Redes neurais convolucionais para segmentação de tumores cerebrais

A introdução da análise quantitativa de imagens deu origem a campos como a radiômica, que têm sido usados para prever sequelas clínicas. Uma área de interesse crescente para análise são os tumores cerebrais, em particular o glioblastoma multiforme (GBM). A segmentação de tumores é um passo importante no processo de análise desta patologia. A segmentação manual é muitas vezes inconsistente, pois varia entre os observadores. A segmentação automatizada foi proposta para combater esse problema. Metodologias como redes neurais convolucionais (CNNs), que são pipelines de aprendizado de máquina modelados no processo biológico de neurônios (chamados de nós) e sinapses (conexões), têm gerado interesse na literatura. Investigamos o papel das CNNs na segmentação de tumores cerebrais, inicialmente fazendo uma análise educacional das CNNs e realizando uma busca na literatura para determinar um exemplo de pipeline para segmentação. Em seguida, investigamos o uso futuro das CNNs explorando um novo campo - radiômica. Isso examina características quantitativas de tumores cerebrais, como forma, textura e intensidade de sinal, para prever desfechos clínicos, como sobrevivência e resposta à terapia.