Estudo aprofundado sobre segmentação de imagens para diagnóstico de pacientes cirróticos e não-cirróticos: uma análise tridimensional utilizando CNN

Abstract

Este trabalho aborda o processamento digital de imagens de Tomografia Computadorizada (TC) para a classificação de pacientes com cirrose hepática e outros sem a doença. O estudo propõe uma metodologia que envolve duas etapas principais: o processamento digital de imagens e a segmentação de regiões de interesse, seguida pela aplicação de uma rede neural para a classificação dos dados. Inicialmente, as imagens de TC são pré-processadas para remover ruídos e melhorar a qualidade das imagens, utilizando técnicas de filtragem e normalização. A seguir, é realizada a segmentação das regiões hepáticas, destacando as áreas relevantes para o diagnóstico da cirrose, como a superfície e o contorno do fígado e baço. A segmentação é executada com o auxílio do software 3D Slicer, utilizando segmentação por região. Após a segmentação, as imagens são rotuladas e utilizadas como entrada para uma CNN-3D, sendo utilizada a técnica de Data Augmentation e redimensionamento, sendo treinada para classificar as imagens entre dados normais e anormais. Os resultados obtidos mostram que o modelo foi capaz de classificar corretamente as imagens de TC, possuindo uma acurácia de 100% no conjunto de treino, 95% no conjunto de validação e 100% no conjunto de teste, apresentando um desempenho significativo. A aplicação de redes neurais, combinada com técnicas de processamento de imagem e segmentação, demonstrou ser uma abordagem eficaz para auxiliar no diagnóstico automático de cirrose hepática a partir de imagens médicas. Este estudo mostra que a combinação de processamento digital de imagens, segmentação e redes neurais pode melhorar significativamente a precisão e a eficiência na detecção de objetos de interesse e classificação de dados.

This work addresses the digital processing of Computed Tomography (CT) images for classifying patients with hepatic cirrhosis and those without the disease. The study proposes a methodology comprising two main stages: digital image processing and the segmentation of regions of interest, followed by the application of a neural network for data classification. Initially, the CT images are preprocessed to remove noise and enhance image quality using filtering and normalization techniques. Next, the hepatic regions are segmented, highlighting relevant areas for cirrhosis diagnosis, such as the surface and contours of the liver and spleen. Segmentation is performed using the 3D Slicer software, employing region-based segmentation. After segmentation, the images are labeled and used as input for a 3D-CNN, with data augmentation and resizing techniques applied. The model was trained to classify the images as normal or abnormal. The results show that the model successfully classified the CT images, achieving 100% accuracy on the training set, 95% on the validation set, and 100% on the test set, demonstrating significant performance. The application of neural networks, combined with image processing and segmentation techniques, proved to be an effective approach for assisting in the automatic diagnosis of hepatic cirrhosis from medical images. This study highlights that combining digital image processing, segmentation, and neural networks can significantly improve the accuracy and efficiency in detecting objects of interest and classifying data.