O infarto do miocárdio é uma das principais causas de morbidade e mortalidade em todo o mundo. Dentre os possíveis tratamentos para obstrução do fluxo sanguíneo, uma técnica emergente é denominada sonotrombólise. Para alcançar resultados satisfatórios, o evento aliado à técnica (cavitação de microbolhas) precisa ser controlado para evitar danos ao paciente. Diante disso, este estudo teve como objetivo detectar e classificar o fenômeno durante a terapia de sonotrombólise por meio de inteligência artificial, onde a região de interesse é o coração. Os sinais foram gerados utilizando a ferramenta k-Wave disponível para Matlab, onde podem ser definidas características do meio acústico, incluindo não linearidades, atenuações e a topologia da matriz de transdutres. Após a simulação desses sinais, foi proposto um método classificador automático e descomplicado, baseado na ferramenta Transformada Wavelet Contínua e abordagem de Rede Neural Convolucional (CNN). O método utilizou uma CNN pré-treinada, chamada AlexNet, operando uma base de dados de 2.800 sinais para treinamento (70%), teste (15%) e validação (15%). As métricas de avaliação incluíram tanto a detecção em banda larga e estreita, o nível de ruído aplicado e o tamanho da base de dados. Para o caso dos receptores de banda estreita, os resultados do estudo indicaram que a técnica alcançou valores em torno de 95,7% e 96,0% para acurácia e precisão, respectivamente. O considerável grau de acurácia demonstrou que o uso de inteligência artificial pode ser uma abordagem para explorar a detecção de cavitação para terapias que fazem uso de ultrassom.

Myocardial infarction is one of the main causes of morbidity and mortality worldwide. Among the possible treatments for blood flow obstruction is an emerging technique named sonothrombolysis. To reach satisfactory results, the event allied to the technique (cavitation of microbubbles) needs to be controlled to avoid harm to the patient. Given that, this study aimed to detect and classify the phenomenon during sonothrombolysis therapy through artificial intelligence, where the region of interest is the heart. The signals were generated using the k-Wave toolbox available for MATLAB, where features of the acoustic medium can be set, including non-linearities, attenuations, and the matrix array topology. After the simulation of those signals, an automatic and uncomplicated classifier method was proposed, based on the Continuous Wavelet Transform tool and Convolutional Neural Network (CNN) approach. The method made use of a pre-trained CNN, called AlexNet, operating a database of 2,800 synthetic waves for training (70%), testing (15%), and validation (15%). The evaluation included both the detection using broad and narrowband detectors, the noise level applied, and the database size. For the case of narrowband receivers, the results of the study indicated that the technique achieved state-of-the-art values of around 95.7%, and 96.0% for accuracy and precision, respectively. The considerable degree of accuracy demonstrated that using artificial intelligence could be an approach to explore the detection of cavitation for therapies using ultrasound signals.