A utilização da tomografia por coerência óptica intravascular (IVOCT) permite que especialistas possam avaliar lesões coronarianas em alta resolução. A automatização de algumas etapas da análise poderia beneficiá-los, uma vez que a análise visual dos frames em um pullback é trabalhosa e consome muito tempo. Mesmo com a crescente popularidade das redes neurais convolutivas (CNN) na área médica, ainda há poucos trabalhos aplicados a imagens IVOCT para segmentação do lúmen e classificação de região de bifurcação. Neste trabalho, avaliamos três arquiteturas de CNN para a tarefa de segmentação do lúmen e quatro arquiteturas para a tarefa de classificação de região de bifurcação, utilizando um conjunto de imagens IVOCT de nove pullbacks de nove diferentes pacientes. Em relação à segmentação do lúmen, foram avaliadas redes diretas e de grafos acíclicos direcionados (DAG) em diferentes bases de dados, variando a resolução espacial, sistema de coordenadas e espaço de cores. Em relação à classificação de região de bifurcação, além das variações em sistema de coordenadas e espaço de cores nas bases de dados, foram utilizadas técnicas de data augmentation para balanceá-las, de forma a compensar a menor quantidade de imagens de bifurcação, além de utilizar transferência de conhecimento em algumas das redes avaliadas, aplicando a aprendizagem originada de uma das redes de segmentação. Nossos resultados são comparáveis aos outros trabalhos encontrados na literatura, apresentando, para a segmentação, melhores resultados em acurácia, coeficiente Dice e Jaccard acima de 99%, 98% e 97%, respectivamente. Na classificação, apresentou melhores resultados em score F1 (99,68%) e AUC (99,72%) obtidos por uma rede CNN com conhecimento transferido.
|
