Detecção de tumores cerebrais utilizando redes neurais convolucionais guiadas por mapas de saliência

Abstract

O processo de diagnóstico de tumores cerebrais realizado por médicos radiologistas com imagens de ressonância magnética (MRI) pode ser, em algumas ocasiões, um procedimento demorado que dure semanas ou meses. Assim, uma análise rápida por meio de um sistema automatizado tem um papel importante em detectar precocemente tumores cerebrais com melhores taxas de acurácia. Por consequência, isso pode ajudar a melhorar as possibilidades de tratamento dos pacientes e otimizar os recursos humanos hospitalares. Sistemas como esse teriam grande utilidade em regiões subdesenvolvidas em termos de saúde pública, onde faltem médicos que possam diagnosticar e avaliar com precisão a gravidade dos tumores cerebrais com MRI. Este trabalho propõe um método para a classificação de tumores cerebrais por meio da pré-seleção da região de tumor. Estimou-se a região de interesse com o uso de algoritmos de atenção visual do tipo bottom-up e, em seguida, as regiões com maiores níveis de energia foram inseridas em uma rede neural que as classificou quanto à existência de tumor cerebral. Com o uso das imagens completas, obteve-se uma acurácia de classificação final de 90,79%, 92,17%, 92,25% e 90,61% com os modelos Resnet18, Resnet34, VGG16 e Alexnet, respectivamente. Pré-selecionando a região de interesse, em vez de usar a imagem inteira, o framework proposto teve uma acurácia de classificação final de 91,88%, 92,51%, 92,71% e 93,19% com os modelos Resnet18, Resnet34, VGG16 e Alexnet, respectivamente. Uma vez que o espaço dimensional da imagem de entrada é reduzido com a exclusão de regiões menos relevantes para o processo classificatório, as redes neurais obtêm melhores métricas de desempenho. Este estudo evidencia a importância dos mapas de saliência para a identificação de regiões tumorais em imagens de ressonância magnética. Adicionalmente, investigou-se o efeito de cinco artefatos de degradação nas métricas de classificação de uma rede neural: ruído Gaussiano, borrado, ringing, contraste e ghosting. Essa análise contou com a geração de 20 níveis de degradação com cada um dos cinco artefatos e registrou os resultados de desempenho de classificação com cada um desses níveis. Concluiu-se que no cenário simulado com os artefatos de ruído Gaussiano, borrado, ringing e constraste houve um decréscimo exponencial das métricas de classificação, ao passo que as alterações ghosting geraram um comportamento aleatório dessas métricas.