Detecção e classificação de discos intervertebrais lombares com novos modelos de aprendizado profundo

A dor lombar (LBP) é um problema spinal prevalente, afetando oito em cada dez indivíduos. Notavelmente, anomalias nos discos intervertebrais lombares (IVD) frequentemente contribuem para a LBP. Para diagnosticar a LBP, a Imagem por Ressonância Magnética (IRM) é crucial para obter imagens detalhadas da coluna. Este artigo utiliza aprendizado profundo (DL) para detectar e localizar IVD lombares em imagens de IRM sagitais. Ele classifica ainda os IVDs lombares como saudáveis ou herniados, utilizando modelos de rede neural convolucional (CNN) novos e convencionais. O conjunto de dados utilizado compreende imagens de IRM de 32 pacientes, com 10 apresentando discos saudáveis e os restantes 22 apresentando uma mistura de discos saudáveis e herniados, totalizando 160 discos lombares, incorporando 112 saudáveis e 48 herniados. Neste estudo, a arquitetura ResNet-50 no modelo de Detecção de IVD Lombar Novo (NLID) serviu como extrator de características para segmentar os cinco IVDs lombares a partir de imagens de IRM. As características extraídas da ResNet-50 foram inseridas no YOLOv2 para a identificação da região de interesse (ROI). Os resultados indicam que o desempenho ideal foi alcançado na 22ª camada de ativação da Unidade Linear Retificada (ReLU), apresentando uma impressionante precisão média de 99,59%, um F1-score de 97,22%, uma precisão de 94,59% e um recall perfeito de 100%. Este desempenho notável manteve-se consistentemente acima do limiar de 85% até a 22ª camada de ativação ReLU. No que diz respeito à classificação de conjuntos de dados desequilibrados, a AlexNet destacou-se como a líder entre outras redes pré-treinadas, exibindo a maior precisão de teste de 90,63% e um impressionante F1 score de 88,77%. Enquanto isso, o modelo de Classificação de IVD Lombar Novo (NLIC) alcançou resultados superiores com 93,75% de precisão de teste e 92,27% de F1-score. No cenário do conjunto de dados equilibrado, NLIC obteve 96,88% de precisão de teste e 96,46% de F1-score com menos épocas comparado à AlexNet, afirmando a robustez da nova rede treinada do zero. Esses achados ressaltam distintamente a eficácia das CNNs tanto na segmentação quanto na classificação de imagens médicas.