Segmentação do ventrículo esquerdo em imagens de ressonância magnética usando rede neuralconvolucional e modelo Chan-Vese

Abstract

Uma das principais causas de morte em todo o mundo são as doenças cardiovasculares. Um dos exames utilizados para o diagnóstico dessas doenças é a ressonância magnética, que é um exame de imageamento cardíaco não invasivo. A partir desse exame é possível visualizar a estrutura do coração. Um passo fundamental do exame é a segmentação do ventrículo esquerdo para posteriormente identificar alguma anomalia no funcionamento do coração. Esse procedimento, geralmente, é realizado manualmente por um especialista, o que exige tempo e esforço e pode ocasionar falhas no diagnóstico. O objetivo deste trabalho é comparar métodos de deep learning, com um método tradicional de segmentação e um método híbrido para identificar o ventrículo esquerdo em imagens de ressonância magnética cardíaca. Com essa finalidade, os modelos de CNNs U-net tradicional e Attention U-net foram aplicados, bem como o modelo de contorno ativo Chan-Vese. Além disso, foi avaliado um modelo híbrido considerando a U-net tradicional para melhorar o resultado do modelo Chan-Vese. Foram considerados conjuntos de treinamento, validação e teste, utilizando a base de dados Sunnybrook. Os métodos foram comparados sem a aplicação de pré-processamento de imagens, e aplicando técnicas de realce de imagens e data augmentation para avaliar o efeito de cada uma das técnicas sobre os métodos. O método de segmentação que obteve o melhor desempenho foi a U-net tradicional sem aplicação de pré-processamento, com 0,890 de coeficiente Dice e 0,997 de acurácia. Os resultados do método híbrido também se mostraram promissores em relação a utilização individual do modelo Chan-Vese.