Segmentation of the Glomerular Region in Pathological Kidney Slides

• Débora B. Nascimento UFPI
• Luciano Oliveira UFBA
• Washington Santos FIOCRUZ
• Angelo Duarte UEFS
• Kelson R. T. Aires UFPI
• Rodrigo M. S. Veras UFPI

DOI: https://doi.org/10.5753/eniac.2025.14444

Resumo

Este estudo propõe um método para segmentação da região glomerular em imagens histológicas renais, utilizando redes neurais convolucionais (CNNs) baseadas nas arquiteturas U-Net e Sharp U-Net com backbones pré-treinados. Foram avaliadas 643 imagens coradas por hematoxilina-eosina (HE), ácido periódico de Schiff (PAS) e ácido periódico-metenamina prata (PAMS), aplicando validação cruzada estratificada em 5 folds. A U-Net com VGG-19 mostrou o maior Dice médio (95,45%), seguida pela Sharp U-Net com DenseNet201. Os resultados foram consistentes entre as colorações, com leve vantagem para PAMS e PAS. O método revelou precisão e robustez, destacando seu potencial como ferramenta de apoio ao diagnóstico em nefropatologia.

Referências

Altini, N. et al. (2020). Semantic segmentation framework for glomeruli detection and classification in kidney histological sections. Electronics, 9(3):503.

Dimitri, G. M. et al. (2022). Deep learning approaches for the segmentation of glomeruli in kidney histopathological images. Mathematics, 10(11):1934.

Gadermayr, M. et al. (2019). Cnn cascades for segmenting sparse objects in gigapixel whole slide images. Comput. Med. Imaging Graph., 71:40–48.

Guyton, A. C. and Hall, J. E. (2017). Tratado de fisiologia médica. Elsevier, Rio de Janeiro, 13 edition.

Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. In Proceedings of the 14th International Joint Conference on Artificial Intelligence, volume 2, pages 1137–1143. Morgan Kaufmann Publishers Inc.

Litjens, G. et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42:60–88.

Oktay, O., Schlemper, J., Le Folgoc, L., Lee, M., Heinrich, M., Misawa, K., Mori, K., McDonagh, S., Hammerla, N. Y., Kainz, B., Glocker, B., and Rueckert, D. (2018). Attention u-net: Learning where to look for the pancreas. arXiv preprint arXiv:1804.03999.

Oliveira, D., Silva, A., Neves, L., Tosta, T., Martins, A., Faria, P., and Nascimento, M. (2025). Investigação de arquiteturas de aprendizagem profunda para segmentação de lesões em imagens histológicas. In Anais do XXV Simpósio Brasileiro de Computação Aplicada à Saúde, pages 617–628, Porto Alegre, RS, Brasil. SBC.

Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical Image Computing and Computer-Assisted Intervention, pages 234–241. Springer.

Santos, J., Silva, R., Oliveira, L., Santos, W., Aldeman, N., Duarte, A., and Veras, R. (2024). Glomerulosclerosis detection with pre-trained cnns ensemble. Computational Statistics, 39:561–581.

Santos, J. D., Veras, R. M. d. S., and Silva, R. R. (2021). A hybrid of deep and textural features to differentiate glomerulosclerosis and minimal change disease from glomerulus biopsy images. Biomedical Signal Processing and Control, 70:103020.

Sociedade Brasileira De Nefrologia (2023). Glomerulopatias. Acesso em: 25 mar. 2025.

Tajbakhsh, N. et al. (2016). Convolutional neural networks for medical image analysis: full training or fine tuning? IEEE Transactions on Medical Imaging, 35(5):1299–1312.

Zhou, Z., Siddiquee, M. M. R., Tajbakhsh, N., and Liang, J. (2018). Unet++: A nested u-net architecture for medical image segmentation. In Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support, pages 3–11. Springer.

Zhou, Z., Siddiquee, M. M. R., Tajbakhsh, N., and Liang, J. (2020). Unet++: Redesigning skip connections to exploit multiscale features in image segmentation. IEEE Transactions on Medical Imaging, 39(6):1856–1867.

Zunair, H. and Ben Hamza, A. (2021). Sharp u-net: Depthwise convolutional network for biomedical image segmentation. Computers in Biology and Medicine, 136:104699.