Introdução: A segmentação precisa de nódulos pulmonares pequenos e irregulares continua sendo um desafio significativo no diagnóstico do câncer de pulmão, especialmente em fundos de imagem complexos. Modelos tradicionais de U-Net frequentemente têm dificuldade em capturar dependências de longo alcance e integrar características de múltiplas escalas, limitando sua eficácia em enfrentar esses desafios. Para superar essas limitações, este estudo propõe um modelo híbrido de U-Net aprimorado que integra múltiplos mecanismos de atenção para melhorar a representação de características e aumentar a precisão dos resultados de segmentação. Métodos: A avaliação do modelo proposto foi conduzida utilizando o conjunto de dados LUNA16, que contém tomografias computadorizadas anotadas de nódulos pulmonares. Vários mecanismos de atenção, incluindo Atenção Espacial (SA), Atenção de Canal Eficiente Dilation (Dilated ECA), Módulo de Atenção de Bloco Convolucional (CBAM) e Bloco de Squeeze-and-Excitation (SE), foram integrados a uma estrutura U-Net. Esses módulos foram combinados estrategicamente para aprimorar tanto as representações de características locais quanto globais. A arquitetura do modelo e os procedimentos de treinamento foram projetados para lidar com os desafios da segmentação de nódulos pulmonares pequenos e irregulares. Resultados: O modelo proposto alcançou um coeficiente de similaridade Dice de 84,30%, superando significativamente o modelo U-Net base. Este resultado demonstra uma precisão melhorada na segmentação de nódulos pulmonares pequenos e irregulares. Discussão: A integração de múltiplos mecanismos de atenção aprimora significativamente a capacidade do modelo de capturar tanto características locais quanto globais, abordando limitações chave das arquiteturas tradicionais de U-Net. SA preserva características espaciais para nódulos pequenos, enquanto o Dilated ECA captura dependências de longo alcance. CBAM e SE refinam ainda mais as representações de características. Juntos, esses módulos melhoram o desempenho da segmentação em fundos de imagem complexos. Uma limitação potencial é que o desempenho ainda pode ser restrito em casos com variabilidade anatômica extrema ou lesões de baixo contraste, sugerindo direções para pesquisas futuras. Conclusão: O modelo híbrido U-Net Aprimorado supera o U-Net tradicional, abordando efetivamente desafios na segmentação de nódulos pulmonares pequenos e irregulares em fundos de imagem complexos.
Aung et al. (Qui,) estudaram esta questão.