Publicação: Avaliação de dor em camundongos com redes neurais e visão computacional
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Abdala, Daniel Duarte, Silva, Murilo Vieira da
Resumo
Os camundongos constituem um dos principais modelos experimentais utilizados em
pesquisas biomédicas, tornando a avaliação adequada do bem-estar animal um requisito
fundamental para a condução ética dos experimentos e para a obtenção de resultados
científicos confiáveis e reprodutíveis. Nesse contexto, a identificação da dor representa um
desafio importante, uma vez que os animais são incapazes de comunicar diretamente suas
sensações, tornando sua avaliação dependente da observação de alterações comportamentais
e fisiológicas.
Buscando mitigar a subjetividade associada à avaliação humana, diferentes metodologias
foram propostas ao longo dos anos, dentre as quais se destaca a Mouse Grimace Scale,
baseada na análise de alterações em expressões faciais associadas à dor nos camundongos.
Apesar de ser amplamente utilizada, sua aplicação ainda depende significativamente da
interpretação de observadores humanos, tornando o processo suscetível a vieses e variações
entre avaliadores.
Neste contexto, o presente trabalho investiga a aplicação de técnicas de aprendizado
profundo e visão computacional para a avaliação automatizada da dor em camundongos com
base nos parâmetros definidos pela Mouse Grimace Scale. Para isso, foi desenvolvido um
pipeline experimental abrangendo as etapas de aquisição, organização e pré-processamento
das imagens, construção da base de dados e treinamento supervisionado dos modelos de
classificação.
Foram avaliadas arquiteturas convolucionais amplamente consolidadas na literatura,
incluindo variantes das famílias ResNet, MobileNet e DenseNet. Adicionalmente, foram
conduzidos experimentos com a arquitetura Vision Transformer, baseada em mecanismos
de atenção, visando comparar seu desempenho com abordagens convolucionais e investigar
sua capacidade de modelar relações globais presentes nas imagens.
De modo geral, os resultados obtidos reforçaram a viabilidade da aplicação de técnicas de
aprendizado profundo no campo de visão computacional para avaliação automatizada da dor
em animais, contribuindo para a redução da subjetividade das avaliações humanas e para o
desenvolvimento de ferramentas capazes de promover maior padronização, escalabilidade e
reprodutibilidade em pesquisas biomédicas. Além das contribuições para as áreas de visão
computacional e inteligência artificial, o estudo apresenta potencial impacto no bem-estar
animal e no aprimoramento de protocolos experimentais.
Abstract
Mice are among the most widely used animal models in biomedical research, making
the assessment of animal welfare a fundamental requirement for both the ethical conduct
of experiments and the generation of reliable and reproducible scientific results. Therefore,
pain assessment remains a significant challenge, as animals cannot directly communicate
their sensations, requiring researchers to rely on behavioral and physiological indicators to
infer the presence of pain.
To reduce the subjectivity inherent to human evaluation, several assessment methods
have been proposed over the years, among which the Mouse Grimace Scale has emerged
as one of the most widely adopted approaches. This scale evaluates pain through changes
in facial expressions associated with painful states in mice. Despite its widespread use,
the method still relies heavily on human interpretation, making assessments susceptible to
observer bias and inter-rater variability.
Motivated by these limitations, this work investigates the application of deep learning
and computer vision techniques for automated pain assessment in mice based on the facial
action units defined by the Mouse Grimace Scale. To this end, a complete experimental
pipeline was developed, encompassing image acquisition, dataset organization, image
preprocessing, dataset construction, and supervised training of classification models.
Experiments were conducted using well-established convolutional neural network architectures, including variants of the ResNet, MobileNet, and DenseNet families. In addition,
the Vision Transformer (ViT) architecture was evaluated to investigate the effectiveness
of attention-based mechanisms for modeling global image relationships and to compare its
performance with traditional convolutional approaches.
Overall, the findings demonstrate the feasibility of applying deep learning techniques
to automated pain assessment in laboratory animals, contributing to the reduction of
subjectivity in human evaluations and supporting the development of computational
tools capable of improving standardization, scalability, and reproducibility in biomedical
research. Beyond its contributions to computer vision and artificial intelligence, this work
also presents potential benefits for animal welfare and the refinement of experimental
protocols.
Palavras-chave
Avaliação da dor, Redes Neurais Convolucionais, Visão Computacional, Pesquisa Biomédica, Pain Assessment, Convolutional Neural Networks, Computer Vision, Biomedical Research
Citação
RAMOS, Marcio Salmazo. Avaliação de dor em camundongos com redes neurais e visão computacional. 2026. 112 f. Dissertação (Mestrado em Ciências da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2026. DOI http://doi.org/10.14393/ufu.di.2026.576.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto