|
Persistent Identifier
|
doi:10.25824/redu/SKS1HB |
|
Publication Date
|
2026-01-20 |
|
Title
| Combinando CNN e conhecimento a priori para segmentar lobos pulmonares em aquisições de CT com lesões severas |
|
Alternative URL
| https://github.com/MICLab-Unicamp/LobePrior |
|
Author
| Ribeiro, Jean Antonio (Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação.) - ORCID: https://orcid.org/0009-0008-8615-3433
Rittner, Leticia (Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação.) - ORCID: https://orcid.org/0000-0001-8182-5554
Carmo, Diedre Santos do (Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação.) - ORCID: https://orcid.org/0000-0002-5922-9120
Appenzeller, Simone (Universidade Estadual de Campinas (UNICAMP). Faculdade de Ciências Médicas.) - ORCID: https://orcid.org/0000-0001-5075-4474
Magalhães, Ricardo Siufi (Faculdade São Leopoldo Mandic.) - ORCID: https://orcid.org/0000-0002-3538-2614
Dertkigil, Sergio San Juan (Universidade Estadual de Campinas (UNICAMP). Faculdade de Ciências Médicas.) - ORCID: https://orcid.org/0000-0002-3694-9539
Reis, Fabiano (Universidade Estadual de Campinas (UNICAMP). Faculdade de Ciências Médicas.) - ORCID: https://orcid.org/0000-0003-2256-4379 |
|
Point of Contact
|
Use email button above to contact.
Rittner, Leticia (Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação.) |
|
Description
| A segmentação automática dos lobos pulmonares em imagens de tomografia computadorizada (CT) é fundamental para aplicações clínicas e de pesquisa, mas permanece desafiadora em pacientes com doenças pulmonares graves, nos quais as fissuras lobares podem estar incompletas ou invisíveis. Neste trabalho, propõe-se o LobePrior, um método robusto para a segmentação dos lobos pulmonares em cenários de severas anormalidades pulmonares. A abordagem é composta por três estágios: uma segmentação inicial em baixa resolução, um estágio de alta resolução baseado em redes AttUNet especializadas para cada lobo e um pós-processamento final. O método combina redes neurais convolucionais profundas com modelos probabilísticos que incorporam informação anatômica a priori, permitindo inferir a localização das fissuras mesmo na ausência de evidências visuais claras. O LobePrior foi avaliado no desafio LOLA11 e em quatro conjuntos de dados clínicos contendo casos com comprometimento pulmonar severo, nódulos neoplásicos e consolidações associadas à COVID-19. Os resultados demonstraram desempenho superior em comparação com métodos do estado da arte, tanto em métricas de sobreposição quanto de distância, além de produzir segmentações anatomicamente mais coerentes. O código-fonte foi disponibilizado publicamente, promovendo reprodutibilidade e avanço da pesquisa na área. O código-fonte da metodologia desenvolvida foi disponibilizado publicamente no GitHub (https://github.com/MICLab-Unicamp/LobePrior), visando à reprodutibilidade e ao avanço da pesquisa na área. (2025-12-30) |
|
Subject
| Computer and Information Science |
|
Keyword
| Pulmões
Anotações manuais
CNN
Segmentação dos lobos pulmonares
Imagens de CT
Conhecimento prévio |
|
Funding Information
| Coordenação de Aperfeiçoamento de Pessoal de Nível Superior: CAPES: 88887.513444/2020-00 |
|
Depositor
| Ribeiro, Jean Antonio |
|
Deposit Date
| 2025-12-30 |
|
Declarações obrigatórias sobre ética e privacidade
| o projeto que gerou os dados foi aprovado pelo Comite de Ética em Pesquisa da Unicamp ou não envolve questões que requeiram tal aprovação |