Aplicando inteligência artificial em imagens de ressonância magnética : um estudo de segmentação de imagens para o diagnóstico de câncer de próstata com o modelo u-net

Abstract

Resumo: A ressonância magnética é uma ferramenta essencial no diagnóstico do câncer de próstata, fornecendo imagens detalhadas da glândula prostática e auxiliando na detecção de lesões. A segmentação de imagens desempenha um papel crucial na medicina, permitindo a identificação precisa de regiões suspeitas. Este estudo técnico investiga a aplicação de uma arquitetura UNet aprimorada com unidades residuais para a segmentação automática de lesões prostáticas em imagens de ressonância magnética. Utilizando dados do desafio PI-CAI, o modelo U-Net foi treinado em um conjunto de dados abrangente, combinando anotações de especialistas humanos e anotações geradas por algoritmos de IA, e avaliado para diferentes batch sizes (8, 16 e 32). Os resultados mostram que o batch size de 16 proporcionou o melhor desempenho, com uma AUROC média de 0,704, AP média de 0,330 e ranking médio de 0,517, destacando o equilíbrio entre estabilidade de treinamento e capacidade de generalização. No entanto, a variabilidade observada nas métricas de desempenho (AUROC s = 0,111, AP s = 0,137, ranking s = 0,109) ressalta os desafios inerentes à segmentação de imagens médicas, como a heterogeneidade dos dados e possíveis subjetividades nas anotações

Abstract: Magnetic resonance imaging (MRI) is an essential tool in diagnosing prostate cancer, providing detailed images of the prostate gland and aiding in lesion detection. Image segmentation plays a crucial role in medicine, allowing precise identification of suspicious regions. This technical study investigates the application of an improved U-Net architecture with residual units for automatic segmentation of prostate lesions in MRI images. Using data from the PI-CAI challenge, the U-Net model was trained on a comprehensive dataset, combining annotations from human experts and annotations generated by AI algorithms, and evaluated for different batch sizes (8, 16, and 32). The results show that a batch size of 16 provided the best performance, with an average AUROC of 0.704, average AP of 0.330, and average ranking of 0.517, highlighting the balance between training stability and generalization capability. However, the variability observed in performance metrics (AUROC s = 0.111, AP s = 0.137, ranking s = 0.109) underscores the inherent challenges of medical image segmentation, such as data heterogeneity and possible subjectivity in annotations