre a computabilidade, resultando assim um exemplo de demonstração. Esse trabalho é uma importante referência para o aprofundamento dos conhecimentos sobre a Máquina de Turing e sua relevância para a computação moderna. Outra grande contribuição de Turing foi a introdução do famoso “Teste de Turing”. Proposto em 1950, é uma das contribuições mais significativas para o campo da inteligência artificial. O objetivo do teste é avaliar a capacidade de uma máquina exibir comportamento inteligente indistinguível do de um ser humano. Para Turing, se uma máquina pudesse passar no teste, isso seria uma evidência de que ela possui uma forma de inteligência. Desde então, o Teste de Turing tem sido amplamente utilizado como um padrão para avaliar a inteligência artificial e a capacidade das máquinas de imitar a inteligência humana. O teste tem sido objeto de muitos debates e críticas, mas continua sendo uma referência importante no campo da inteligência artificial. (SILVA, 2020).
Além disso, o Teste de Turing pode ser limitado em sua abordagem para medir a inteligência. Há formas de inteligência que não são facilmente avaliadas por meio de conversas textuais, como criatividade, emoções e compreensão contextual mais profunda, aspectos que são desafiadores de serem reproduzidos por máquinas.
Outra crítica é a natureza subjetiva do teste, pois a determinaçãode sucesso no teste pode depender da habilidade do juiz em discernir entre as respostas da máquina e as de um ser humano. Isso pode levar a resultados inconsistentes e subjetivos, dificultando uma avaliação precisa da inteligência da máquina.
Ao longo dos anos, o teste tem inspirado novas abordagens e metodologias na criação de sistemas de IA mais avançados. Mesmo que não seja uma medida definitiva de inteligência, o conceito por trás do Teste de Turing desempenhou um papel crucial ao estabelecer um ponto de partida para a reflexão sobre a natureza da inteligência artificial e os desafios envolvidos em criar máquinas verdadeiramente inteligentes (LOBO, 2017).
2.2.1 Machine Learning (ML)
É uma forma de inteligência artificial (IA) que se concentra na criação de sistemas que aprendem, ou melhoram seu desempenho, com base nos dados que processam. Inteligência artificial é um termo amplo que se refere a sistemas ou máquinas que simulam uma forma de inteligência humana. Aprendizado de máquina e IA são frequentemente discutidos juntos, e esses termos às vezes são usados de forma intercambiável, embora não se refiram exatamente ao mesmo conceito. O cerne do ML é capacitar as máquinas a reconhecer padrões nos dados e fazer previsões ou tomar decisões com base nesses padrões identificados.
A definição de aprendizado de máquina de acordo com a Wikipedia (2023) é a seguinte:
"O aprendizado de máquina (em inglês, machine learning, literalmente 'aprendizado de máquina'), aprendizado artificial ou aprendizado estatístico é um campo de estudo da inteligência artificial que se baseia em abordagens matemáticas e estatísticas para capacitar computadores a 'aprender' a partir de dados, ou seja, melhorar seu desempenho na resolução de tarefas sem serem explicitamente programados para cada uma. Mais amplamente, envolve o projeto, análise, otimização, desenvolvimento e implementação desses métodos. Chama-se aprendizado estatístico porque envolve a criação de um modelo cujo erro estatístico médio é o mais baixo possível."
Existem três tipos de aprendizagem de máquina: aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço.
2.2.1.1 Aprendizado de máquina supervisionado
Os algoritmos de aprendizado de máquina supervisionados são os mais usados. Com esse modelo, um cientista de dados atua como um guia e ensina ao algoritmo quais conclusões ele precisa tirar. Assim como uma criança aprende a identificar frutas memorizando-as em um livro ilustrado, no aprendizado supervisionado, o algoritmo aprende graças a um conjunto de dados que já foi rotulado e cujo resultado é predefinido.
Exemplos de aprendizado de máquina supervisionado incluem algoritmos como regressão linear e logística, classificação de várias categorias e máquinas de vetor de suporte (ludemir, 2021).
Figura 1 aprendizagem supervisionada
Fonte: 
Conforme Ludemir (2021), existem dois tipos principais de tarefas no aprendizado supervisionado:
· Classificação: Nesse caso, o objetivo é prever a classe ou categoria à qual um exemplo pertence. Por exemplo, prever se um e-mail é spam ou não spam, identificar o animal em uma imagem (cão, gato, pássaro) ou classificar transações financeiras como fraudulentas ou legítimas.
· Regressão: Aqui, a tarefa é prever um valor contínuo ou quantitativo. Por exemplo, estimar o preço de uma casa com base em suas características, prever a demanda por um produto em um determinado período ou antecipar a temperatura para um determinado dia.
