Segmentação de imagens de tomografia computadorizada utilizando o algoritmo U-Net. Estudo de caso : imagem da Bexiga

• Ano de defesa: 2024
• Autor(a) principal: Silva, José Hevenicio do Nascimento
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Processamento de imagens; Segmentação automática; Tomografia computadorizada; Inteligência artificial; Aprendizado profundo
• Link de acesso: http://repositorio.unb.br/handle/10482/51985

O objetivo da radioterapia é levar uma determinada dose de radiação prescrita a um alvo do tratamento poupando, ao máximo os tecidos sadios. Contudo, ao irradiar o alvo, inevitavelmente células sadias também são irradiadas, podendo gerar algum tipo de toxicidade. O contorno manual de tumores e estruturas normais é uma parte muito trabalhosa e demorada no processo de planejamento de tratamento em radioterapia. Em tratamentos localizados na região pélvica, o preenchimento da bexiga pode influenciar diretamente na posição dos órgãos circundantes a ela. Uma solução é a realização da segmentação da bexiga via métodos automáticos, usando algoritmos de inteligência artificial para verificar antes do tratamento se a bexiga está cheia ou vazia, de acordo com o preenchimento dela no planejamento, eliminando dessa forma a demora nos contornos de órgão nos dias de tratamento. Este estudo investiga a aplicação de uma técnica avançada de aprendizado profundo na segmentação de imagens médicas, com foco em um estudo de caso específico: a segmentação da bexiga em imagens de Tomografia Computadorizada (TC) do tipo Cone-Beam. O objetivo principal é desenvolver uma abordagem precisa e prática para delimitar a região de interesse, contribuindo para os avanços no processamento de imagens médicas. A metodologia adotada utilizou um conjunto de imagens de tomografia computadorizada disponibilizadas pelo setor de radioterapia do Hospital Universitário de Brasília (HUB), que serviu para treinar, testar e avaliar o modelo. A base de dados é composta por 1.932 imagens (de dimensões de 256×256 pixels) de TC. A arquitetura escolhida, a U-Net, foi treinada utilizando estratégias de aumento de dados para aprimorar a sua generalização. Os resultados demonstraram a viabilidade da abordagem proposta para a segmentação da bexiga, com um coeficiente de Dice de 81%. Além disso, o desenvolvimento de um aplicativo integrado ao modelo pré-treinado poderá fornecer uma ferramenta prática e acessível para os especialistas em radioterapia. A análise qualitativa das segmentações, reforçada por exemplos visuais, destaca a eficácia do modelo em localizar e contornar a anatomia da bexiga em imagens de TC.