Introdução: O uso da ressonância nuclear magnética (RM) na prática médica é extensa e abrange auxílio no diagnóstico de múltiplas condições como: neoplasias, infecções, doenças inflamatórias, dentre outras. Nestes contextos, a análise do realce pós-contraste é essencial. Tal detecção e quantificação do realce em imagens de (RM) cerebral ponderada em T1 é uma tarefa desafiadora devido à complexidade das imagens e à variabilidade na aparência do realce de contraste. Técnicas de inteligência artificial (IA) têm potencial para melhorar a eficiência e precisão desse processo, mas o desenvolvimento e avaliação de abordagens baseadas em IA para esse fim é uma tarefa laborosa. Objetivos: Desenvolvimento e validação de ferramenta para detecção de realce pós-contraste em imagens de RM ponderadas em T1. Implementação desta ferramenta na rotina clínica do serviço de radiologia e diagnóstico por imagem do Hospital das Clínicas de Ribeirão Preto (HCRP).Método: Neste estudo, desenvolveremos e avaliaremos uma abordagem baseada em IA para a detecção de realce de contraste em imagens de ressonância magnética cerebral ponderadas em T1 usando um grande conjunto de dados de um hospital público brasileiro. A abordagem baseada em IA será baseada em uma rede neural convolucional (CNN) treinada em uma base de aprendizado supervisionado, com o objetivo de prever com precisão a presença ou ausência de realce de contraste nas imagens. A entrada para a CNN serão as imagens de ressonância magnética e a saída será uma previsão binária da presença ou não de realce de contraste. Resultados: Foi observada uma sensibilidade de 78,5% e especificidade foi de 88,2%, sendo a acurácia de 85,7% entre os 7638 exames avaliados.Conclusão: A ferramenta desenvoldida obteve sucesso em seus objetivos com alta sensibilidade e especificidade na detecção de realce pós-contraste na sequência ponderada em T1, de forma totalmente automática. Durante nossa rotina diária, o software mostrou auxílio real e prático na avaliação destes exames, diminuindo o tempo para confecção dos laudos radiológicos. Os exames falso positivos são fácil e rapidamente descartados pelo médico radiologista. Palavras-chave: realce pós-contraste; imagem por ressonância magnética; inteligência artificial.

Introduction: The use of magnetic resonance imaging (MRI) in medical practice is extensive and encompasses the diagnosis of multiple conditions such as neoplasms, infections, inflammatory diseases, among others. In these contexts, the analysis of post-contrast enhancement is essential. The detection and quantification of enhancement in T1-weighted cerebral MRI images is a challenging task due to the complexity of the images and the variability in the appearance of contrast enhancement. Artificial intelligence (AI) techniques have the potential to improve the efficiency and accuracy of this process, but the development and evaluation of AI-based approaches for this purpose is a laborious task. Objectives: Development and validation of a tool for post-contrast enhancement detection in T1-weighted MRI images. Implementation of this tool in the clinical routine of the radiology and diagnostic imaging service of Clinical Hospital of Ribeirao Preto. Methodology: In this study, we will develop and evaluate an AI-based approach for the detection of contrast enhancement in T1-weighted cerebral MRI images using a large dataset from a Brazilian public hospital. The AI-based approach will be based on a convolutional neural network (CNN) trained on a supervised learning basis, with the objective of accurately predicting the presence or absence of contrast enhancement in the images. The input to the CNN will be the MRI images, and the output will be a binary prediction of the presence or absence of contrast enhancement. Results: A sensitivity of 78,5% and a specificity of 88,2% were observed, with an accuracy of 85,7% among the 7638 tests evaluated. Conclusion: The developed tool successfully achieved its objectives with high sensitivity and specificity in the detection of post-contrast enhancement in T1- weighted sequences, fully automatically. During our daily routine, the software provided real and practical assistance in the evaluation of these exams, reducing the time required to produce radiology reports. False positive exams are easily and quickly discarded by the radiologist. Keywords: post-contrast enhancement; magnetic resonance imaging; artificial intelligence.