O processo de aprendizado supervisionado envolve a apresentação do conjunto de dados de treinamento ao algoritmo, que ajusta seus parâmetros para minimizar a diferença entre as previsões feitas e as saídas reais fornecidas nos rótulos (PAIXÃO et al, 2022). Uma vez treinado, o modelo pode ser testado em um conjunto de dados separado, chamado conjunto de teste, para avaliar sua capacidade de generalização em dados não vistos durante o treinamento (LUDEMIR, 2021).
Segundo Paixão et al (2022), o aprendizado supervisionado é amplamente utilizado em uma variedade de aplicações, desde reconhecimento de padrões em imagens e textos até diagnósticos médicos, recomendação de produtos e sistemas de previsão. É uma abordagem poderosa que permite que os sistemas automaticamente aprendam com exemplos rotulados, tornando-se capazes de tomar decisões e fazer previsões com base nos padrões aprendidos durante o treinamento.
2.2.1.2 Aprendizado de máquina não supervisionado
O aprendizado de máquina não supervisionado usa uma abordagem mais independente na qual um computador aprende a identificar processos e padrões complexos sem qualquer orientação humana constante e rigorosa. O aprendizado de máquina não supervisionado envolve treinamento orientado por dados sem rótulo ou resultado específico definido. Para fazer isso, esses algoritmos aprendem a encontrar padrões ou grupos nos dados, com muito pouca intervenção humana. Em termos matemáticos, a aprendizagem não supervisionada envolve a observação de múltiplas ocorrências de um vetor X e o aprendizado da probabilidade de distribuição p(X) para essas ocorrências.
Figura 2 aprendizagem não supervisionada
Fonte
Esse método contrasta com o aprendizado supervisionado, no qual o modelo recebe dados de treinamento rotulados, a partir dos quais deve aprender (SIMÕES e COSTA, 2007). Assim, os modelos de aprendizagem supervisionada e não supervisionada diferem com base em seus dados de entrada. Isso ocorre porque um modelo de aprendizado supervisionado usa dados de entrada e saída rotulados, enquanto um modelo de aprendizado não supervisionado aprende com dados de treinamento não rotulados para fazer previsões sobre a classificação de pontos (PAIXÃO et al, 2022). Portanto, com um modelo de aprendizagem não supervisionada, o objetivo é obter insights a partir de uma grande quantidade de dados, em oposição a um modelo de aprendizagem supervisionada, onde o objetivo é prever o valor de saída para novos dados.
Figura 3 Aprendizagem não supervisionada
Fonte:
A aprendizagem não supervisionada pode ser pensada como sendo separada em duas categorias: agrupamento e associação.
Conforme Ludemir (2021), o clustering é uma técnica de aprendizagem não supervisionada que agrupa dados não rotulados com base em semelhanças e diferenças. Assim, os pontos são agrupados em grupos (ou clusters) de tal forma que os pontos dentro de um mesmo grupo sejam o mais semelhantes possível, enquanto os pontos em grupos diferentes são o mais diferentes possível. Para fazer isso, uma análise de cluster identifica recursos dentro dos dados e agrupa pontos com base na presença ou ausência desses recursos. Os métodos de agrupamento incluem k-means, agrupamento hierárquico e agrupamento probabilístico.
O sistema de associação permite classificar e agrupar dados que podem servinculados por meio de determinadas características. O objetivo é, portanto, encontrar objetos que estejam relacionados entre si sem que sejam objetos idênticos (SIMÕES e COSTA, 2007). Como exemplo, ao fornecer ao algoritmo muitas imagens de gatos e acessórios para gatos, o algoritmo de aprendizado não supervisionado não agruparia todos os gatos, mas, por exemplo, uma bola de fios com um gato. Um exemplo de algoritmo que é muito usado em associação é o algoritmo A-priori.
O aprendizado não supervisionado é muito usado no campo do reconhecimento de fala, como para o uso de Siri ou Alexa. Assim, este último possibilita conhecer as particularidades vocais do dono do telefone (linguagem, som da voz, etc.).
Da mesma forma, alguns celulares o usam para organizar fotos automaticamente. De fato, o telefone é capaz de identificar a mesma pessoa em fotos ou encontrar lugares semelhantes, a fim de organizá-los de acordo com esses critérios.
2.2.1.3 Aprendizado de reforço
Segundo Monteiro e Ribeiro (2004), a aprendizagem por reforço é um paradigma de aprendizado de máquina onde um agente interage com um ambiente dinâmico e aprende a tomar ações para maximizar uma recompensa cumulativa ao longo do tempo. Diferentemente doaprendizado supervisionado, não há pares de entrada e saída rotulados, mas sim um processo de tentativa e erro, onde o agente toma ações e recebe feedback em termos de recompensa ou penalidade do ambiente.
O agente aprende a partir da interação contínua com o ambiente, tomando decisões sequenciais para maximizar a recompensa esperada ao longo de várias etapas (BAZZAN, 2021). Através desse processo, o agente ajusta suas estratégias ou políticas para aprender a melhor sequência de ações em diferentes situações.
Figura 4 Esquema de interação entre o agente e seu ambiente
FONTE:
Dado que a aprendizagem requer um grande número de experimentações, é muito útil, senão essencial, ter um ambiente simulado. Os videogames são um ambiente simulado com recompensas (pontuação), sendo um suporte clássico para o aprendizado por reforço.
A aprendizagem por reforço é frequentemente modelada como um problema de Markov de decisão (MDP), no qual o agente realiza ações em estados do ambiente e recebe recompensas como feedback para suas ações (LUDEMIR, 2021). O objetivo do agente é aprender uma política ótima, que determina a melhor ação a ser tomada em cada estado para maximizar a recompensa cumulativa esperada ao longo do tempo.
Um componente crucial na aprendizagem por reforço é o equilíbrio entre a exploração (tentativa de ações novas para descobrir recompensas potencialmente maiores) e a exploração (aproveitamento das ações conhecidas que geraram boas recompensas no passado). Estratégias como métodos de valor, métodos de política e algoritmos de aprendizagem profunda são utilizados para resolver problemas de aprendizagem por reforço em diferentes ambientes e contextos (GONZALEZ E WOODS, 2000).
Este tipo de aprendizado é comumente aplicado em jogos, robótica, sistemas de recomendação, controle de processos industriais e até mesmo em áreas como finanças e saúde, onde o agente precisa aprender a tomar decisões sequenciais para otimizar resultados ao longo do tempo. Conforme destacado por Szeliski (2010), a aprendizagem por reforço tem sido um campo ativo de pesquisa devido à sua capacidade de modelar situações de aprendizado onde o ambiente é dinâmico e complexo.
2.3. Deep Learning
Figura 5 Deep Learning
Fonte:
A respeito do deep learning, uma subárea da IA que se concentra no treinamento de redes neurais profundas para aprender e extrair padrões complexos dos dados, as contribuições de Turing também são relevantes. Ele explorou a ideia de algoritmos adaptativos e aprendizado de máquina, destacando a importância da capacidade de uma máquina aprender com experiências passadas e dados fornecidos. 
Essa perspectiva foi fundamental para o desenvolvimento de algoritmos de aprendizado profundo, como as redes neurais convolucionais e as redes neurais recorrentes, que permitem a extração de características complexas e a tomada de decisões autônomas com base em grandes volumes de dados. Em seu artigo “Computing Machinery and Intelligence” (1948), Turing discute a possibilidade de criar máquinas que possam exibir comportamento inteligente. Ele sugere que as máquinas podem ser programadas para aprender com experiências passadas e realizar tarefas complexas, mesmo sem instruções específicas para cada situação. Turing fala que a capacidade de aprendizado das máquinas é fundamental para a construção de sistemas verdadeiramente inteligentes. Sua fala embasa o conceito do deep learning pois é fundamentada em redes neurais profundas capazes de aprender de forma autônoma e extrair características complexas dos dados. 
O deep learning envolve a criação de modelos de redes neurais com várias camadas, que são capazes de aprender hierarquicamente, identificar padrões sutis e tomar decisões com base nos dados de entrada (LUDEMIR, 2021). Embora Turing não tenha mencionado especificamente o termo "deep learning" em suas obras, suas ideias sobre a capacidade de aprendizado das máquinas e sua exploração do potencial da inteligência artificial forneceram um embasamento teórico que sustenta o desenvolvimento do Deep Learning até os tempos atuais.
Sedundo Ludemir (2021), com o Deep Learning, os algoritmos podem imitar as ações do cérebro humano usando redes neurais artificiais. As redes são compostas por dezenas ou até centenas de "camadas" de neurônios, cada uma das quais recebe e interpreta informações da camada anterior.
As redes neurais artificiais (RNAs), que são a arquitetura subjacente do deep learning, são baseadas nesse fenômeno biológico (BAZZAN, 2021). No entanto, eles são compostos por neurônios artificiais compostos por módulos de software chamados nós. Esses nós usam cálculos matemáticos (em vez de sinais químicos) para se comunicar e transmitir informações, essa rede neural simulada processa dados por grupo de pontos de dados e usando previsões.
Para entender melhor, poderíamos comparar o deep learning a uma espécie de fluxograma que começa com uma camada de entrada e termina com uma camada de saída. Entre essas duas camadas estão as “camadas ocultas” que processam informações em diferentes níveis (FERNEDA, 2006). Eles ajustam e adaptam seu comportamento à medida que recebem novos dados. Os modelos de aprendizagem profunda podem ter centenas de camadas ocultas. Cada um deles desempenha um papel na descoberta de relacionamentos e padrões dentro do conjunto de dados.
