Segmentação do Pâncreas em Tomografia Computadorizada com Ensemble Guiado por Atlas e Backbone Swin Transformer

• Felipe R. S. Teles UFMA
• Neilson P. Ribeiro UFMA/ IFMA
• Celso L. S. Soares Filho UFMA
• Luana B. da Cruz UFCA
• João O. B. Diniz UFMA / IFMA
• Geraldo B. Júnior UFMA
• Anselmo C. de Paiva UFMA

DOI: https://doi.org/10.5753/sbcas.2026.21333

Resumo

A segmentação automática do pâncreas em Tomografias Computadorizadas abdominais é uma tarefa desafiadora devido à variabilidade anatômica e ao baixo contraste do órgão. Este trabalho propõe um método baseado em aprendizado profundo estruturado em três etapas: (1) filtragem de fatias irrelevantes com uma Rede Neural Convolucional, (2) detecção da região de interesse via atlas probabilístico e (3) segmentação final utilizando um ensemble de redes convolucionais e baseadas em Transformer. Os experimentos alcançam uma pontuação média de Dice de 78,55%. Os resultados demonstram desempenho competitivo em relação a métodos recentes de segmentação do pâncreas, combinando pré-processamento e técnicas robustas de aprendizado profundo.

Referências

Antonelli, M., Reinke, A., Bakas, S., Farahani, K., Kopp-Schneider, A., Landman, B. A., Litjens, G., Menze, B., Ronneberger, O., Summers, R. M., et al. (2022). The medical segmentation decathlon. Nature communications, 13(1):4128.

Bray, F., Laversanne, M., Sung, H., Ferlay, J., Siegel, R. L., Soerjomataram, I., and Jemal, A. (2024). Global cancer statistics 2022: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: a cancer journal for clinicians, 74(3):229–263.

Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., and Zagoruyko, S. (2020). Hierarchical vision transformer using shifted windows. In European Conference on Computer Vision (ECCV), volume 2.

Chen, L.-C., Papandreou, G., Schroff, F., and Adam, H. (2017). Rethinking atrous convolution for semantic image segmentation. arXiv preprint arXiv:1706.05587.

Daniel, N., Farinella, R., Chatziioannou, A. C., Jenab, M., Mayén, A.-L., Rizzato, C., Belluomini, F., Canzian, F., Tavanti, A., Keski-Rahkonen, P., et al. (2024). Genetically predicted gut bacteria, circulating bacteria-associated metabolites and pancreatic ductal adenocarcinoma: a mendelian randomisation study. Scientific Reports, 14(1):25144.

Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). Imagenet: A large-scale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition, pages 248–255.

Diniz, J. O., Ferreira, J. L., da Silva, G. L., Quintanilha, D. B., Silva, A. C., and Paiva, A. (2021). Segmentação de coração em tomografias computadorizadas utilizando atlas probabilístico e redes neurais convolucionais. In Anais do XXI Simpósio Brasileiro de Computação Aplicada à Saúde, pages 83–94. SBC.

Fernandes, A. G. S., Braz Junior, G., Diniz, J. O. B., Silva, A. C., and Matos, C. E. F. (2023). Efficientdeeplab for automated trachea segmentation on medical images. In Brazilian Conference on Intelligent Systems, pages 154–166. Springer.

Ferrara, N., Andria, G., Scarpetta, M., Lanzolla, A. M. L., Attivissimo, F., Di Nisio, A., and Ramos, D. (2024). 2d and 2.5 d pancreas and tumor segmentation in heterogeneous ct images of pdac patients. In 2024 IEEE International Symposium on Medical Measurements and Applications (MeMeA), pages 1–5. IEEE.

He, K., Zhang, X., Ren, S., and Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 770–778.

Junior, D. A. D., da Cruz, L. B., and Diniz, J. O. (2024). Classificação da camada lipídica do filme lacrimal usando k-means e deep learning. In Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS), pages 1–12. SBC.

Juwita, J., Hassan, G. M., and Datta, A. (2025). Pancreas segmentation in ct scans: A novel momunet based workflow. Computers in Biology and Medicine, 193:110346.

Kurnaz, E., Ceylan, R., Bozkurt, M. A., Cebeci, H., and Koplay, M. (2024). A novel deep learning model for pancreas segmentation: Pascal u-net. Inteligencia Artificial, 27(74):22–36.

LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324.

Li, J., Lin, X., Che, H., Li, H., and Qian, X. (2021). Pancreas segmentation with probabilistic map guided bi-directional recurrent unet. Physics in Medicine & Biology, 66(11):115010.

Naderalvojoud, B. and Hernandez-Boussard, T. (2024). Improving machine learning with ensemble learning on observational healthcare data. In AMIA Annual Symposium Proceedings, volume 2023, page 521.

Neto, C. M. S., Silva, A. L., Pessoa, A. C., Quintanilha, D. B., de Almeida, J. D., Junior, G. B., and Diniz, J. O. (2024). Diagnóstico de tuberculose em imagens de radiografia utilizando cvt. In Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS), pages 342–353. SBC.

Silva, G., Oliveira, F., Diniz, J., Diniz, P., Quintanilha, D., Silva, A., Paiva, A., and Cavalcanti, E. (2021). An automatic method for prostate segmentation on 3d mri scans using local phylogenetic indexes and xgboost. In Anais do XXI Simpósio Brasileiro de Computação Aplicada à Saúde, pages 165–176, Porto Alegre, RS, Brasil. SBC.

Teles, F. R., Ribeiro, N. P., da Cruz, L. B., Júnior, G. B., de Paiva, A. C., Diniz, J. O., and Cortes, O. A. (2025). Atlas-guided u-net++ with efficientnetb5 for automatic pancreas segmentation in abdominal ct scans. In Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS), pages 104–115. SBC.

Tsewalo Tondji, I. C., Scapicchio, C., Lizzi, F., Fantacci, M. E., Oliva, P., and Retico, A. (2025). Deep learning model with attention mechanism for a 3d pancreas segmentation in ct scans. Mathematics, 13(24):3942.

Vaswani, A. (2017). Attention is all you need. Advances in Neural Information Processing Systems.

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.

Zhou, Z., Rahman Siddiquee, M. M., Tajbakhsh, N., and Liang, J. (2018). Unet++: A nested u-net architecture for medical image segmentation. In Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support: 4th International Workshop, DLMIA 2018, and 8th International Workshop, ML-CDS 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, September 20, 2018, Proceedings 4, pages 3–11. Springer.

Zhu, Y., Hu, P., Li, X., Tian, Y., Bai, X., Liang, T., and Li, J. (2023). An end-to-end data-adaptive pancreas segmentation system with an image quality control toolbox. Journal of Healthcare Engineering, 2023(1):3617318.