Estudo Comparativo da Função de Perda Combo Loss para Segmentação de Endometriose Profunda em Ressonância Magnética Utilizando DeepLabv3

• 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.2026.20836

Resumo

A endometriose é uma doença inflamatória que afeta 10% da população do sexo feminino globalmente, podendo causar desde sangramentos e dor até infertilidade. O diagnóstico da endometriose é um processo demorado e custoso para o clínico. O diagnóstico por exames de imagem vem se tornando o padrão, âmbito onde a ressonância magnética (RM) se destaca. Utilizando técnicas de processamento de imagens aliadas ao aprendizado de máquina é possível construir algoritmos para auxílio na localização das lesões, funcionando como ferramentas de auxílio ao médico. Este trabalho busca realizar um estudo em diferentes estratégias para segmentar essas lesões em imagens de RM.

Referências

Allaire, C., Bedaiwy, M. A., and Yong, P. J. (2023). Diagnosis and management of endometriosis. Cmaj, 195(10):E363–E371.

Asgari Taghanaki, S., Zheng, Y., Zhou, S. K., Georgescu, B., Sharma, P., Xu, D., Comaniciu, D., and Hamarneh, G. (2018). Combo loss: Handling input and output imbalance in multi-organ segmentation. arXiv e-prints, pages arXiv–1805.

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.

Chen, L.-C., Papandreou, G., Schroff, F., and Adam, H. (2017). Rethinking atrous convolution for semantic image segmentation.

De Corte, P., Klinghardt, M., von Stockum, S., and Heinemann, K. (2025). Time to diagnose endometriosis: Current status, challenges and regional characteristics—a systematic literature review. BJOG: An International Journal of Obstetrics & Gynaecology, 132(2):118–130.

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.

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

Howard, A., Sandler, M., Chu, G., Chen, L.-C., Chen, B., Tan, M., Wang, W., Zhu, Y., Pang, R., Vasudevan, V., Le, Q. V., and Adam, H. (2019). Searching for mobilenetv3.

Leyland, N., Casper, R., Laberge, P., Singh, S. S., Allen, L., Arendas, K., Leyland, N., Allaire, C., Awadalla, A., Best, C., et al. (2010). Endometriosis: diagnosis and management. Journal of Endometriosis, 2(3):107–134.

Liang, X., Alpuing Radilla, L. A., Khalaj, K., Dawoodally, H., Mokashi, C., Guan, X., Roberts, K. E., Sheth, S. A., Tammisetti, V. S., and Giancardo, L. (2025). A multi-modal pelvic mri dataset for deep learning-based pelvic organ segmentation in endometriosis. Scientific Data, 12(1):1292.

Moassefi, M., Faghani, S., Colak, C., Sheedy, S. P., Andrieu, P. L. C., Wang, S. S., McPhedran, R. L., Flicek, K. T., Suman, G., Takahashi, H., et al. (2025). Advancing endometriosis detection in daily practice: a deep learning-enhanced multi-sequence mri analytical model. Abdominal Radiology, pages 1–12.

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.

Oktay, O., Schlemper, J., Folgoc, L. 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.

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.

Si, H., Shi, Z., Hu, X., Wang, Y., and Yang, C. (2020). Image semantic segmentation based on improved deeplab v3 model. International Journal of Modelling, Identification and Control, 36(2):116–125.

Tsang, S.-H. Review: DeepLabv3-Atrous Separable Convolution (Semantic Segmentation) — sh-tsang.medium.com. [Accessed 13-01-2026].