Segmentação Multiclasse de Tecidos Hepáticos com Ênfase em Região Peritumoral para Apoio ao Planejamento Radioterápico

Vol 57, 2025 - 339891
Pôster
Favoritar este trabalho
Como citar esse trabalho?
Resumo

O planejamento radioterápico pode ser interpretado como um problema de otimização, no qual a definição precisa das regiões anatômicas influencia diretamente a distribuição de dose. Nesse contexto, a segmentação de imagens médicas desempenha papel fundamental, pois fornece os principais parâmetros para modelos de decisão e otimização.

Este trabalho propõe um modelo de segmentação multiclasse baseado em redes neurais convolucionais (U-Net) aplicado a imagens de tomografia computadorizada, considerando não apenas fígado e tumor, mas também uma classe adicional de tecido adjacente peritumoral. A inclusão dessa região visa capturar zonas de transição frequentemente negligenciadas, mas potencialmente relevantes para o planejamento terapêutico.

O modelo foi treinado em dados derivados do desafio LiTS (Liver Tumor Segmentation Challenge), utilizando imagens bidimensionais no plano axial. Para lidar com o desbalanceamento entre classes, foi empregada uma função de perda ponderada. A avaliação foi realizada por meio de métricas clássicas de segmentação, como coeficiente de Dice, precisão, recall e F1-score.

Os resultados indicaram alto desempenho para tecidos saudáveis e tumorais do fígado, com coeficientes de Dice superiores a 0,95. A classe de tecidos adjacentes ao tumor apresentou maior variabilidade, refletindo a complexidade associada à definição de regiões de transição. Ainda assim, o modelo foi capaz de identificar padrões espaciais consistentes nessas regiões.

Do ponto de vista da Pesquisa Operacional, a principal contribuição do trabalho está na melhoria da qualidade das informações utilizadas como dados paramétricos para modelos de otimização para planejamento ótimo da radioterapia. A modelagem explícita de regiões adjacentes pode contribuir para uma representação mais realista das zonas de interesse, favorecendo abordagens mais robustas em suporte à decisão.

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Instituições
  • 1 IB, UNESP, Botucatu SP
  • 2 Universidade Estadual de Campinas (UNICAMP)
  • 3 Universidade Eduardo Mondlane
Eixo Temático
  • PO&IA – Pesquisa Operacional com Inteligência Artificial
Palavras-chave
Segmentação de Imagem
Radioterapia
Otimização
Deep Learning