Rede especialista em segmentação automática da fossa craniana posterior na população pediátrica

• Ano de defesa: 2023
• Autor(a) principal: Pimenta, José Luiz Maciel
• 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: Convolutional Neural Networks; Expert networks; Fossa craniana posterior; Magnetic resonance; Posterior cranial fossa; Redes especialistas; Redes Neurais Convolucionais; Ressonância magnética; Segmentação semântica; Semantic segmentation
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-25032024-090338/

As diferenças entre os encéfalos de adultos e de crianças causam padrões visuais distintos nas imagens adquiridas utilizando a ressonância magnética. Isso se deve, principalmente, por existirem diferentes estágios de mielinização no encéfalo pediátrico. Assim, apesar de haver algoritmos para auxiliar o diagnóstico e o acompanhamento dos pacientes por meio da segmentação das cavidades cranianas, eles são frequentemente incapazes de lidar com a variabilidade interindividual. Além disso, muitas vezes esses algoritmos não são adaptados a casos patológicos e pediátricos. Uma das formas para tentar contornar esses problemas se dá por meio de modelos como as Redes Neurais Convolucionais (CNN), que se tornaram viáveis para tarefas de segmentação volumétrica devido ao alto poder computacional atual e novos métodos de treinamento. Assim, esta pesquisa busca propor um novo método de utilização desses modelos dentro de uma pipeline de segmentação automática da fossa posterior pediátrica, em um treinamento supervisionado empregando diferentes arquiteturas. De forma mais específica, o método proposto busca utilizar os conceitos de rede generalista e rede especialista, na qual a primeira faz uma segmentação inicial usando o volume completo. A segunda, composta por duas redes distintas em que cada uma utiliza uma parte da segmentação anterior, realiza uma segmentação mais específica no local. A primeira fase do pipeline da segmentação automática é o pré-processamento das imagens volumétricas, sendo essa composta de três etapas: primeiro é utilizada uma ferramenta para a extração do objeto de interesse (i.e. o encéfalo). Depois é utilizada a normalização da intensidade dos pixels. Por fim, é realizada uma correção do sinal de campo de polarização. Seguindo o pipeline de segmentação, a segunda etapa é a segmentação das áreas de interesse (i.e. cerebelo, IV ventrículo e tronco cerebelar) pela rede generalista e pelas redes especialistas. Essas redes foram treinadas e validadas utilizando o 5-fold cross-validation dos dados segmentados manualmente. Diferentes arquiteturas foram aplicadas durante essa etapa. Por fim, o último procedimento desse pipeline é a realização de uma fusão entre as duas redes especialistas utilizando um algoritmo de late fusion. Para essa tarefa, as imagens por ressonância magnética escolhidas são de ponderação T2 de crianças entre 0 e 18 anos adquiridas em exames clínicos realizados com o Hospital das Clínicas da USP. Um total de 32 imagens foram segmentadas manualmente por um grupo de especialistas, nas quais anotações de três regiões diferentes foram feitas na fossa posterior, delimitando assim, as áreas do cerebelo, do IV ventrículo e do tronco cerebelar. Essas segmentações manuais foram utilizadas para treinar e validar as redes neurais generalistas e especialistas. A metodologia proposta alcançou um valor médio de 0,857 no coeficiente Dice durante o teste com apenas 32 imagens volumétricas rotuladas e utilizadas durante o treinamento e validação. Além disso, as distâncias médias entre as superfícies segmentadas, de maneira automática e manual, permaneceram em torno de 1 mm para as três estruturas.