Híbrido Multihead Attentive Unet-3D para Segmentação de Tumores Cerebrais

A segmentação de tumores cerebrais é uma tarefa crítica na análise de imagens médicas, auxiliando no diagnóstico e no planejamento do tratamento de pacientes com tumores cerebrais. A importância da segmentação automatizada e precisa de tumores cerebrais não pode ser subestimada. Isso permite que os profissionais de saúde delimitem com precisão as regiões tumorais, avaliem o crescimento ou regressão do tumor e planejem tratamentos direcionados. Várias técnicas baseadas em aprendizado profundo propostas na literatura avançaram significativamente neste campo; no entanto, ainda enfrentam limitações em termos de precisão devido à complexidade e à natureza variável da morfologia dos tumores cerebrais. Neste artigo de pesquisa, propomos uma nova arquitetura Híbrida Multihead Attentive U-Net, para abordar os desafios na segmentação precisa de tumores cerebrais e capturar relacionamentos espaciais complexos e sutis limites tumorais. A arquitetura U-Net provou ser eficaz na captura de informações contextuais e representações de características, enquanto os mecanismos de atenção aprimoram a capacidade do modelo de se concentrar em regiões informativas e refinar os limites de segmentação. Ao integrar esses dois componentes, nossa arquitetura proposta melhora a precisão na segmentação de tumores cerebrais. Testamos nosso modelo proposto no conjunto de dados de referência BraTS 2020 e comparamos seu desempenho com as arquiteturas de ponta bem conhecidas SegNet, FCN-8s e Dense121 U-Net. Os resultados mostram que nosso modelo proposto supera os outros em termos das métricas de desempenho avaliadas.