Avaliação de segmentação de glomerulopatias utilizando modelos de aprendizagem profunda

Abstract

Este trabalho explora e compara diversos modelos de aprendizagem profunda aplicados à segmentação de imagens histológicas e à classificação de glomerulopatias, com o objetivo de automatizar a segmentação dessas patologias e, assim, fornecer suporte aos patologistas para aumentar a precisão e a reprodutibilidade dos diagnósticos. Foram realizadas duas abordagens de avaliação. Na primeira, uma ampla variedade de arquiteturas foi analisada para avaliar o desempenho geral dos modelos, destacando-se o modelo Unet++ com o codificador RegNet, que apresentou os melhores resultados nas classes de fundo (background) e podócitos não lesionados, bem como na média geral. Na segunda abordagem, ajustes específicos nas estratégias de treinamento foram aplicados para melhorar a segmentação das classes de glomerulopatias. Nessa configuração, o modelo PAN combinado com o codificador RegNet sobressaiu-se para as classes de glomerulopatias, embora isso tenha levado a uma diminuição do F1-Score para as classes de fundo e podócitos não lesionados, resultando em uma média inferior. Esta pesquisa não apenas contribui para o avanço da análise histológica e do diagnóstico assistido por inteligência artificial, mas também oferece insights sobre o desempenho de diferentes modelos de aprendizagem profunda em conjuntos de dados histológicos com glomerulopatias.