Uma nova abordagem para segmentação de acidente vascular cerebral em imagens de tomografia computadorizada usando aprendizagem de zero-shot

Abstract

O AVC é uma das principais causas de morte em todo o mundo. Apesar da alta taxa de mortalidade,aschancesderecuperaçãosãosignificativamentemaioresquandoodiagnóstico é precoce e preciso, seguido do tratamento adequado. Várias técnicas de neuroimagem são empregadas para detecção de AVC, sendo a tomografia computadorizada (TC) o método principal. Os sistemas de diagnóstico assistido por computador (CAD) podem desempenhar um papel crucial na captura de informações imperceptíveis ao olho humano. Portanto, este trabalho propõe uma nova abordagem para a segmentação e detecção de AVC hemorrágico na TC usando Deep Learning. Os métodos propostos apresentaram resultados promissores usando os modelos base (Foundation Models) para segmentação Zero-Shot, que demonstrou uma boa eficiência para lidar com os desafios de segmentação impostos por imagens médicas, sem a necessidade de uma grandes base de dados rotulados para treinamento, atingindo uma precisão de 99,82%. Para viabilizar a segmentação Zero-Shot de forma automática da região lesionada pelo AVC hemorrágico, uma etapa de inicialização foi adicionada ao método. A etapa de inicialização foi desenvolvida utilizando uma CNN para detecção da região de interesse (RoI). Também foram avaliadas outras abordagens para detecção, porém a abordagem utilizando a rede Detectron2 foi a mais precisa, com 99,36% de acurácia e Dice de 92,99%. Também foi realizado um experimento, afim de abalizar o método proposto, com redes para segmentação em uma única etapa (One-Stage), utilizando a mesma base de dados para treinamento e validação, a rede You Only Look At Coefficients (YOLACT). Também mostrou resultados promissores com uma precisão de 99,74%