Segmentation of malignant lesions on [18F]FDG PET/CT images using deep learning techniques

Resumo

O cancro é uma das primordiais causas de morte mundialmente, podendo ser prevenida através de uma deteção precoce e do tratamento eficaz das lesões malignas. Deste modo, a identificação e segmentação de tumores têm um papel fundamental na deteção precoce de lesões, bem como na radioterapia e no planeamento cirúrgico. Atualmente, embora a segmentação manual seja o padrão-ouro, este é um método demorado, trabalhoso, tedioso e altamente subjetivo, pois introduz variabilidade inter- e intra-operador. Assim sendo, o objetivo primário deste estágio foi aplicar, otimizar e avaliar a viabilidade de técnicas baseadas em deep learning para a identificação e segmentação automática de lesões malignas em imagens de corpo inteiro [18F]FDG PET/TC. Por conseguinte, três conjuntos diferentes de dados foram utilizados para treinar redes neuronais distintas: imagens de TC para a segmentação do baço; imagens [18F]FDG PET/TC com suspeitas de lesões malignas; e lesões sugestivas de linfoma em imagens PET de corpo inteiro. Posteriormente, uma arquitetura U-net em 3D foi desenvolvida e otimizada para a identificação e segmentação automática dos objetos de interesse. Devido às limitações da capacidade computacional da GPU, várias abordagens foram implementadas para o processo de treino da rede e para testes de inferência. O coeficiente de Dice (CD) foi utilizado como medida de sobreposição entre as segmentações. Deste modo, o primeiro conjunto de dados alcançou a mediana de CD mais elevada, 0.57, utilizando a rede treinada através do método de aprendizagem por transferência e com uma normalização de intensidade TC de [-250; 250]. O CD obtido no segundo conjunto de dados alcançou uma mediana de 0.28, quando a 3D U-net foi treinada com patches de 48×48×48 vóxeis. Finalmente, o terceiro conjunto de dados obteve uma mediana de CD de 0.41, onde o tamanho do patch foi de 64×64×64 vóxeis numa configuração da U-net com uma camada a menos. Concluindo, os métodos de segmentação totalmente automáticos baseados em técnicas de deep learning para a identificação e segmentação de lesões malignas continuam a necessitar de supervisão clínica para verificação e correção. Por enquanto, é inaceitável utilizar este método na prática clínica de uma forma independente, uma vez que não é suficientemente robusto.

Data do prémio	23 fev. 2023
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Francisco Paulo Marques de Oliveira (Supervisor) & Cláudia Santos Constantino (Co-Orientador)