Segmentação Automática de Endometriose Profunda em Imagens de Ressonância Magnética Baseada em Swin-Unet
Author:
Pinto Daniel M.,Figueredo Weslley K. R.,Silva Italo F. S. da,Silva Aristófanes C.,Paiva Anselmo C. de,Salomão Alice C. C. B.,Oliveira Marco A. P. de
Abstract
A endometriose profunda é a doença caracterizada pela presença do endométrio fora da cavidade uterina, causando agudo desconforto para as pessoas afetadas. Métodos não invasivos baseados em imagem para a aferição do grau de evolução da doença são eficazes mas custosos em tempo dos especialistas. Este trabalho propõe um método automático de segmentação de lesões de endometriose em imagens de ressonância magnética utilizando uma Swin-Unet. O método alcançou uma precisão de 45, 6%, sensibilidade 61, 9%, dice de 47, 7% e jaccard de 36, 2%. Foi segmentada com boa qualidade ao menos uma imagem por paciente em 17 dos 18 pacientes utilizados para teste.
Publisher
Sociedade Brasileira de Computação - SBC
Reference10 articles.
1. Cao, H., Wang, Y., Chen, J., Jiang, D., Zhang, X., Tian, Q., and Wang, M. (2022). Swin-unet: Unet-like pure transformer for medical image segmentation. In European conference on computer vision, pages 205–218. Springer. 2. Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., et al. (2020). An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929. 3. Figueredo, W., Silva, I., Diniz, J., Silva, A., Paiva, A., Salomão, A., and Oliveira, M. (2023). Abordagem computacional baseada em deep learning para o diagnóstico de endometriose profunda através de imagens de ressonância magnética. In Anais do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde, pages 138–149, Porto Alegre, RS, Brasil. SBC. 4. Kimori, Y. (2011). Mathematical morphology-based approach to the enhancement of morphological features in medical images. Journal of clinical bioinformatics, 1:1–10. 5. Leibetseder, A., Schoeffmann, K., Keckstein, J., and Keckstein, S. (2022). Endometriosis detection and localization in laparoscopic gynecology. Multimedia Tools and Applications, 81(5):6191–6215.
|
|