Deep Endometriosis Segmentation in MRI Using CNN Encoders in a U-Net Architecture

• Marcos V. Farias UFMA
• Weslley K. R. Figueredo 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.2025.7833

Abstract

Deep endometriosis is a globally prevalent pathology that affects around 20% of women of reproductive age and afflicts the patient with symptoms ranging from from abdominal pain to bleeding and infertility. Its diagnosis can be made by imaging tests, which, combined with machine learning models, represent a significant improvement in this process. This paper brings an automatic approach to endometriosis segmentation in magnetic resonance images, obtaining a Dice of 51% and a Recall of 66,58%.

References

Bellelis, P., Dias Jr, J. A., Podgaec, S., Gonzales, M., Baracat, E. C., and Abrão, M. S. (2010). Aspectos epidemiológicos e clínicos da endometriose pélvica: uma série de casos. Revista da associação médica brasileira, 56:467–471.

Caraça, D. B., Podgaec, S., Baracat, E. C., and Abrão, M. S. (2011). Mecanismos fisiopatológicos da dor pélvica na endometriose profunda. Diagn Tratamento, 16(2):57–61.

Coutinho Junior, A. C., Lima, C. M. A. d. O., Coutinho, E. P. D., Ribeiro, É. B., Aidar, M. N., and Gasparetto, E. L. (2008). Ressonância magnética na endometriose pélvica profunda: ensaio iconográfico. Radiologia Brasileira, 41:129–134.

Figueredo, W. K., da Silva, I. F., Diniz, J. O., Silva, A. C., de Paiva, A. C., Salomão, A. C. B., and de Oliveira, M. A. (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. SBC.

Gomes, N. A. and Alves, K. (2018). A ressonância magnética no diagnóstico de endometriose profunda com acometimento intestinal: relato de caso. Unilus ensino e pesquisa, 15(38):25–39.

He, K., Zhang, X., Ren, S., and Sun, J. (2015). Deep residual learning for image recognition.

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.

Liu, Z., Mao, H., Wu, C.-Y., Feichtenhofer, C., Darrell, T., and Xie, S. (2022). A convnet for the 2020s. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pages 11976–11986.

Nácul, A. P. and Spritzer, P. M. (2010). Aspectos atuais do diagnóstico e tratamento da endometriose. Revista Brasileira de ginecologia e obstetrícia, 32:298–307.

Pinto, D., Figueredo, W., Silva, I., Silva, A., Paiva, A., Salomão, A., and Oliveira, M. (2024). Segmentação automática de endometriose profunda em imagens de ressonância magnética baseada em swin-unet. In Anais do XXIV Simpósio Brasileiro de Computação Aplicada à Saúde, pages 471–482, Porto Alegre, RS, Brasil. SBC.

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 2015: 18th international conference, Munich, Germany, October 5-9, 2015, proceedings, part III 18, pages 234–241. Springer.

Silva, J. C. R., Valerio, F. P., Herren, H., Troncon, J. K., Garcia, R., and Poli Neto, O. B. (2021). Endometriose: aspectos clínicos do diagnóstico ao tratamento. Femina, pages 134–141.

Simonyan, K. and Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition.

Tan, M. and Le, Q. V. (2020). Efficientnet: Rethinking model scaling for convolutional neural networks.

Tan, M. and Le, Q. V. (2021). Efficientnetv2: Smaller models and faster training.