Visão computacional com deep learning como metodologia de suporte à triagem automatizada de alterações macroscópicas placentárias e solicitação de exame anatomopatológico

Abstract

O exame anatomopatológico da placenta é crucial para elucidar desfechos perinataisadversos, mas sua solicitação sistemática é inviável devido aos altos custos e demandaoperacional. A triagem inicial, baseada na avaliação macroscópica no momento doparto, é fundamental, mas sofre com a subjetividade e a não-padronização. Diantedessa limitação, este trabalho propôs e validou um pipeline computacional de DeepLearning (DL) para a análise automatizada de imagens macroscópicas de placentas, vi-sando fornecer um sistema de suporte à decisão para a triagem clínica. A metodologiaincluiu o desenvolvimento e documentação de um Protocolo de Captura de Imagens(PCI) padronizado para a sala de parto, o que permitiu a construção de um datasetproprietário, abrangente e anotado por especialistas em nove classes morfológicas. Fo-ram exploradas e comparadas quatorze arquiteturas de DL, focadas em segmentaçãosemântica e segmentação por instância, para estabelecer um benchmark de desempe-nho. Os resultados mostraram que a arquitetura U-Net com backbone ResNet34 obteveo melhor desempenho global em segmentação semântica, com Dice Coefficient de80,71% e Intersection over Union (IoU) de 70,01%. A U-Net com EfficientNet-B7 alcan-çou a maior acurácia global (91,33%) e o menor tempo de execução entre as redesU-Net avaliadas. No que concerne à segmentação por instância, o modelo YOLOv11obteve um mAP50 de 69,5% e mAP50-95 de 52,8%. Conclui-se que os modelos de-monstram viabilidade técnica e bom desempenho quantitativo, avançando em direção àrobustez necessária para apoiar a triagem automatizada, embora a generalização e ro-bustez plena dependam da expansão e diversificação do conjunto de dados. O estudoestabelece uma base sólida para o desenvolvimento futuro de ferramentas assistivasque podem otimizar a alocação de recursos hospitalares e contribuir diretamente paraa saúde materno-fetal.

Abstract: Histopathological examination of the placenta is crucial for clarifying adverse perinataloutcomes, but its systematic request is unfeasible due to high costs and operationaldemands. Initial screening, based on macroscopic evaluation at the time of delivery, isfundamental but suffers from subjectivity and non-standardization. Given this limitation,this work proposed and validated a Deep Learning (DL) computational pipeline for theautomated analysis of macroscopic placental images, aiming to provide a clinical triagedecision support system. The methodology included the development and documen-tation of a standardized Protocol for Image Capture (PCI) in the delivery room, whichallowed for the construction of a proprietary, comprehensive dataset annotated by spe-cialists into nine morphological classes. Fourteen DL architectures were explored andcompared, focusing on semantic segmentation and instance segmentation, to establisha performance benchmark. The results showed that the U-Net architecture with theResNet34 backbone achieved the best overall performance in semantic segmentation,with a Dice Coefficient of 80.71% and an Intersection over Union (IoU) of 70.01%.The U-Net with EfficientNet-B7 achieved the highest global accuracy (91.33%) and theshortest execution time among the evaluated U-Net networks. Regarding instance seg-mentation, the YOLOv11 model achieved an mAP50 of 69.5% and mAP50-95 of 52,8%.It is concluded that the models demonstrate technical feasibility and good quantitativeperformance, advancing toward the necessary robustness to support automated triage,although full generalization and robustness depend on the expansion and diversifica-tion of the dataset. The study establishes a solid foundation for the future developmentof assistive tools that can optimize the allocation of hospital resources and directlycontribute to maternal and fetal health.