Segmentation of pulmonary structures and lesions on computed tomography with heterogeneous data

Autor(es)

Diedre Santos do Carmo

• Tipo de documento: Tese de Doutorado
• Imprenta: Campinas, SP.
• Instituição: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
• Data de defesa: 2024-03-27

Membros da banca

Roberto de Alencar Lotufo; Roberto Medeiros de Souza; Marco Antônio Gutierrez; Luis Fernando Gomez Gonzalez

• Orientador: Roberto de Alencar Lotufo; Leticia Rittner

Resumo

A resposta à pandemia de COVID-19 destacou o potencial dos métodos de aprendizado profundo na facilitação do diagnóstico e prognóstico de doenças pulmonares por meio da segmentação automatizada de tecido normal e anormal em tomografia computadorizada (TC). Tais métodos não apenas têm o potencial de auxiliar na tomada de decisões clínicas, mas também contribuem para a compreensão de novas doenças. Diante da natureza intensiva da segmentação manual para grandes conjuntos de TC de tórax, há uma necessidade urgente de abordagens automatizadas confiáveis que possibilitem a análise eficiente da anatomia da TC de tórax em vastos bancos de dados de pesquisa, especialmente em estruturas menos frequentemente anotadas, como consolidações parenquimatosas e opacidades em vidro fosco causadas por pneumonia. O desenvolvimento de métodos que lidam com esses achados em particular é prejudicado pela escassez de dados anotados manualmente. Para enfrentar esse problema, propomos o aprendizado polimórfico multitarefa (APM). APM é utilizado para otimizar uma rede com um número fixo de canais de saída para representar múltiplas estruturas anatômicas hierárquicas, otimizando indiretamente estruturas mais complexas com anotações mais simples. Adicionalmente, usamos aprendizado multitarefa com múltiplas cabeças de segmentação para desenvolver o MEDPSeg, um método para a segmentação de pulmões, vias aéreas, artéria pulmonar e lesões pulmonares com separação de lesões em vidro fosco e consolidações parenquimatosas, tudo em uma única predição. Mais de 6000 exames de TC contendo formatos variados de anotações manuais e automáticas de diferentes fontes foram usados no desenvolvimento do método proposto. Mostramos que a técnica de treino proposta, APM, permitiu desempenho multitarefa estado-da-arte para a MEDPSeg, com melhoras de até 15% na métrica de segmentação Dice em 5 estruturas diferentes quando comparada à versões especializadas. Além disso, o desempenho da MEDPSeg na segmentação de consolidações é superior ao estado-da-arte atual. Finalmente, disponibilizamos uma implementação de código aberto com uma interface gráfica em https://github.com/MICLab-Unicamp/medpseg, capaz de prover resultados volumétricos em exames de alta resolução em 1 minuto usando uma placa de vídeo NVIDIA 2060 8GB (AU)

• Processo FAPESP: 19/21964-4 - Diagnóstico de doenças pulmonares e COVID a partir de imagens de tomografia computadorizada usando aprendizado profundo explicável
• Beneficiário: Diedre Santos do Carmo
• Modalidade de apoio: Bolsas no Brasil - Doutorado