Mioma é uma condição ginecológica comum com crescimento anormal de tecido muscular e fibroso no útero. Comparado com a sonografia, a ressonância magnética (MRI) fornece informações mais detalhadas com uma melhor acurácia diagnóstica. No entanto, a interpretação das imagens depende da perspicácia e da experiência. A estratégia terapêutica do mioma pode ser diretamente afetada pela localização relativa e pelo tamanho no útero. Assim, este estudo teve como objetivo gerar uma modalidade objetiva padronizada na interpretação das imagens. O aprendizado profundo (DL) foi utilizado para treinar dois modelos usando imagens de MRI rotuladas por radiologistas: 1) Modelo Útero + Endométrio: segmentação do útero e endométrio; 2) Modelo Mioma: segmentação do mioma. Os miomas foram classificados com base em sua posição relativa no útero de acordo com os critérios da FIGO. Cada conjunto de sequência de imagens de MRI foi obtido a partir de seções sagitais do útero com intervalo de 5,5 mm de 30 fatias por caso. O conjunto de dados foi dividido em conjuntos de treino, validação e teste. O número de imagens foi inicialmente aumentado por meio de aumento de dados antes da implementação de um modelo de segmentação semântica DeepLabV3+. A entropia cruzada e a função Dice foram utilizadas para as funções de perda e avaliação, respectivamente. Os valores de Dice da segmentação do útero, endométrio e mioma alcançaram 81,55%, 73,49% e 67,34%, respectivamente. Assim, a previsão 3-D das regiões uterina, endometrial e miomatosa teve um efeito positivo na determinação da classificação dos miomas. O DL pode ser utilizado como uma ferramenta para melhorar o diagnóstico e a classificação de miomas uterinos. Este modelo também pode ser aplicado a outras doenças ginecológicas.
Lin et al. (Fri,) estudaram esta questão.