O cotidiano de bebês pré-termo e neonatos muito doentes é envolvido por constante
exposição a dor, fato que pode causar problemas no desenvolvimento do sistema nervoso a
longo prazo. Por este motivo, uma área constante em desenvolvimento é a criação de sistemas
de detecção automática da dor fundamentados em imagens. Estes sistemas utilizam as mais
diversas técnicas, desde medidas anatômicas da face, inteligencia artificial e aprendizado de
máquina, porém todos eles possuem duas principais semelhanças: a categorização de regiões
faciais mais relevantes para identificação da dor neonatal e a dificuldade encontrada perante a
presença de artefatos obstruindo partes da face. Portanto, este trabalho propõe e implementa
uma técnica de segmentação automática de regiões de interesse, utilizada para a criação de
um novo dataset contendo recortes da face do recém-nascido relevantes para a classificação
de dor, categorizados pela região recortada e pela presença de dor. Adicionalmente, também
investigamos o uso de técnicas de similarity matching para comparar cada região de interesse
com a correspondente extraída de uma face média criada sem nenhuma obstrução. Todos os
experimentos foram feitos a partir da base de imagens de recém-nascidos da UNIFESP, a qual
é categorizada em bebês com dor e sem dor. Nosso arcabouço computacional foi desenvolvido
para detectar, transformar e extrair as áreas de interesse de qualquer imagem 2D da face de um
recém-nascido de forma robusta e no mesmo formato do dataset criado.