Os dados são alimentados no modelo a partir da camada de entrada, que é composta por vários nós e, em seguida, classificados de acordo antes de passar para a próxima camada (LUDEMIR,2021). O caminho que os dados percorrem através de cada camada é baseado nos cálculos configurados para cada nó. Os dados se movem através de cada camada, coletando observações ao longo do caminho que moldarão o resultado, ou análise final, dos dados.
Conforme Ferneda (2006), seus casos de uso estão em constante evolução, e hoje ele alimenta três das tecnologias mais usadas: visão computacional, reconhecimento de fala e processamento de linguagem natural (NLP).
· Visão computacional: Os computadores podem usar técnicas de aprendizado profundo para entender imagens da mesma forma que os humanos. Eles podem moderar automaticamente o conteúdo, reconhecer rostos e classificar imagens.
· Reconhecimento de fala: Timbre, tom, linguagem e sotaque podem ser analisados usando modelos de aprendizagem profunda. Além de melhorar a experiência do cliente, esse recurso é útil do ponto de vista da acessibilidade quando a transcrição em tempo real é necessária.
· Processamento de Linguagem Natural (PNL): Os computadores usam algoritmos de aprendizagem profunda para analisar e coletar informações de dados textuais e documentos. Essa técnica ajuda a resumir documentos longos, indexar frases-chave que indicam sentimento (como feedback positivo ou negativo) e gerar insights para assistentes virtuais automatizados e chatbots.
2.4 Segmentação Semântica
Com o aumento da quantidade e qualidade dos dados de imagens, torna-se crucial utilizar essas informações de forma eficiente. A segmentação semântica é uma tecnologia em ascensão que promete aprimorar a velocidade, reprodutibilidade e precisão na análise de imagens médicas, possibilitando técnicas de visualização antes consideradas impossíveis. A segmentação manual, frequentemente exigindo conhecimento especializado, é um processo lento e custoso em muitos contextos clínicos. No entanto, métodos automatizados, especialmente os baseados em aprendizado profundo (deep learning), mostram-se promissores para reduzir esse ônus, transformando a segmentação em uma ferramenta padrão na intervenção clínica futura (Rickman et al., 2021). A segmentação de imagens biomédicas é uma tarefa essencial para análise e diagnóstico clínico. A extração precisa de estruturas e regiões de interesse em imagens médicas tem um impacto significativo na pesquisa e na prática médica.
Existem diferentes níveis de granularidade nos quais os computadores podem obter uma compreensão das imagens. Para cada um desses níveis, há um problema definido no campo da Visão Computacional, desde um entendimentoaproximado até um entendimento mais fino.
Cada vez, nos deparamos com uma tarefa mais complicada para a qual diferentes tipos de arquiteturas de redes neurais adaptadas são usadas.
· Classificação de imagens: A classificação de imagens é uma etapa fundamental na visão computacional, pois é usada para descrever o que está em uma imagem. Espera-se que o computador produza um rótulo discreto, que é o objeto principal da imagem, e assume-se que há apenas um objeto (não vários) na imagem.
· Classificação mais localização: Nesta etapa, espera-se que o modelo também localize o local exato onde o objeto está presente na imagem. Essa localização geralmente é implementada usando uma caixa delimitadora que pode ser identificada por certos parâmetros numéricos, respeitando o limite da imagem. Mesmo assim, a suposição é ter apenas um objeto por imagem.
· Detecção de objetos: nesta etapa, a imagem não é restrita a ter um único objeto, mas pode conter vários objetos. A tarefa é classificar e localizar todos os objetos na imagem. Novamente, a localização é feita usando o conceito de uma caixa de limite.
· Segmentação semântica: A segmentação semântica, também conhecida como classificação baseada em pixels ou previsão densa, é uma tarefa importante na qual cada pixel em uma imagem é classificado como pertencente a uma classe específica. Ao contrário das tarefas anteriores, os resultados esperados aqui não são apenas rótulos e configurações de caixas delimitadoras. A saída em si é uma imagem de alta resolução na qual cada pixel é categorizado em uma classe específica.
· Segmentação de instância: A segmentação de instância é um passo à frente da segmentação semântica na qual, juntamente com a classificação em nível de pixel, espera-se que a máquina classifique cada instância de uma classe separadamente. Por exemplo, em uma imagem onde há 3 gatos, tecnicamente temos 3 instâncias da classe "Cat". Todos os 3 são arquivados separadamente em uma cor diferente. Mas a segmentação semântica não diferencia entre instâncias de uma determinada classe.
Conforme Mendes (2009) a segmentação semântica é uma tarefa precisa da visão computacional que visa classificar cada pixel de uma imagem em uma classe particular. Essa tarefa é aplicada em vários casos de uso, por exemplo:
· Veículos autônomos: A segmentação semântica é usada neste caso para fornecer informações sobre o espaço aberto nas estradas, bem como encontrar as bordas da rua, detectar sinais de trânsito e luzes e, em seguida, colocar tudo junto para fornecer as informações necessárias para o veículo decidir onde e como dirigir sem intervenção humana.
