Uma eficaz abordagem para segmentação pulmonar em TCs usando redes neurais convolucionais baseadas em máscaras de regiões

Abstract

A segmentação de imagens médicas é um grande desafio para técnicas de visão computacional e consecutivamente para área da medicina, se tratando de pulmão o desafio se dá pela diversidade de doenças pulmonares bem como as diferentes dimensões do pulmão em imagens de Tomografias Computadorizadas (TCs). A TC é uma ferramenta de auxílio para diagnóstico clínico, diversos sistemas baseados em Diagnóstico Assistido por Computador (CAD) são desenvolvidos ou aprimorados a partir de imagens de TC combinadas a métodos computacionais. Os sistemas de visão computacional possuem inúmeras ferramentas para auxílio em diversas áreas médicas, principalmente no diagnóstico por imagens. A tomografia computadorizada é o principal método por imagem utilizado para auxiliar no diagnóstico de doenças como; fraturas ósseas, câncer de pulmão, doenças cardíacas, enfisema, dentre outras. As doenças pulmonares são responsáveis pela morte de mais de 3 milhões de pessoas a cada ano, cerca de 65 milhões de pessoas são afetadas pelas consequências de diferentes tipos de doenças relacionadas ao pulmão, como câncer de pulmão que já está entre as quatro principais causas de morte no mundo por doença. As regiões pulmonares em imagens (TC) são marcadas visualmente e demarcadas manualmente por um especialista para diagnósticos clínicos tradicionais. A etapa inicial de segmentação é uma etapa fundamental para as técnicas de visão computacional e seu treinamento. Uma vez definidas, as regiões pulmonares são segmentadas automaticamente com o intuito de auxiliar no diagnóstico clínico. Este trabalho propõe uma nova abordagem para segmentação automática dos pulmões em imagens de Tomografia Computadorizada (TC), usando a rede Mask R-CNN para criação de mapeamento de regiões pulmonares, combinada a métodos de aprendizado de máquina supervisionado e não supervisionado (Bayes, SVM, Kmeans e GMMs). Nossa abordagem usando a Mask R-CNN combinado ao kernel K-means produziu os melhores resultados para a segmentação pulmonar por meio de fine-tuning, atingindo excelentes valores de accuracy com 97,68 ± 3,42% e um tempo de execução médio de 11,2 segundos. Comparamos os resultados do modelo proposto a outros trabalhos relacionados a fim de validar o método deste estudo, a abordagem obteve a mais alta accuracy sendo mais rápida do que alguns métodos já consolidados na literatura