CRIAÇÃO DE BENCHMARK UTILIZANDO DEEP LEARNING PARA A SEGMENTAÇÃO DE ÓRGÃOS EM IMAGENS MÉDICAS

INTRODUÇÃO: Atualmente, a tarefa de segmentar imagens médicas e delimitar os órgãos em risco, é realizada manualmente por um especialista médico, o que é custoso em termos de tempo e recursos tanto computacionais como humanos. Para resolver esse problema, uma alternativa mais eficiente e promissora é a segmentação automática utilizando modelos de aprendizado de máquina voltados para a visão computacional. Dentre esses modelos de visão computacional, a U-Net e suas variações se destacam como estado da arte, devido as suas capacidades de processar imagens de forma eficiente e com maior precisão de resultado. Nesse contexto, este trabalho visou a criação de um benchmark com o intuito de evidenciar os melhores modelos para o SegTHOR (Segmentation Thoracic Organs at Risk in CT Images), utilizando a rede U-Net para a segmentação de órgãos. Por meio desse benchmark, será possível estabelecer uma referência padrão para avaliar e comparar diferentes modelos de segmentação. OBJETIVOS: O objetivo deste projeto é comparar a eficiência de diferentes modelos de visão computacional com o dataset SegTHOR, utilizando segmentação semântica de imagens e técnicas de Deep Learning em exames radiológicos torácicos. Sendo assim, nossos objetivos principais consistem em: ● Utilizar os métodos do estado-da-arte para implementação ● Experimentação e análise das métricas de aprendizado dos modelos ● Avaliar o desempenho das arquiteturas escolhidas. ● Registrar resultados obtidos das experimentações. MATERIAIS E MÉTODO: O conjunto de dados SegTHOR é composto por 7430 imagens torácicas de tomografias computadorizadas de 60 pacientes diagnosticados com câncer de pulmão ou linfoma de Hodgkin. Cada imagem retrata estruturas anatômicas relevantes, como coração, aorta, esôfago e traqueia, juntamente com suas respectivas máscaras de segmentação. Utilizamos redes U-Nets com diferentes parametrizações. Para avaliar a precisão do modelo, cada classe foi avaliada de forma independente utilizando o coeficiente de Dice e após isso calculada um média ponderado Dice score global para cada órgão. RESULTADOS: Os resultados obtidos nesse estudo, evidenciam a complexidade envolvida na tarefa de melhorar o desempenho de um modelo de segmentação de imagens. Observou-se que as dimensões de imagens com menor quantidade de informações não requerem um modelo excessivamente complexo, com várias camadas de regularização, pois isso pode afetar negativamente as predições. Por outro lado, para imagens com maior quantidade de informações, foi notável a necessidade de modelos mais complexos, com mais camadas convolucionais e de regularização, a fim de evitar ruídos e alcançar resultados mais precisos. CONSIDERAÇÕES FINAIS: Os experimentos realizados contribuíram para a elucidação de alguns objetivos traçados. Foram empregados métodos do estado-da-arte na implementação, conduzindo experimentos para avaliar o desempenho das arquiteturas e parametrizações. No entanto, a falta de experimentos mais abrangentes, especialmente relacionados à arquitetura dos modelos e dimensões dos conjuntos de treino, teste e validação, representou uma limitação importante que poderia enriquecer os resultados e fornecer uma visão mais completa do problema estudado. Nesse sentido, algumas questões na pesquisa permanecem em aberto, por exemplo como seria o desempenho de cada modelo se utilizássemos técnicas de regularização melhores para datasets desbalanceados, ou como seria o desempenho de cada modelo com diferentes tamanhos de conjuntos de treino, teste e validação.

PALAVRAS-CHAVE: Processamento de imagens; Segmentação de imagens médicas; Deep learning.