Redes Neurais Convolucionais Profundas Sensíveis à Localização para Segmentação de Hiperintensidades da Substância Branca

A localização anatômica das características de imagem é de crucial importância para um diagnóstico preciso em muitas tarefas médicas. Redes neurais convolucionais (CNN) tiveram enormes sucessos em visão computacional, mas carecem da capacidade natural de incorporar a localização anatômica em seu processo de tomada de decisão, dificultando o sucesso em algumas tarefas de análise de imagens médicas. Neste artigo, para integrar a informação de localização anatômica na rede, propomos várias arquiteturas de CNN profundas que consideram patches multiescala ou apresentam características de localização explícitas durante o treinamento. Nós aplicamos e comparamos as arquiteturas propostas para a segmentação de hiperintensidades da substância branca em imagens de RM cerebral em um grande conjunto de dados. Como resultado, observamos que as CNNs que incorporam informações de localização superam substancialmente um método de segmentação convencional com características criadas manualmente, assim como CNNs que não integram informações de localização. Em um conjunto de teste de 50 varreduras, a melhor configuração de nossas redes obteve uma pontuação de Dice de 0,792, em comparação a 0,805 para um observador humano independente. Os níveis de desempenho da máquina e do observador humano independente não foram estatisticamente diferentes de forma significativa (p-valor = 0,06).