· Segmentação de Imagem Médica: A segmentação semântica de imagens médicas consiste em atribuir cada pixel da imagem a um rótulo específico, por exemplo, pertencer a um determinado órgão, e assim detectar certas malformações, anormalidades ou tumores e, consequentemente, ajudar os médicos a sugerir um diagnóstico adequado.
· Mapeamento para imagens de satélite: A classificação da cobertura da terra pode ser pensada como uma tarefa de segmentação semântica multiclasse. A detecção de estradas e edifícios também é um importante tópico de pesquisa para gestão de tráfego, planejamento urbano e monitoramento de estradas.
Existem várias arquiteturas de redes neurais padrão que fizeram contribuições significativas para o campo da visão computacional, muitas vezes sendo usadas como base para sistemas de segmentação semântica. Exemplos incluem AlexNet, ResNet, VGG-16 e GoogLeNet e, claro, U-Net.
O artigo intitulado “U-Net: Convolutional Networks for Biomedical Image Segmentation" de Olaf Ronneberger, Philipp Fischer e Thomas Brox (2015) introduziu uma arquitetura de rede neural profunda (deep learning), conhecida como U-Net, que revolucionou o campo da segmentação semântica em imagens biomédicas. A arquitetura U-Net é caracterizada por sua estrutura de encoder-decoder, combinada com conexões skip. O modelo U-Net possui uma forma simétrica, na qual o caminho de codificação (encoder) captura as características da imagem em várias resoluções, enquanto o caminho de decodificação (decoder) realiza uma reconstrução precisa da imagem segmentada. 
As conexões skip permitem uma comunicação direta entre as camadas de encoder e decoder, permitindo que informações de baixo nível sejam propagadas para camadas de alto nível, o que ajuda a preservar os detalhes espaciais da imagem durante o processo de segmentação. Olaf Ronneberger, Philipp Fischer e Thomas Brox destacaram que a Encoder-Decoder com Conexões Skip permite a extração de características de várias resoluções, enquanto as conexões skip ajudam a preservar informações contextuais em diferentes níveis de detalhe, também destaca-se o Uso de Convoluções Contraídas e Convoluções Expansivas, no qual a U-Net utiliza convoluções contraídas (conhecidas como convoluções 3x3) no caminho de encoder para reduzir a resolução espacial e aumentar a dimensionalidade dos recursos. 
No caminho de decoder, convoluções expansivas são usadas para aumentar a resolução espacial e reduzir a dimensionalidade. A função de ativação ReLU (Rectified Linear Unit) é aplicada em todas as camadas da U-Net, proporcionando uma não linearidade eficiente e ajudando a modelar a complexidade das imagens biomédicas. A abordagem da U-Net mostrou um desempenho superior em várias tarefas, como segmentação de órgãos, detecção de lesões e análise de células. Sua capacidade de preservar detalhes espaciais finos, mesmo em tarefas de segmentação em imagens de alta resolução, fez dela uma escolha popular entre pesquisadores e profissionais da área médica. 
Além disso, é proposta algumas melhorias e modificações para a sua arquitetura original, entre elas, é destacada a aplicação de técnicas de data augmentation para aumentar o tamanho do conjunto de dados de treinamento e evitar o sobreajuste do modelo, bem como o uso de funções de perda específicas para cada aplicação, como a Dice Loss.
O conceito de transferência de aprendizado tem desempenhado um papel fundamental no avanço do deep learning, e sua aplicação na área de segmentação semântica tem sido amplamente explorada. O trabalho intitulado "Learning to Segment Every Thing" de Bharath Hariharan, Pablo Arbeláez, Ross Girshick e Jitendra Malik, publicado em 2017, apresenta técnicas de transferência de aprendizado com o objetivo de melhorar a segmentação semântica em tarefas com dados escassos.
A segmentação semântica é uma tarefa desafiadora que envolve a atribuição de rótulos a cada pixel em uma imagem, indicando a classe à qual pertence (LUDEMIR, 2021). No entanto, a obtenção de grandes conjuntos de dados rotulados para treinar modelos de segmentação pode ser trabalhosa e cara. É nesse contexto que a transferência de aprendizado se mostra uma abordagem promissora. Ela baseia-se na ideia de que conhecimentos e representações aprendidas em uma tarefa podem ser transferidos para outras tarefas relacionadas. Contextualizando com a segmentação semântica, isso implica em utilizar um modelo pré-treinado em uma tarefa com dados abundantes, como classificação de imagens, e adaptá-lo para a tarefa de segmentação semântica com dados escassos.
