Segmentação de nódulos pulmonares em tomografia computadorizada usando uma abordagem de rede neural de regressão e sua aplicação ao conjunto de dados do Lung Image Database Consortium e do Image Database Resource Initiative

Apresentamos novos algoritmos de segmentação de nódulos pulmonares para tomografia computadorizada (TC). Estes incluem um sistema totalmente automatizado (FA), um sistema semiautomatizado (SA) e um sistema híbrido. Como a maioria dos sistemas tradicionais, o novo sistema FA requer apenas um único ponto de referência fornecido pelo usuário. Por outro lado, o sistema SA representa uma nova classe de algoritmo que requer 8 pontos de controle fornecidos pelo usuário. Isso aumenta a carga sobre o usuário, mas mostramos que o sistema resultante é altamente robusto e pode lidar com uma variedade de casos desafiadores. O sistema híbrido proposto começa com o sistema FA. Se forem necessários resultados de segmentação aprimorados, o sistema SA é então implantado. O motor de segmentação FA tem 2 parâmetros livres, e o sistema SA tem 3. Esses parâmetros são determinados de forma adaptativa para cada nódulo em um processo de busca guiado por uma rede neural de regressão (RNN). A RNN utiliza uma série de características computadas para cada segmentação candidata. Treinamos e testamos nossos sistemas usando os novos dados do Lung Image Database Consortium e do Image Database Resource Initiative (LIDC-IDRI). Até onde sabemos, este é um dos primeiros benchmarks de desempenho específicos para nódulos usando o novo conjunto de dados LIDC-IDRI. Também comparamos o desempenho dos métodos propostos com vários resultados relatados anteriormente sobre os mesmos dados utilizados por esses outros métodos. Nossos resultados sugerem que o sistema FA proposto melhora o estado-da-arte, e o sistema SA oferece um aumento considerável em relação ao sistema FA.