Segmentação automática de lesões no cérebro em imagens de ressonância magnética usando SLIC e Auxiliary Classifier Generative Adversarial Networks

Abstract

O câncer de cérebro é uma doença agressiva e com tempo de sobrevida de até dois anos. Por estar localizada em um órgão tão sensível, o tratamento é difícil e as vezes requer intervenção cirúrgica. Atualmente o padrão para detecção da doença é a imagem de Ressonância Magnética (RM) que, usando um forte campo magnético, conseguem detalhar a anatomia dos tecidos. Após a aquisição das imagens o especialista avalia fatia por fatia em busca de anomalias no exame. Essa análise é demorada e apresenta divergências entre os especialistas. Dessa forma, esse trabalho propõe um método de segmentação da região de lesão em imagens de RM, fornecendo uma segunda opinião ao avaliador. São usadas as imagens de ressonância magnética da base Multimodal Brain Tumor Image Segmentation Benchmark (BRATS) composta por 220 pacientes, todas com lesão. Essas imagens são pré-processadas com objetivo de normalizar as fatias para um mesmo padrão, em seguida são extraídas áreas resultantes do algoritmo de agrupamento Simple Linear Iterative Clustering (SLIC). Para a classificação em lesão e tecido saudável são comparados os resultados de duas redes neurais, a Convolutional Neural Networks (CNN) e a Auxiliary Classifier Generative Adversarial Networks (ACGAN). Para um conjunto de treino de 60 exames e 10 de teste, os melhores resultados obtidos foram com a rede adversária com uma precisão de 0.60, sensibilidade de 0.72, Índice Dice de 0.65 e Índice de Jaccard de 0.48.