O departamento CVIG, do Instituto CCG/ZGDV, tem vindo a juntar-se há vários anos à investigação na área da saúde, adquirindo, em particular, a capacidade de realizar processamento de imagens médicas através da aplicação de novas ferramentas de visão computacional e algoritmos de Deep Learning.
A segmentação de uma imagem é definida como o processo de dividi-la em múltiplas regiões que podem pertencer, ou não, à mesma classe. Tipicamente, os critérios para esta separação incluem cor, textura, forma ou outros fatores mais complexos. Nas últimas décadas, tem-se registado uma evolução significativa nesta área, principalmente com o advento de ferramentas baseadas em inteligência artificial, como as Redes Neuronais Profundas e os Transformers. Essas tecnologias substituíram métodos tradicionais de segmentação baseados em fator de forma, orientação da Bounding Box e Momentos de Hu. Tal progresso está diretamente ligado à evolução do hardware, com o surgimento de placas gráficas mais potentes e acessíveis.
A segmentação de imagens médicas, utilizando algoritmos de Deep Learning - uma subárea da inteligência artificial baseada em redes neurais artificiais - tornou-se essencial para a análise e diagnóstico. Modelos como a U-Net e suas variantes destacam-se pela capacidade de segmentação precisa.
Em medicina, a segmentação é utilizada na identificação de órgãos ou lesões em imagens de tomografia computadorizada (TAC), ressonância magnética ou microscópio. Este processo, altamente complexo, é tradicionalmente realizado por patologistas especializados. Métodos tradicionais enfrentam desafios como a falta de profissionais e a necessidade de alta precisão na interpretação, exigindo frequentemente a colaboração de mais de um especialista.
- Casos de uso na medicina
Segmentação de Tumores
Figura 1: Segmentação de tumor com MedSAM (https://github.com/bowang-lab/MedSAM)
A segmentação precisa de tumores é crucial para o planeamento e monitorização do tratamento oncológico. Modelos de Deep Learning, como redes convolucionais com mecanismos de atenção, aumentam a precisão ao delinear limites tumorais, mesmo em tecidos heterogéneos. Na figura 1, observa-se uma região tumoral segmentada.
Segmentação de Órgãos
Figura 2: Segmentação de órgãos usando U-Net (https://blog.dsacademy.com.br/segmentacao-de-imagens-medicas-com-deep-learning/)
A segmentação de órgãos é fundamental em aplicações clínicas, como análise volumétrica e avaliação de doenças. Modelos treinados em grandes datasets mostram a alta eficiência. Na figura 2, exemplifica-se a segmentação de órgãos em detalhes.
Segmentação Vascular
Figura 3: Segmentação Vascular (https://www.sciencedirect.com/science/article/pii/S1746809424003318)
A segmentação de vasos sanguíneos é vital para o entendimento de doenças vasculares. Arquiteturas especializadas, como o U-Net, capturam estruturas complexas de forma eficiente. Exemplos podem ser visualizados na Figura 3.
Segmentação Pulmonar
Figura 4: Segmentação de regiões onde está presente o cancro do pulmão (https://www.sciencedirect.com/science/article/pii/S1877050924009852).
No contexto de doenças como o cancro de pulmão e enfisema, os avanços em U-Nets permitiram localizar nódulos e determinar a gravidade das condições pulmonares com precisão, como mostrado na figura 4.
Segmentação Dermatológica
Figura 5: Segmentação de lesão dermatológica (https://www.sciencedirect.com/science/article/pii/S0010482522010290).
Em dermatologia, o Deep Learning aprimorou a segmentação de imagens cutâneas, possibilitando diagnósticos mais eficazes. Redes profundas como ResNets permitem uma alta precisão mesmo com dados limitados. A figura 5 ilustra uma lesão segmentada.
- Desafios e perspetivas
Apesar dos avanços, a segmentação enfrenta desafios como ruído, contraste inadequado e a necessidade de grandes datasets anotados por especialistas. Além disso, garantir a proteção de dados sensíveis é crucial. Para avançar, é essencial investir em modelos energeticamente eficientes, interpretáveis e generalizáveis, além de promover colaborações interdisciplinares. O desenvolvimento de recursos humanos também desempenha um papel crucial para superar essas barreiras.
Por: André Silva
Departamento CVIG - Investigador em visão computacional, processamento de imagem e inteligência artificial.