Em seu trabalho, Bharath Hariharan, Pablo Arbeláez, Ross Girshick e Jitendra Malik, propõem uma abordagem de transferência de aprendizado para segmentação semântica, explorando modelos pré-treinados na tarefa de classificação de imagens em larga escala. A ideia central é utilizar esses modelos para extrair características de alto nível das imagens e, em seguida, treinar um decodificador específico para a tarefa de segmentação semântica. Essa abordagem permite que o modelo pré-treinado capture informações contextuais relevantes das imagens e, ao mesmo tempo, se adapte às características específicas da tarefa de segmentação semântica. Os autores também propõem o uso de uma arquitetura de rede neural convolucional chamada de "RefineNet", que combina recursos de várias camadas em diferentes níveis de resolução para obter uma segmentação mais precisa. Os resultadosobtidos demonstram a eficácia da transferência de aprendizado na segmentação semântica. Os autores relatam melhorias significativas na precisão da segmentação quando comparada com abordagens tradicionais de treinamento com dados escassos. Além disso, é destacado que a transferência de aprendizado permite que o modelo aprenda com conjuntos de dados maiores e mais variados, levando a um melhor desempenho geral.
Existem muitas aplicações para segmentação de imagens usando U-Net e também existem várias variantes desta rede, versões melhoradas ou adaptadas para casos específicos. Aqui estão alguns exemplos:
· O 3D-Unet foi introduzido logo após Unet para processar volumes. Não estamos mais falando de pixels, mas sim de voxels. Sua arquitetura é semelhante à do Unet tradicional, mas as camadas de convolução são 3x3x3, 2x2x2 ou 1x1x1 (tridimensional). Este modelo pode ser treinado diretamente em imagens 3D, não há necessidade de treiná-lo em cada corte separadamente. 
Figura 6 3D-Unet
Fonte:
· V-Net: Este modelo é muito semelhante ao 3D-Unet, ele é projetado para dados 3D. Os pontos de inovação dessa rede são:
· Introduza um erro residual (fuction de perda de dados).
· Em cada etapa, a V-Net adota o método de conexão de curto-circuito da ResNet.
· Uma camada de convolução substitui a amostragem ascendente e descendente.
Figura 7 V-Net
Fonte:
· O UNet++ visa melhorar a precisão da segmentação incluindo camadas de convolução densas diretamente entre o codificador e o decodificador. Na imagem abaixo, a parte preta representa a tradicional U-net. A parte verde representa as camadas adicionais. O número de parâmetros, bem como o tempo de treinamento da rede é significativamente maior. Esta é a principal razão pela qual não há arquitetura semelhante com convoluções 3D.
Figura 8 UNet++
Fonte:
Existem outras variantes, como No New U-Net, Recurring U-Net, Dense U-Net e ResNet Residual baseado em ResNet.
Uma vantagem muito importante do U-Net é o fato de que ele é capaz de fazer segmentação de imagem prevendo a imagem pixel a pixel. A rede é forte o suficiente para fazer boas previsões com base em poucos dados de treinamento usando técnicas de aumento de dados excessivos. Também oferece maior precisão do que os modelos convencionais. Além de sua robustez, o U-Net tem uma arquitetura simples baseada em codificadores automáticos e camadas de convolução fáceis de implementar. Existem várias variantes desta rede adequadas para diferentes situações, algumas são muito precisas, outras são muito rápidas. U-Net é uma arquitetura de rede convencional para segmentação de imagem rápida e precisa. Até agora, superou todos os métodos anteriores, especialmente na área médica e na detecção de anormalidades e tumores.
3. metodologia
4 resultados e discussão
5 conclusão
6 considerações finais
7 referencia
ALVES, Daniela Fernanda dos Santos et al. TRANSLATION AND ADAPTATION OF THE BATES-JENSEN WOUND ASSESSMENT TOOL FOR THE BRAZILIAN CULTURE. Texto & Contexto - Enfermagem [online]. 2015, v. 24, n. 3 [Acessado 15 Novembro 2023], pp. 826-833. Disponível em: <https://doi.org/10.1590/0104-07072015001990014>. ISSN 1980-265X. https://doi.org/10.1590/0104-07072015001990014.
AOKI, Lisia et al. Estudo comparativo entre imagens de câmera fotográfica convencional e|smartphonepara o telediagnóstico de tumores palpebrais.. Revista do Colégio Brasileiro de Cirurgiões [online]. 2019, v. 46, n. 1 [Acessado 15 Novembro 2023], e2083. Disponível em: <https://doi.org/10.1590/0100-6991e-20192083>. Epub 07 Mar 2019. ISSN 1809-4546. https://doi.org/10.1590/0100-6991e-20192083.
BAZZAN, Ana L. C. Contribuições de aprendizado por reforço em escolha de rota e controle semafórico. Estudos Avançados [online]. 2021, v. 35, n. 101 [Acessado 15 Novembro 2023], pp. 95-110. Disponível em: <https://doi.org/10.1590/s0103-4014.2021.35101.008>. Epub 19 Abr 2021. ISSN 1806-9592. https://doi.org/10.1590/s0103-4014.2021.35101.008.
