Uma proposta de metodologia para segmentação semântica de pólipos em imagens de colonoscopia

Abstract

Resumo: O câncer de cólon e reto é o quarto tipo de câncer mais comum no Brasil e resulta do desenvolvimento descontrolado de células no intestino grosso que formam um tumor maligno e, se não tratado, se espalha para outras partes do corpo, possivelmente causando a morte. No ano de 2021, no Brasil, ele foi responsável por 21.260 óbitos. As chances de cura dessa doença são muito maiores no estágio inicial e, portanto, o diagnóstico precoce é muito importante. O diagnóstico é realizado a partir da biópsia de lesões suspeitas encontradas no intestino grosso, pois o câncer normalmente se desenvolve a partir delas. O principal exemplo destas lesões são os pólipos. A detecção de lesões geralmente ocorre através da colonoscopia, um exame que permite visualizar o interior do cólon através da introdução de um endoscópio. Além de avaliada durante o exame, a colonoscopia pode ser gravada para análise posterior. Em ambos os casos, é possível aplicar sistemas computacionais de auxílio na detecção (CADe) de indícios de doença, como é o caso dos pólipos. Este trabalho propõe uma metodologia utilizando redes neurais artificiais para separar as regiões de imagens de colonoscopia ocupadas por pólipos do restante da imagem. Esta tarefa é conhecida como segmentação semântica de pólipos em imagens de colonoscopia e possui múltiplas bases de imagens dedicadas para permitir o desenvolvimento e avaliação de soluções para ela. A metodologia proposta foi aplicada e testada em uma destas bases, a Kvasir-SEG, alcançando 93,37% de coeficiente de Dice, 88,91% de índice de Jaccard, 94,41% de precisão e 93,96% de revocação.__Abstract: Colon and rectal cancer is the fourth most common type of cancer in Brazil, and results from the uncontrolled development of cells in the large intestine that form a malign tumor and, if untreated, can spread to other parts of the body, possibly causing death. In 2021, in Brazil, it was responsible for 21,260 deaths. The chance of curing this disease are much higher in the early stages and, therefore, early diagnosis is very important. This diagnosis is performed with the biopsy of suspicious lesions found in the large intestine, as the cancer usually develops from them. The main example of these are the polyps. Lesion detection is normally done through colonoscopy, a medical exam that allows internal visualization of the colon by introducing an endoscope. Besides being evaluated during the procedure, this footage can be recorded for later analysis. In both cases, it is possible to apply computer systems to assist in detection (CADe) of signs of disease, as is the case for polyps. This work proposes a methodology using artificial neural networks to separate colonoscopy image regions occupied by polyps from the rest of the image. This task is known as semantic polyp segmentation in colonoscopy images and features multiple image datasets created specifically to allow development and evaluation of solutions to it. The proposed methodology was applied and tested in one of these datasets, the Kvasir-SEG dataset, attaining 93.37% Dice coefficient, 88.91% Jaccard index, 94.41% precision and 93.96% recall.