Melhorando o desempenho topológico da segmentação automática de vias aéreas para avaliação longitudinal da árvore brônquica

• Processo: 24/22948-0
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de maio de 2025
• Data de Término da vigência: 31 de julho de 2026
• Área de conhecimento: Engenharias - Engenharia Elétrica
• Pesquisador responsável: Leticia Rittner
• Beneficiário: Arthur Matheus do Nascimento
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Empresa: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação (FEEC)
• Vinculado ao auxílio: 20/09838-0 - BI0S - Brazilian Institute of Data Science, AP.PCPE
• Assunto(s): Aprendizagem profunda Processamento de imagens
• Palavra(s)-Chave do Pesquisador: Análise longitudinal | Deep Learning | processamento de imagens médicas | Segmentação de Vias Aéreas | Tomografia computadorizada (TC) | Processamento e análise de imagens médicas

Resumo

A segmentação de vias aéreas em imagens de tomografia computadorizada (TC) tornou-se uma importante ferramenta de diagnóstico. Ao fornecer um mapa 3D da região, nos auxilia a entender como doenças ou tratamentos estão afetando sua estrutura. Também desempenha um papel importante no planejamento cirúrgico, facilitando procedimentos mais precisos e eficientes. No entanto, a segmentação manual é uma tarefa demorada e trabalhosa. O advento de arquiteturas de aprendizado profundo capazes de gerar automaticamente segmentações altamente precisas mudou isso, permitindo o desenvolvimento de métodos que agilizam e melhoram significativamente a eficiência da análise de TC, mas a segmentação de vias aéreas é uma tarefa complexa que vai além da simples análise 2D. Avaliar a precisão fatia por fatia é insuficiente, pois manter a coerência volumétrica é crucial. Embora métricas de sobreposição como o DICE sejam valiosas, elas sozinhas não capturam totalmente a qualidade de um modelo de segmentação, com a literatura recente expondo a lacuna na precisão topológica dos métodos baseados em aprendizado profundo. Este projeto visa avançar o estado da arte na segmentação automática de vias aéreas explorando a implementação de modelos de transformers. Ao aproveitar os transformers, buscamos desenvolver um método mais topologicamente preciso para a segmentação de vias aéreas, mantendo a alta precisão de sobreposição alcançada pelos métodos atuais. Além disso, como parte de uma proposta BEPE, investigaremos o potencial de aplicar a arquitetura desenvolvida em uma análise automatizada longitudinal, tentando fornecer insights sobre as mudanças estruturais das vias aéreas observadas em tomografias computadorizadas em diferentes estágios do tratamento de radioterapia contra o câncer.