Conjunto de aprendizagem profunda em múltiplas escalas para segmentação de lesões endometrióticas

Resumo O ultrassom é uma triagem amplamente disponível, não invasiva e de baixo custo para a identificação de lesões de endometriose, mas sua especificidade diagnóstica depende fortemente da experiência do operador. Por essa razão, ferramentas de diagnóstico auxiliadas por computador baseadas em técnicas de Inteligência Artificial podem fornecer ajuda significativa à equipe clínica, tanto em termos de redução da carga de trabalho quanto no aumento da precisão geral desse tipo de exame e seu resultado. No entanto, embora essas técnicas estejam se espalhando rapidamente em uma variedade de domínios, sua aplicação à endometriose ainda é muito limitada. Para preencher essa lacuna, propomos e avaliamos uma nova abordagem de conjunto em múltiplas escalas para a segmentação automática de lesões de endometriose a partir de ultrassons transvaginais. A peculiaridade do método reside em sua alta capacidade de discriminação, obtida ao combinar, de maneira de fusão, múltiplas Redes Neurais Convolucionais treinadas em dados de diferentes granularidades. A validação experimental realizada mostra que: (i) o método proposto permite melhorar significativamente o desempenho das redes neurais individuais, mesmo na presença de um conjunto de treinamento limitado; (ii) com um coeficiente de Dice de 82%, representa uma solução válida para aumentar a eficácia diagnóstica do exame de ultrassom contra tal patologia.