Segmentação do ventrículo esquerdo em exames de ressonância magnética cardíaca com aprendizado profundo e modelos deformáveis contendo restrições de forma

• Ano de defesa: 2021
• Autor(a) principal: Ribeiro, Matheus Alberto de Oliveira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado profundo; Cardiac Magnetic Resonance; Deep learning; Deformable models; Left ventricle; Modelos deformáveis; Ressonância Magnética Cardíaca; Segmentação; Segmentation; Ventrículo esquerdo
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/100/100131/tde-14122021-203305/

Imagens provenientes de exames de ressonância magnética cardíaca são reconhecidas como padrão-ouro para o diagnóstico de diversas doenças cardíacas. Biomarcadores estimados a partir da segmentação e análise do ventrículo esquerdo nessas imagens podem ser utilizados em diagnósticos. Entretanto, a segmentação manual do ventrículo esquerdo nas diversas imagens que compõem um exame de ressonância magnética demanda tempo e esforço repetitivo do especialista, o que pode aumentar a variabilidade da qualidade do diagnóstico. Nos últimos anos, diversas abordagens automáticas e semiautomáticas para segmentar o ventrículo esquerdo nessas imagens têm sido propostas na literatura. As principais estratégias envolvem o uso de métodos baseados em atlas, grafos, modelos deformáveis, inteligência artificial, técnicas clássicas de processamento de imagens e combinações híbridas desses, em conjunto com restrições anatômicas referentes à forma do ventrículo. Apesar de apresentarem bons resultados, nenhum método ainda alcançou a excelência do especialista devido à grande variação das estruturas representadas nas imagens de ressonância magnética. A partir de um mapeamento sistemático, foi constatado que a utilização de métodos híbridos que integram inteligência artificial e restrições de forma têm obtido resultados promissores e oferecem uma possível solução ao problema da segmentação, porém ainda sem alcançarem a excelência almejada. O presente trabalho tem como objetivo principal desenvolver um método híbrido que una aprendizado profundo e modelos deformáveis com restrições de forma para segmentar automaticamente o ventrículo esquerdo em imagens de ressonância magnética cardíaca. Os modelos deformáveis favorecem a produção de segmentações precisas e conseguem impor restrições de forma anatômicas, diminuindo a produção de segmentações com erros anatômicos, um dos problemas mais comuns dos métodos recentes. Os resultados indicam que o método produz resultados comparáveis à literatura e anatomicamente mais consistentes, além de demonstrar habilidade de generalização entre diferentes bases de imagens. Porém, o método ainda apresenta um desempenho inferior em fatias apicais e casos específicos de cardiopatias. Além de oferecer uma contribuição para a área de Processamento de Imagens Médicas, o método proposto contribui com a área de auxílio ao diagnóstico em Cardiologia