Metodologia para segmentação de pólipos em imagens de colonoscopia com o auxílio de redes neurais convolucionais

Abstract

Nesta pesquisa, o objetivo principal é utilizar técnicas avançadas de aprendizado profundo para a segmentação precisa de pólipos em imagens de colonoscopia. A intenção é superar os resultados alcançados por abordagens anteriores. Para isso, foram empregadas as redes neurais convolucionais MobileNetV2 e EfficientNetB0, disponíveis na biblioteca Keras do Python, como componentes fundamentais da rede U-Net. Os modelos de redes selecionados para este trabalho foram pré-treinados no conjunto de dados ImageNet, disponível na biblioteca Keras, e a abordagem de aprendizado por transferência foi utilizada para adaptá-los ao nosso propósito específico. Os bancos de dados Kvasir-SEG, PICCOLO, CVC-ClinicDB e ETIS-LaribPolypDB foram empregados nesta pesquisa. Esses bancos de dados contêm diversas imagens de pólipos extraídas de gravações de exames de colonoscopia, juntamente com suas segmentações realizadas manualmente por profissionais médicos. As imagens desses bancos de dados foram diretamente utilizadas para treinamento e avaliação das redes neurais. Os resultados dos oito testes executados com as redes treinadas revelaram métricas de desempenho muito satisfatórias, com uma média de acerto de 85,91% para a métrica DSC e 77,42% para a métrica IoU. Esses números demonstram que o método proposto é eficiente na tarefa de segmentação de pólipos. Ao compararmos com outras abordagens publicadas, fica evidente que o método descrito neste trabalho apresenta um desempenho superior.

Abstract: This research aims to utilize deep learning techniques for polyp segmentation in colonoscopy exam images. The goal is to achieve segmentation metrics superior to previously proposed methods. The MobileNetV2 and EfficientNetB0 convolutional neural networks available in the Keras library in Python were used as integral parts of the U-Net architecture. The chosen network models for this work are pre-trained on the ImageNet database, also available in the Keras library, and will be implemented using transfer learning. The databases used in this research include Kvasir-SEG, PICCOLO, CVC-ClinicDB, and ETIS-LaribPolypDB, all of which consist of various colonoscopy exam images with manually annotated polyp segmentations by medical professionals. The images from these databases were directly used to train and evaluate the neural network. The results of the eight tests conducted on the trained networks in this research showed satisfactory performance metrics with an average accuracy rate of 85.91% for the DSC metric and 77.42% for the IoU metric. Therefore, the proposed method demonstrated good segmentation performance. A comparison with other published approaches revealed superior performance of the method described in this work.