Automatic Segmentation of Deep Endometriosis in Magnetic Resonance Images Based on Deep Learning

| Sharing | | Please use this identifier to cite or link to this item: https://tedebc.ufma.br/jspui/handle/tede/6071 | Tipo do documento: | Dissertação | | Título: | Segmentação Automática de Endometriose Profunda em Imagens de Ressonância Magnética Baseada em Aprendizado Profundo | | Título(s) alternativo(s): | Automatic Segmentation of Deep Endometriosis in Magnetic Resonance Images Based on Deep Learning | | Autor: | PINTO, Daniel Moreira | | Primeiro orientador: | SILVA, Aristófanes Corrêa | | Primeiro membro da banca: | SILVA, Aristófanes Corrêa | | Segundo membro da banca: | PAIVA, Anselmo Cardoso de | | Terceiro membro da banca: | CRUZ, Luana Batista da | | Resumo: | A endometriose é a doença caracterizada pela presença do endométrio fora da cavidade uterina. Ela é declarada profunda quando a lesão se estende por mais de 5 milímetros. Essa doença atinge dezenas de milhões de mulheres de várias faixas etárias ao redor do mundo. Ela afeta a qualidade de vida das pacientes e pode apresentar muitos sintomas diferentes, além de haver a possibilidade de evoluir para problemas mais sérios. Dessa forma, o diagnóstico eficaz da doença é essencial para iniciar o tratamento. Uma das principais áreas de ocorrência de lesões devido à endometriose é o reto e sigmoide. Através da ressonância magnética (RM), especialistas podem avaliar a presença da doença de forma não invasiva, porém a um alto custo de tempo, devido às lesões apresentarem-se em diversos formatos, tamanhos e regiões de ocorrência. Assim, esse método de diagnóstico é extremamente desafiador. Neste contexto, métodos computacionais podem auxiliar os especialistas no diagnóstico, apresentando uma indicação da possível ocorrência das lesões. Porém, a literatura sobre a segmentação da endometriose em RM utilizando aprendizado profundo é extremamente limitada. Portanto, este trabalho propôs um método baseado na aplicação da a Swin-Unet, uma rede de aprendizado profundo baseada em transformer, para a segmentação da endometriose profunda em imagens de RM do reto e sigmoide. Além disso, é proposta uma etapa de refinamento da segmentação, baseada em processamento de imagens, para compor o método. Foram obtidos uma precisão de 45, 6%, sensibilidade 61, 9%, Dice de 47, 7% e Jaccard de 36, 2%. Foi segmentada com boa qualidade ao menos uma imagem por paciente em 17 dos 18 pacientes utilizados para teste. Assim, o método desenvolvido demonstra-se promissor para auxiliar o diagnóstico da doença. | | Abstract: | Endometriosis is a disease characterized by the presence of endometrial tissue outside the uterine cavity. It is classified as deep endometriosis when the lesion extends more than 5 millimeters. This condition affects tens of millions of women of various age groups worldwide. It impacts patients’ quality of life and can present a wide range of symptoms, with the potential to progress into more serious complications. Therefore, effective diagnosis of the disease is crucial for initiating treatment. One of the primary areas where endometriosisrelated lesions occur is the rectum and sigmoid colon. Through magnetic resonance imaging (MRI), specialists can assess the presence of the disease non-invasively, but at a high time cost, as the lesions can appear in various shapes, sizes, and locations. Thus, this diagnostic method is extremely challenging. In this context, computational methods can assist specialists in diagnosis by providing an indication of the possible presence of lesions. However, the literature on deep learning-based segmentation of endometriosis in MRI is extremely limited. Therefore, this study proposes a method based on the application of Swin-Unet, a deep learning network based on transformers, for the segmentation of deep endometriosis in MRI images of the rectum and sigmoid colon. Additionally, a refinement step for the segmentation, based on image processing, is proposed to complement the method. The results achieved were an accuracy of 45.6%, sensitivity of 61.9%, Dice coefficient of 47.7%, and Jaccard index of 36.2%. At least one image per patient was segmented with good quality in 17 out of the 18 patients used for testing. Thus, the developed method shows promise in assisting the diagnosis of the disease. | | Palavras-chave: | Endometriose; Ressonância Magnética; Aprendizado Profundo; Processamento de Imagens; Segmentação Endometriosis; Magnetic Resonance Imaging; Deep Learning; Image Processing; Segmentation | | Área(s) do CNPq: | Bioengenharia | | Idioma: | por | | País: | Brasil | | Instituição: | Universidade Federal do Maranhão | | Sigla da instituição: | UFMA | | Departamento: | DEPARTAMENTO DE ENGENHARIA DA ELETRICIDADE/CCET | | Programa: | PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET | | Citação: | PINTO, Daniel Moreira. Segmentação Automática de Endometriose Profunda em Imagens de Ressonância Magnética Baseada em Aprendizado Profundo. 2025. 81 f. Dissertação(Programa de Pós-graduação em Ciência da Computação/CCET) - Universidade Federal do Maranhão, São Luís, 2025. | | Tipo de acesso: | Acesso Aberto | | URI: | https://tedebc.ufma.br/jspui/handle/tede/6071 | | Data de defesa: | 17-Mar-2025 | | Appears in Collections: | DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO | Files in This Item: | File | Description | Size | Format | | |---|---|---|---|---| | Daniel Moreira Pinto.pdf | Dissertação de Mestrado | 9,39 MB | Adobe PDF | Download/Open Preview | Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.