PPM-UNet: Uma Rede Neural Convolucional para a Segmentação de Rins em Imagens de TC

• Marcus Vinicius Oliveira UFMA
• Caio Eduardo Falcão Matos UFMA
• Geraldo Braz Júnior UFMA
• Anselmo Cardoso de Paiva UFMA
• João D. Sousa de Almeida UFMA
• Gabriel Costa UFMA
• Matheus Levy UFMA
• Mario Freitas UFMA

DOI: https://doi.org/10.5753/sbcas.2022.222656

Resumo

O câncer de rim representa 3% das doenças malignas do adulto, sendo o diagnóstico precoce uma ferramenta essencial. A segmentação automática tem como objetivo auxiliar o médico no processo de diagnóstico. O objetivo desse trabalho consiste em desenvolver e avaliação de uma rede neural para segmentar as imagens de tomografia computadorizada, das regiões dos rins e tumor, caso existam. Avaliamos a utilização de Pyramid Pooling Module em substituição de camadas convolucionais da rede U-Net para atingir o objetivo. A metodologia proposta atinge como resultado 0,91 de Iou para regiões do rim e 0,88 de Iou para regiões de tumor.

Referências

da Cruz, L. B., Araújo, J. D. L., Ferreira, J. L., Diniz, J. O. B., Silva, A. C., de Almeida, J. D. S., de Paiva, A. C., and Gattass, M. (2020). Kidney segmentation from computed tomography images using deep neural network. Computers in Biology and Medicine, 123:103906.

de Nefrologia, S. B. (2022). Compreendendo os rins. Disponível em: [link].

do Câncer, I. N. (2022). Ministério da saúde amplia tratamento para câncer renal. Disponível em: [link].

Hafhouf, B., Zitouni, A., Megherbi, A. C., and Sbaa, S. (2020). A modified u-net for skin lesion segmentation. In 2020 1st International Conference on Communications, Control Systems and Signal Processing (CCSSP), pages 225-228.

Heller, N., Sathianathen, N., Kalapara, A., Walczak, E., Moore, K., Kaluzniak, H., Rosenberg, J., Blake, P., Rengel, Z., Oestreich, M., Dean, J., Tradewell, M., Shah, A., Tejpaul, R., Edgerton, Z., Peterson, M., Raza, S., Regmi, S., Papanikolopoulos, N., and Weight, C. (2019). The kits19 challenge data: 300 kidney tumor cases with clinical context, ct semantic segmentations, and surgical outcomes. Disponível em: https:https://github.com/neheller/kits19.

Isensee, F. and Maier-Hein, K. H. (2019). An attempt at beating the 3d u-net.

Jatobá, A., Lima, L., Amorim, L., and Oliveira, M. (2020). Cnn hyperparameter optimization for pulmonary nodule classification. In Anais do XX Simpósio Brasileiro de Computação Aplicada à Saúde, pages 25-36, Porto Alegre, RS, Brasil. SBC.

Long, J., Shelhamer, E., and Darrell, T. (2014). Fully convolutional networks for semantic segmentation.

Oncoguia (2022). Taxa de sobrevida para câncer de rim.

O'Shea, K. and Nash, R. (2015). An introduction to convolutional neural networks.

Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation.

Shahin, A. H., Amer, K., and Elattar, M. A. (2019). Deep convolutional encoder-decoders with aggregated multi-resolution skip connections for skin lesion segmentation. In 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019), pages 451-454.

Sírio-Libanês, H. (2022). Câncer de rim: Saiba mais. Disponível em: [link].

Trevisan, V., Rodrigues, D., and Rezende, E. (2021). xrayaid detecting pneumonia using artificial intelligence. In Anais do XXI Simpósio Brasileiro de Computação Aplicada à Saúde, pages 1-12, Porto Alegre, RS, Brasil. SBC.

Vogado, L., Veras, R., Araujo, F., Silva, R., and Aires, K. (2019). Rede neural convolucional para o diagnóstico de leucemia. In Anais do XIX Simpósio Brasileiro de Computação Aplicada à Saúde, pages 46-57, Porto Alegre, RS, Brasil. SBC.

Yang, G., Li, G., Pan, T., Kong, Y., Wu, J., Shu, H., Luo, L., Dillenseger, J.-L., Coatrieux, J.-L., Tang, L., and Zhu, X. (2018). Automatic segmentation of kidney and renal tumor in ct images based on 3d fully convolutional neural network with pyramid pooling module. In 2018 24th International Conference on Pattern Recognition (ICPR), pages 3790-3795.

Zhao, H., Shi, J., Qi, X., Wang, X., and Jia, J. (2016). Pyramid scene parsing network.