Segmentação semântica de imagens de ressonância magnética para análise de tumores cerebrais usando redes neurais artificiais

Abstract

Para haver uma maior chance de sobrevivência, é recomendável o diagnóstico precoce dos tumores cerebrais. Por exemplo, os glioblastomas, um dos tumores cerebrais mais agressivos, possuem uma taxa de sobrevivência menor que 20% para um período de 5 anos após o diagnóstico. Por isso, é necessário um acompanhamento médico periódico. Uma opção comum e não-invasiva para o diagnóstico é por meio de Imagens de Ressonância Magnética (Magnetic Resonance Images - MRIs) para a detecção de tumores. A análise das imagens requer um especialista. No entanto, até mesmo especialistas estão sujeito a erros. Há vários relatos na literatura médica sobre erros de especialistas. Além disso, a tarefa de detectar o tumor para o diagnóstico também consome tempo. Uma forma de evitar esses erros, reduzir o tempo necessário para o diagnóstico e garantir uma maior segurança e precisão no diagnóstico é por meio da detecção automática de tumores usando técnicas de processamento de imagens e redes neurais. Esse trabalho propõe o uso de redes neurais em MRIs de cérebros para detecção e segmen tação de tumores cerebrais. Implementamos algumas das arquiteturas mais populares no banco de dados público BRATS. Esse trabalho também demonstra como a degradação tem um efeito preocupante na segmentação semântica por reduzir a qualidade das MRIs e o desempenho das redes. Por exemplo, uma fonte comum de degradação é a movimentação do paciente durante a aquisição da imagem, que pode tornar a imagem mais degradada quanto mais movimentos o paciente faz, dependendo da rotação e translação de cada movimento. Nas simulações dessa degradação, quando aumentamos o número de movimentos de 1 para 10 do paciente, para a arquitetura menos robusta às degradações, a Residual U-net, há uma queda de aproximadamente 16% na média do coeficiente Dice de todas as classes e um aumento de 11,1 da média da distância de Hausdorff de todas as classes. Na mesma simulação, para a arquitetura mais robusta às degradações, a V-net, a queda da média do coeficiente Dice foi de 9% e o aumento da média da distância de Hausdorff foi de 3,8. Outras degradações, como o ruído gaussiano, tiveram uma variação menor mas igualmente notável. Quando o desvio padrão do ruído gaussiano aumentou de 0, 065 para 0, 65, houve uma uma queda de 3,7% no coeficiente Dice e um aumento da distância de Hausdorff de 1,75. Para a V-net, a diminuição da média do coeficiente Dice foi de 2% e o aumento da média da distância de Hausdorff. foi de 1,2. Assim, para diminuir o desempenho da rede, é necessária uma alta intensidade da degradação.