A extração precisa das vias aéreas a partir de imagens de tomografia computadorizada (TC) dos pulmões é essencial para avaliar a função de ventilação pulmonar e diagnosticar doenças respiratórias. Os métodos tradicionais de segmentação das vias aéreas dependem fortemente da interação manual, limitando a precisão da segmentação. O aprendizado profundo foi amplamente aplicado no processamento de imagens médicas, especialmente na detecção de nódulos pulmonares e no diagnóstico de lesões benignas/maléficas. No entanto, sua aplicação na segmentação de vias aéreas em imagens de TC de pulmão enfrenta desafios devido ao ruído da imagem e à variação nas densidades dos tecidos, dificultando a segmentação de vias aéreas finas. As imagens originais de TC contêm regiões não relevantes, como ossos e leitos, aumentando a sobrecarga de processamento e as taxas de erro. Para abordar essas questões, este artigo propõe um método de segmentação de vias aéreas baseado em Attention-Unet, utilizando uma estratégia de processamento em etapas para melhorar a representação estrutural. Resultados experimentais demonstram que a aplicação da rede Attention-Unet à segmentação de vias aéreas em imagens de TC de pulmão melhora significativamente a velocidade e a precisão da segmentação, enquanto reduz efetivamente o vazamento.
Merwood et al. (Terça,) estudaram esta questão.