Segmentação de gorduras cardíacas utilizando uma rede generativa adversaria condicional
Resumo
Nos ultimos anos, estudos têm apontado que o aumento da quantidade de gordura que envolve o coração foi associado a maior risco para o desencadeamento de algumas doenças cardiovasculares, como a fibrilação atrial e a doença coronariana. A segmentação manual dessas gorduras não tem sido amplamente implantada na pratica clínica devido a carga de trabalho humana necessária e ao alto custo de médicos e técnicos. Portanto, a necessidade de realizar analises quantitativas de forma mais precisa e mais rápida em exames com muitas informações têm impulsionado o desenvolvimento de novos métodos computacionais para a segmentação de orgãos. Neste trabalho, foi proposto um novo metodo unificado para a segmentação e quantificação autônoma de dois tipos de gorduras cardíacas, utilizando a rede pix2pix, uma rede generativa adversaria condicional criada idealmente para realizar a traducão de imagem para imagem. As gorduras segmentadas sao denominadas epicardica e mediastinal e ficam separadas umas das outras pelo pericardio. Resultados experimentais da metodologia proposta mostraram que a acuracia média em relacão às gorduras epicardicas e mediastinais é de 99,08%, com uma taxa média positiva verdadeira de 99,34%. Os índices de similaridade foram, em media, de 99,28% e 98,59%, para o F1 score e IoU, respectivamente.
Referências
GALVÃO, P. B. d. A. Tecnologia e medicina: imagens médicas e a relação médico-paciente. Revista Biomedica, v. 8, 2000. Disponível em: [link].
ISOLA, P. et al. Image-to-image translation with conditional adversarial networks. CoRR, 2017. Disponível em:<http://arxiv.org/abs/1611.07004>.
KAZEMI, A. et al. Automated segmentation of cardiac fats based on extraction of textual features from non-contrast ct images. In: 2020 25th International Computer Confe rence, Computer Society of Iran (CSICC). [S.l.: s.n.], 2020. p. 1–7
LI, Z.; ZOU, L.; YANG, R. A neural network-based method for automatic pericardium segmentation. In: Proceedings of the 2nd International Conference on Computer Sci ence and Software Engineering. New York, NY, USA: Association for Computing Ma chinery, 2019. (CSSE 2019), p. 45–49. Disponível em: <https://doi.org/10.1145/3339363.3339372>.
POPESCU, D. et al. Retinal blood vessel segmentation using pix2pix gan. In: 2021 29th Mediterranean Conference on Control and Automation (MED). [S.l.: s.n.], 2021. p.1173–1178.
PRIYA, C.; SUDHA, S. Adaptive fruitfly based modified region growing algorithm for cardiac fat segmentation using optimal neural network. Journal of Medical Systems, v. 43, p. 1–13, 2019.
Rodrigues, É. O., Pinheiro, V. H. A., Liatsis, P., & Conci, A. (2017). Machine learning in the prediction of cardiac epicardial and mediastinal fat volumes. Computers in biology and medicine, 89, 520-529.
RODRIGUES, et al. A novel approach for the automated segmentation and volume quantification of cardiac fats on computed tomography. Computer Methods and Programs in Biomedicine, v. 123, p. 109–128, 2015. Disponível em: <https://www.sciencedirectcom/science/article/pii/S0169260715002448>.
RODRIGUES, et al. Cardiac Fat Database - Computed Tomography. 2015. Dis ponível em: <http://visual.ic.uff.br/en/cardio/ctfat/>. Acesso em: 17 de agosto de 2021.
SHAHZAD, R. et al. Automatic quantification of epicardial fat volume on non-enhanced cardiac ct scans using a multi-atlas segmentation approach. Medical Physics, v. 40, n. 9, 2013. Disponível em: [link].
TORRES, A. S. A. Segmentação de Imagens Médicas Visando a Construção de Modelos Médicos . Dissertação (Mestrado em Tecnologia Biomédica) — Escola Superior de Tecnologia e Gestão, Instituto Politécnico de Bragança, Bragança, 2012.
ZHANG, Q. et al. Automatic epicardial fat segmentation and quantification of ct scans using dual u-nets with a morphological processing layer. IEEE Access, v. 8, p. 128032–128041, 2020.
ZIAEE, A. Pix2Pix-for-Semantic-Segmentation-of-Satellite Images. 2020. Disponível em: [link]. Acesso em: 17 de agosto de 2021.
