Aplicação de Redes Neurais Totalmente Convolucionais na Segmentação Semântica de Imagens Médicas

Resumo

A tarefa de segmentação de imagens médicas pode ser realizada de maneira inteiramente automática, ou alternativamente, por meio de mecanismos interativos [3]. Na abordagem automática, o modelo é projetado para interpretar os dados da imagem de forma independente, agrupando pixels com base em critérios de similaridade, como proximidade espacial ou intensidade de cores. Esses métodos fazem uso de algoritmos capazes de detectar padrões ou características-alvo específicas, aplicando funções matemáticas que analisam gradientes, bordas, texturas, ou outras características que possibilitam distinguir as regiões da imagem. As chamadas Redes Neurais Totalmente Convolucionais (do inglês, Fully Neural Networks – FCNs) têm se mostrado uma abordagem efetiva em aplicações envolvendo a segmentação semântica de imagens médicas. Ao eliminar a necessidade de camadas densamente conectadas, as redes FCNs permitem o mapeamento direto dos pixels de entrada para a partição de saída, oferecendo maior eficiência em comparação com outras arquiteturas de Redes Neurais Convolucionais [1]. As FCNs tem sido amplamente empregadas para diferentes fins, incluindo sensoriamento remoto e análise biomédica, e a evolução dessas redes tem levado ao desenvolvimento de modelos mais refinados, como a rede U-Net [2], projetada para segmentação biomédica, e a DeepLabv3+ [2], desenvolvida para tarefas gerais de segmentação semântica, incorporando convoluções para melhorar a captação de diferentes níveis de contexto. Considerando a importância das FCNs no contexto de segmentação, este estudo investigou o desempenho de diferentes arquiteturas FCNs aplicadas à segmentação semântica de imagens médicas. Para esse propósito, foi empregada a base de dados Lung Segmentation [4], e analisadas três arquiteturas: a U-Net, a rede DeepLabv3+, e uma FCN genérica, constituída por uma arquitetura em U, filtros de convoluções e operações de max pooling no processo de encoder, e convoluções transpostas no processo de decoder. Além disso, a referida rede contou com 512 filtros convolucionais em sua camada mais profunda, com intuito de comparar sua performance em termos de acurácia e eficiência computacional em um contexto de segmentação binária. A topologia implementada nas três redes é similar: todas utilizam as funções de ativação ReLU em suas camadas convolucionais, e por se tratar de um problema binário, a função Sigmoid em suas camadas de saída, com o diferencial que a DeepLabv3+ conta também com o módulo Atrous Spatial Pyramid Pooling (ASPP) [2] para capturar informações em múltiplas escalas via convoluções dilatadas. A metodologia adotada consistiu no treinamento integral das redes descritas acima, sem a utilização de pesos pré-treinados, utilizando o mesmo conjunto de 704 imagens de raio-X disponíveis na base Lung Segmentation com suas respectivas máscaras binárias de referência. As imagens e máscaras foram redimensionadas para a resolução de 256×256 pixels e, para a divisão do conjunto de dados, adotou-se 80% das amostras para o treinamento e 20% para a validação. [...]