Generalização de Modelos de Aprendizado Profundo na Segmentação de Tumores Cerebrais

A segmentação de tumores cerebrais é uma tarefa difícil e demorada a ser realizada no processo de planejamento da radioterapia. As aplicações de Aprendizado Profundo (DL) têm uma melhoria significativa nas tarefas de segmentação de imagens. Neste trabalho, aplicamos modelos de DL, como U-NET 2D e 2.5D, à tarefa de segmentação de um tumor cerebral no conjunto de dados BraTS 2021 e no nosso conjunto de dados local. A rede 2.5D é uma versão modificada do U-NET 2D usando três fatias como entrada para cada sequência de imagem por ressonância magnética (MRI). Conseguimos os melhores resultados de segmentação com o U-NET 2.5D no BraTS, com escores de Dice de 86,97%, 91,27% e 94,42% para tumor em realce, núcleo do tumor e tumor inteiro, respectivamente. Por outro lado, nosso melhor resultado de segmentação da delineação do GTV no conjunto de dados local é um escore de Dice de 78,51% para o U-NET 2D. Embora o resultado dos contornos do GTV não seja melhorado pelo 2.5D para o conjunto de dados local devido ao tamanho dos voxels não fixo, os escores de Dice de ET, TC e WT são melhorados pelo proposto U-NET 2.5D para o conjunto de dados BraTS.