Avaliação comparativa de modelos CNNs para segmentação de tumores encefálicos: aplicabilidade de ferramentas XAI

Abstract

A detecção manual de tumores encefálicos é um processo complexo, demorado e sujeito a imprecisões diagnósticas. Com o avanço das inteligências artificiais, modelos de aprendizado profundo baseados em Redes Neurais Convolucionais têm demonstrado alta eficiência na segmentação e delimitação de tumores em imagens de ressonância magnética, contribuindo para maior acurácia diagnóstica e redução de erros. Neste trabalho, realizamos uma análise comparativa entre três modelos de segmentação semântica amplamente utilizados—SCU-Net_VGG16_HDC, ResNet50_UNet e VGG19-UNet—avaliando seu desempenho na segmentação e delimitação de bordas de tumores encefálicos. A avaliação foi conduzida por meio de métricas padrão (Dice, Precision, Recall e F1-score), da função de perda ponderada Weighted Tversky Loss, de otimizações via OPTUNA e da utilização de técnicas de Inteligência Artificial Explicável baseadas no método SHAP. Os três modelos apresentaram alto desempenho, com variações sutis decorrentes dos ajustes de hiperparâmetros. A inclusão da ferramenta explicativa aumentou a confiabilidade dos resultados ao evidenciar as regiões de maior relevância para as decisões dos modelos. Entre eles, o ResNet50_UNet obteve desempenho ligeiramente superior, embora as diferenças sejam pequenas e sem impacto clínico significativo.

Manual detection of brain tumors is a complex, time-consuming process subject to diagnostic inaccuracies. With the advancement of artificial intelligence, deep learning models based on Convolutional Neural Networks have demonstrated high efficiency in segmenting and delineating tumors in magnetic resonance imaging, contributing to greater diagnostic accuracy and error reduction. In this work, we performed a comparative analysis between three widely used semantic segmentation models—SCU-Net_VGG16_HDC, ResNet50_UNet, and VGG19-UNet—evaluating their performance in segmenting and delineating the edges of brain tumors. The evaluation was conducted using standard metrics (Dice, Precision, Recall, and F1-score), the Weighted Tversky Loss function, optimizations via OPTUNA, and the use of Explainable Artificial Intelligence techniques based on the SHAP method. All three models showed high performance, with subtle variations resulting from hyperparameter adjustments. The inclusion of the explanatory tool increased the reliability of the results by highlighting the regions of greatest relevance for the models' decisions. Among them, ResNet50_UNet performed slightly better, although the differences are small and without significant clinical impact.