Quantificação da Infecção Pulmonar por COVID-19 em Imagens de TC com Aprendizado Profundo

A imagiologia por TC é crucial para diagnóstico, avaliação e estadiamento da infecção por COVID-19. Exames de acompanhamento a cada 3-5 dias são frequentemente recomendados para a progressão da doença. Foi relatado que a opacificação em vidro fosco bilateral e periférica (GGO) com ou sem consolidação são achados predominantes nas TC de pacientes com COVID-19. No entanto, devido à falta de ferramentas de quantificação computadorizada, apenas impressões qualitativas e descrições aproximadas das áreas infectadas estão atualmente sendo usadas em relatórios radiológicos. Neste artigo, foi desenvolvido um sistema de segmentação baseado em aprendizado profundo (DL) para quantificar automaticamente as regiões de infecção de interesse (ROIs) e suas proporções volumétricas em relação ao pulmão. O desempenho do sistema foi avaliado comparando as regiões de infecção segmentadas automaticamente com as delineadas manualmente em 300 exames de TC de tórax de 300 pacientes com COVID-19. Para a rápida delineação manual de amostras de treinamento e possível intervenção manual nos resultados automáticos, uma estratégia de humano no loop (HITL) foi adotada para auxiliar os radiologistas na segmentação das regiões de infecção, o que reduziu dramaticamente o tempo total de segmentação para 4 minutos após 3 iterações de atualização do modelo. O coeficiente médio de similaridade de Dice apresentou 91,6% de concordância entre as segmentações automáticas e manuais de infecção, e o erro médio de estimativa da porcentagem de infecção (POI) foi de 0,3% para o pulmão inteiro. Por fim, foram discutidas possíveis aplicações, incluindo, mas não se limitando a, análise de exames de TC de acompanhamento e distribuições de infecção nos lobos e segmentos correlacionados com achados clínicos.