Um Pipeline de Visão Computacional para Análise de Achados Hiperecogênicos em Ultrassonografia Renal

• Jefferson S. dos Anjos Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ) https://orcid.org/0009-0001-6304-3513
• Amaro A. de Lima Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ) https://orcid.org/0000-0001-5397-6531
• Gabriel M. Araújo Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ) https://orcid.org/0000-0002-0033-3265
• Jorge Luiz de C. Henriques Junior Universidade Estadual do Rio de Janeiro (UERJ)
• Nordeval C. Araújo Universidade Estadual do Rio de Janeiro (UERJ) https://orcid.org/0000-0003-3854-6933
• José Hermógenes R. Suassuna Universidade Estadual do Rio de Janeiro (UERJ) https://orcid.org/0000-0002-4720-5391
• Felipe da R. Henriques Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ) https://orcid.org/0000-0002-7221-7466

DOI: https://doi.org/10.5753/sbbd.2026.249511

Resumo

A interpretação de ultrassonografias renais depende de inspeção visual subjetiva e da delimitação anatômica do rim. Este artigo propõe um pipeline de visão computacional que primeiro segmenta o rim e depois analisa regiões hiperecogênicas suspeitas próximas às pirâmides renais. Os modelos foram retreinados com as imagens originais da base kidneyUS e aplicação de CLAHE no pré-processamento. Em um teste deduplicado de 70 imagens, a U-Net atingiu Dice de 0,9290, IoU de 0,8722 e precisão de 0,9236, obtendo o maior Dice entre as arquiteturas avaliadas. Aplicado a 4.479 imagens externas, esse modelo gerou 3.534 pseudomáscaras candidatas, ainda pendentes de revisão humana e ausentes das métricas apresentadas.

Palavras-chave: ultrassonografia renal, segmentação semântica, visão computacional, aprendizado profundo, U-Net, DeepLabV3, segmentação intrarrenal, imagens médicas

Referências

Chavhan, G. B., Parra, D. A., Oudjhane, K., et al. (2008). Renal pyramid echogenicity in ureteropelvic junction obstruction: correlation between altered echogenicity and differential renal function. Pediatric Radiology, 38(10):1063–1069.

Chen, L.-C., Zhu, Y., Papandreou, G., Schroff, F., and Adam, H. (2018). Encoder-decoder with atrous separable convolution for semantic image segmentation. European Conference on Computer Vision (ECCV), pages 801–818.

Constantino, K., Cruz, V. A. L., Zucheratto, O. M. M., França, C., Carvalho, M., Silva, T. H. P., Laender, A. H. F., and Gonçalves, M. A. (2022). Segmentação e classificação semântica de trechos de diários oficiais usando aprendizado ativo. In Anais do XXXVII Simpósio Brasileiro de Banco de Dados (SBBD), pages 304–316. Sociedade Brasileira de Computação.

Dice, L. R. (1945). Measures of the amount of ecologic association between species. Ecology, 26(3):297–302.

Jaccard, P. (1901). Étude comparative de la distribution florale dans une portion des alpes et des jura. Bulletin de la Société Vaudoise des Sciences Naturelles, 37:547–579.

Lee, D.-H. (2013). Pseudo-label: The simple and efficient semi-supervised learning method for deep neural networks. In Workshop on Challenges in Representation Learning, ICML, volume 3.

Lima, D. M., Moreno, R. A., Pires, F. A., and Gutierrez, M. A. (2021). Uma proposta de data lake para pesquisa em saúde a partir de data pools multicêntricos interoperáveis. In Anais do XXXVI Simpósio Brasileiro de Banco de Dados (SBBD), pages 367–372. Sociedade Brasileira de Computação.

Manley, J. A. and O’Neill, W. C. (2001). How echogenic is echogenic? quantitative acoustics of the renal cortex. American Journal of Kidney Diseases, 37(4):706–711.

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

Singla, R., Ringstrom, C., Hu, G., Lessoway, V., Reid, J., Nguan, C., and Rohling, R. (2023). The open kidney ultrasound data set. In Simplifying Medical Ultrasound, volume 14337 of Lecture Notes in Computer Science, pages 155–164. Springer Nature Switzerland.

Xie, E., Wang, W., Yu, Z., Anandkumar, A., Alvarez, J. M., and Luo, P. (2021). Segformer: Simple and efficient design for semantic segmentation with transformers. Advances in Neural Information Processing Systems, 34:12077–12090.

Zuiderveld, K. (1994). Contrast limited adaptive histogram equalization. In Heckbert, P. S., editor, Graphics Gems IV, pages 474–485. Academic Press.