Uma Abordagem Híbrida para Segmentação de Pulmões em Tomografias Computadorizadas Utilizando U-Net
A segmentação de pulmões em imagens de tomografia computadorizada é uma etapa fundamental no apoio ao diagnóstico e à análise de doenças pulmonares. Nos últimos anos, técnicas baseadas em deep learning, especialmente a arquitetura U-Net, têm apresentado resultados relevantes nesse contexto. Este trabalho propõe uma abordagem híbrida para a segmentação pulmonar, combinando métodos clássicos de processamento de imagens com redes neurais convolucionais, por meio da incorporação de informação a priori na imagem de entrada.
A metodologia consiste na utilização da arquitetura U-Net aplicada a imagens de tomografia computadorizada do tórax, avaliando diferentes funções de perda, incluindo Binary Cross-Entropy (BCE), Dice Similarity Coefficient (DSC) e uma estratégia sequencial combinando ambas. Adicionalmente, informações de borda extraídas por técnicas clássicas de detecção de contornos são integradas às imagens de entrada, fornecendo conhecimento estrutural prévio ao modelo. Também é investigado o impacto da redução da complexidade da rede por meio da remoção de camadas.
Os resultados experimentais demonstram que a combinação sequencial das funções de perda e a adição de informação de borda como conhecimento a priori proporcionam melhorias significativas na similaridade entre as segmentações geradas e as máscaras de referência. Os achados indicam que a abordagem híbrida proposta é capaz de aprimorar o desempenho da U-Net na segmentação pulmonar, mantendo a robustez do modelo e contribuindo para soluções mais eficientes em imagens médicas.