Segmentação Automática de Endometriose Profunda em Imagens de Ressonância Magnética Baseada em Swin-Unet

• Daniel M. Pinto UFMA
• Weslley K. R. Figueredo UFMA
• Italo F. S. da Silva UFMA
• Aristófanes C. Silva UFMA
• Anselmo C. de Paiva UFMA
• Alice C. C. B. Salomão Clínica Fonte de Imagem
• Marco A. P. de Oliveira UERJ

DOI: https://doi.org/10.5753/sbcas.2024.2715

Resumo

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.

Referências

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.

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.

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.

Kimori, Y. (2011). Mathematical morphology-based approach to the enhancement of morphological features in medical images. Journal of clinical bioinformatics, 1:1–10.

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.

Liu, Z., Lin, Y., Cao, Y., Hu, H., Wei, Y., Zhang, Z., Lin, S., and Guo, B. (2021). Swin transformer: Hierarchical vision transformer using shifted windows. In Proceedings of the IEEE/CVF international conference on computer vision, pages 10012–10022.

Lundervold, A. S. and Lundervold, A. (2019). An overview of deep learning in medical imaging focusing on mri. Zeitschrift für Medizinische Physik, 29(2):102–127.

Manganaro, L., Fierro, F., Tomei, A., Irimia, D., Lodise, P., Sergi, M., Vinci, V., Sollazzo, P., Porpora, M., Delfini, R., et al. (2012). Feasibility of 3.0 t pelvic mr imaging in the evaluation of endometriosis. European journal of radiology, 81(6):1381–1387.

Schneider, C., Oehmke, F., Tinneberg, H.-R., and Krombach, G. (2016). Mri technique for the preoperative evaluation of deep infiltrating endometriosis: current status and protocol recommendation. Clinical Radiology, 71(3):179–194.

Wong, T.-T. (2015). Performance evaluation of classification algorithms by k-fold and leave-one-out cross validation. Pattern recognition, 48(9):2839–2846.