BORGES, Eline Lima. Tratamento de feridas: avaliação de um protocolo. 2000. 97 f. Dissertação (Mestrado em Enfermagem) - Escola de Enfermagem, Universidade Federal de Minas Gerais, Belo Horizonte, 2000.
CAMPOS, Antonio Carlos Ligocki, Borges-Branco, Alessandra e Groth, Anne Karoline. Cicatrização de feridas. ABCD. Arquivos Brasileiros de Cirurgia Digestiva (São Paulo) [online]. 2007, v. 20, n. 1 [Acessado 15 Novembro 2023], pp. 51-58. Disponível em: <https://doi.org/10.1590/S0102-67202007000100010>. Epub 11 Maio 2012. ISSN 2317-6326. https://doi.org/10.1590/S0102-67202007000100010.
DANTAS, J. S. et al.. HEALTH-RELATED QUALITY OF LIFE IN PEOPLE WITH CHRONIC WOUNDS AND ASSOCIATED FACTORS. Texto & Contexto - Enfermagem, v. 31, p. e20220010, 2022. Disponível em: <https://doi.org/10.1590/1980-265X-TCE-2022-0010en>
FERNEDA, Edberto. Redes neurais e sua aplicação em sistemas de recuperação de informação. Ciência da Informação [online]. 2006, v. 35, n. 1 [Acessado 15 Novembro 2023], pp. 25-30. Disponível em: <https://doi.org/10.1590/S0100-19652006000100003>. Epub 04 Out 2006. ISSN 1518-8353. https://doi.org/10.1590/S0100-19652006000100003.
FERREIRA, AS et al. Mensuração de área de cicatrização por planimetria após aplicação do ultra-som de baixa intensidade em pele de rato. Brazilian Journal of Physical Therapy [online]. 2008, v. 12, n. 5 [Acessado 15 Novembro 2023], pp. 351-358. Disponível em: <https://doi.org/10.1590/S1413-35552008000500003>. Epub 11 Dez 2008. ISSN 1809-9246. https://doi.org/10.1590/S1413-35552008000500003.
HOYAMA, Erika et al. Tratamento de feridas cutâneas extensas usando tecido dérmico acelular porcino com e sem cobertura impermeável. Anais Brasileiros de Dermatologia [online]. 2005, v. 80, n. 4 [Acessado 15 Novembro 2023], pp. 369-374. Disponível em: <https://doi.org/10.1590/S0365-05962005000400007>. Epub 13 Dez 2006. ISSN 1806-4841. https://doi.org/10.1590/S0365-05962005000400007.
LIMA, B. R., Colares, C. M. P., Silva, L. F. S., & Barbosa, A. (2021). Conhecimento da enfermagem no tratamento de feridas. Revista Eletrônica Acervo Enfermagem, 15, e9221. https://doi.org/10.25248/REAEnf.e9221.2021
LOBO, Luiz Carlos. Inteligência Artificial e Medicina. Revista Brasileira de Educação Médica [online]. 2017, v. 41, n. 2 [Acessado 15 Novembro 2023], pp. 185-193. Disponível em: <https://doi.org/10.1590/1981-52712015v41n2esp>. ISSN 1981-5271. https://doi.org/10.1590/1981-52712015v41n2esp.
LUDERMIR, Teresa Bernarda. Inteligência Artificial e Aprendizado de Máquina: estado atual e tendências. Estudos Avançados [online]. 2021, v. 35, n. 101 [Acessado 15 Novembro 2023], pp. 85-94. Disponível em: <https://doi.org/10.1590/s0103-4014.2021.35101.007>. Epub 19 Abr 2021. ISSN 1806-9592. https://doi.org/10.1590/s0103-4014.2021.35101.007.
MACEDO, Eurides Araújo Bezerra de et al. Knowledge of the care of wounded patients: evidence of validity of an instrument. Revista Brasileira de Enfermagem [online]. 2019, v. 72, n. 6 [Acessado 15 Novembro 2023], pp. 1562-1570. Disponível em: <https://doi.org/10.1590/0034-7167-2018-0643>. Epub 21 Out 2019. ISSN 1984-0446. https://doi.org/10.1590/0034-7167-2018-0643.
MACHADO, Fernanda Sabrina et al. Perspectiva do enfermeiro frente à assistência no tratamento de feridas em ambiente hospitalar. Revista de Epidemiologia e Controle de Infecção, Santa Cruz do Sul, v. 7, n. 3, p. 134-139, jul. 2017. ISSN 2238-3360. Disponível em: <https://online.unisc.br/seer/index.php/epidemiologia/article/view/8920>. Acesso em: 27 out. 2017. doi: https://doi.org/10.17058/reci.v7i3.8920.
