Segmentação de lesões de esclerose múltipla aplicando redes neurais convolucionais em imagens de ressonância magnética

Abstract

A esclerose múltipla é uma doença autoimune capaz de gerar lesões nos tecidos do sistema nervoso central e causar diversos impactos na coordenação motora de um indivíduo. Essa doença não tem cura ou causa bem definida. Estudos indicam que alguns fatores genéticos e ambientais aumentam o risco de incidência. O diagnóstico é auxiliado por exames de imagem de ressonância magnética e a detecção das lesões é realizada por profissionais da área médica. Esse processo pode ser demorado e propenso a erros. Com o intuito de apoiar o procedimento de diagnóstico, este trabalho propõe o uso de Convolutional Neural Networks (CNNs) para realizar a tarefa de segmentação de lesões de esclerose múltipla em imagens de ressonância magnética. São analisadas as arquiteturas UNet, ResUNet e Segnet, aliadas as técnicas de transfer learning e aumento de dados, a fim de verificar os modelos computacionais que obtêm o melhor desempenho. A base de dados utilizada inclui as sequências de ressonância magnética Fluid-Attenuated Inversion Recovery (FLAIR), T2, Magnetization-Prepared Rapid Gradient-Echo (MP-RAGE) e Proton Density (PD) e, para cada uma delas, foram realizados testes com cada modelo de CNN. Para avaliar os resultados foram empregadas as métricas coeficiente Dice, acurácia, sensibilidade e especificidade. Por meio da comparação e análise dos experimentos, foi possível concluir que a ResUNet, com aplicação do aumento de dados, obteve os melhores resultados para as imagens, alcançando um coeficiente Dice de 0.8268 para FLAIR, 0.7814 para T2, 0.7793 para MP-RAGE e 0.7867 para PD.