INTRODUÇÃO: No processamento de imagens médicas, o uso de métodos de aprendizado de máquina, principalmente de modelos profundos (deep learning), tem sido uma vertente, elevando as taxas de desempenho no estado da arte. No entanto, a construção de bases de imagens médicas é um desafio dado a necessidade de aquisição e anotação, muitas vezes em nível de pixel, a ser realizada por profissionais como médicos ou técnicos radiologistas dificultando assim a escalabilidade deste processo. – OBJETIVOS: Avaliar o impacto de imagens sintéticas, ou seja, imagens geradas artificialmente a partir de imagens originais no contexto de segmentação de imagens médicas. Implementação e avaliação das técnicas mais promissoras; Desenvolver uma solução que atenda os padrões do estado da arte; Análise de Erros e relatório crítica sobre os resultados atingidos. – MATERIAIS E MÉTODO: Foram propostos dois problemas segmentação: a) Córnea do Endotélio e b) Tomografia Torácica. Também métodos de classificação e segmentação foram avaliados a fim de mitigar o problema da falta de dados. Foram testadas soluções como aumento de dados tradicional (abordando adição de ruídos, zoom, rotação, translação), Cellpose 20, Mixup7, Cutmix 10, além de alguns testes iniciais com diferentes ferramentas que utilizam GANs em suas soluções. A rede de segmentação UNET foi o baseline escolhido. Também, o uso de técnicas de clusterização, para especializar os modelos foram mérito de análise. – RESULTADOS: No que tange a base de córneas do endotélio, os experimentos realizados denotaram a dificuldade do modelo generalizar a solução devido a falta de anotações da imagens. Ainda que técnicas de aumento de dados sejam aplicáveis, uma análise crítica sugere imprecisão em algumas regiões da base. No contexto de segmentação de tomografia torácica, a variação na forma do objeto ao longo do tempo foi um desafio. Desta forma, o uso de clusterização comparado a um modelo global, apresentou análises interessantes, tal qual o impacto do desbalanceamento de classes, i.e número de píxeis entre aorta e coração, enviesando o aprendizado do modelo. Por outro lado, a clusterização apresentou uma melhora nas taxas de acertos em casos muito específicos, os quais são méritos de análise futura. – CONSIDERAÇÕES FINAIS: Neste trabalho avaliamos técnicas de aumento de dados visando a segmentação de imagens médicas. Foram avaliados dois cenárias distintos: Células do Endotélio da Córnea e Tomografia da Região Torácica. Utilizamos inúmeras técnicas disponíveis no estado da arte, no entanto a limitação de anotação das imagens e número de imagens, torna o aprendizado do modelo enviado, mesmo após o uso de aumento de dados, independente da técnica. No que tange a segmentação torácica, o uso de clusterização precisa de aprofundamento nas técnicas de seleção de características para a definição de clusters. Também, técnicas baseadas em redes recorrentes são méritos de futura discussão.
