Analisando Redes Neurais HRNet para Segmentação de Rins e Tumores em Imagens de Tomografia Computadorizada

Abstract

O câncer de rim está entre os 10 cânceres mais comuns em homens e mulheres e, segundo a GLOBOCAN (Global Cancer Observatory), apresenta uma taxa de mortalidade de 54% no Brasil. Um diagnóstico precoce é primordial para um melhor prognóstico dessa doença e os exames de imagem são fundamentais no diagnóstico deste tipo de tumor. A interpretação dessas imagens é um processo manual que depende na observação e experiência do profissional, portanto, técnicas computacionais de automatização desse processo se apresentam como uma alternativa para contribuir para diagnóstico precoce do câncer de rim. Nos últimos anos a rede neural convolucional HRNet vem recebendo atenção crescente na segmentação semântica devido ao seu alto desempenho. Portanto, o objetivo deste trabalho consiste em avaliar o desempenho de redes neurais profundas HRNet no contexto de segmentação de imagens de tomografia computadorizada de pacientes com tumores renais. Serão utilizadas técnicas de otimização para avaliar modelos de redes neurais convolucionais e o dataset consiste no conjunto de imagens do repositório KiTS19. O modelo proposto conseguiu alcançar Dice score de 91,4% e 70,3% para a segmentação do rim e tumor, respectivamente.