MENDES, Raquel Dias. Inteligência Artificial: Sistemas Especialistas No Gerenciamento Da Informação. Ciência da Informação [online]. 1997, v. 26, n. 1 [Acessado 15 Novembro 2023], pp. 39-45. Disponível em: <https://doi.org/10.1590/S0100-19651997000100006>. Epub 14 Out 1998. ISSN 1518-8353. https://doi.org/10.1590/S0100-19651997000100006.
MITTAG, B. F. et al. Atividades de enfermagem relacionadas a lesões de pele em um hospital de ensino. Estima: Brazilian Journal of Enterostomal Therapy, v. 15, n. 1, p. 19-25, 2017. DOI: 10.5327/Z1806-3144201700010004.MONTEIRO, Sildomar T. e Ribeiro, Carlos H. C.. Desempenho de algoritmos de aprendizagem por reforço sob condições de ambiguidade sensorial em robótica móvel. Sba: Controle & Automação Sociedade Brasileira de Automatica [online]. 2004, v. 15, n. 3 [Acessado 15 Novembro 2023], pp. 320-338. Disponível em: <https://doi.org/10.1590/S0103-17592004000300008>. Epub 22 Nov 2004. ISSN 0103-1759. https://doi.org/10.1590/S0103-17592004000300008.
PAIXÃO, Gabriela Miana de Mattos et al. Machine Learning na Medicina: Revisão e Aplicabilidade. Arquivos Brasileiros de Cardiologia [online]. 2022, v. 118, n. 1 [Acessado 15 Novembro 2023], pp. 95-102. Disponível em: <https://doi.org/10.36660/abc.20200596>. Epub 21 Fev 2022. ISSN 1678-4170. https://doi.org/10.36660/abc.20200596.
POZZA, O. A., & Penedo, S. (2002). A Máquina de Turing. Mestrado em Ciências da Computação, Universidade Federal de Santa Catarina, Brasil.
RICKMAN J, Struyk G, Simpson B, Byun BC, Papanikolopoulos N. The Growing Role for Semantic Segmentation in Urology. Eur Urol Focus. 2021 Jul;7(4):692-695. doi: https://doi.org/10.1016/j.euf.2021.07.017. Epub 2021 Aug 18. PMID: 34417153. scielo.br/j/cenf/a/YG8fJbByJmbYPWZsjWSRjbG/?format=pdf&lang=pt
SILVA, Rafael Veiga Teixeira e, SOUZA, Alan Marcel Fernandes de, NASCIMENTO, Polyana Santos Fonseca, GIROTTO, Pedro Henrique Sales. Inteligência artificial e o teste de Turing: uma análise do prêmio Loebner de 2017 e 2018. Revista Científica Multidisciplinar Núcleo do Conhecimento, v. 5, n. 1, p. 121-138, 2020. Disponível em: <https://www.nucleodoconhecimento.com.br/tecnologia/premio-loebner>. Acesso em: 15 ago. 2023.
SIMÕES, Alexandre da Silva e Costa, Anna Helena Reali. Aprendizado não-supervisionado em redes neurais pulsadas de base radial: um estudo da capacidade de agrupamento para a classificação de pixels. Sba: Controle & Automação Sociedade Brasileira de Automatica [online]. 2007, v. 18, n. 2 [Acessado 15 Novembro 2023], pp. 251-264. Disponível em: <https://doi.org/10.1590/S0103-17592007000200010>. Epub 02 Out 2007. ISSN 0103-1759. https://doi.org/10.1590/S0103-17592007000200010.
SMANIOTTO, Pedro Henrique de Souza et al. Sistematização de curativos para o tratamento clínico das feridas. Revista Brasileira de Cirurgia Plástica [online]. 2012, v. 27, n. 4 [Acessado 15 Novembro 2023], pp. 623-626. Disponível em: <https://doi.org/10.1590/S1983-51752012000400026>. Epub 29 Maio 2013. ISSN 1983-5175. https://doi.org/10.1590/S1983-51752012000400026.
SMANIOTTO, Pedro Henrique de Souza et al. Sistematização de curativos para o tratamento clínico das feridas. Revista Brasileira de Cirurgia Plástica [online]. 2012, v. 27, n. 4 [Acessado 15 Novembro 2023], pp. 623-626. Disponível em: <https://doi.org/10.1590/S1983-51752012000400026>. Epub 29 Maio 2013. ISSN 1983-5175. https://doi.org/10.1590/S1983-51752012000400026.
SOUZA, Fabrício Ribeiro de et al. Avaliação de dispositivos de captura de imagens digitais para detecção colorimétrica em microzonas impressas. Química Nova [online]. 2014, v. 37, n. 7 [Acessado 15 Novembro 2023], pp. 1171-1176. Disponível em: <https://doi.org/10.5935/0100-4042.20140189>. Epub 26 Ago 2014. ISSN 1678-7064. https://doi.org/10.5935/0100-4042.20140189.
15