Resumo: A resposta à pandemia de COVID-19 destacou o potencial dos métodos de aprendizado profundo na facilitação do diagnóstico e prognóstico de doenças pulmonares por meio da segmentação automatizada de tecido normal e anormal em tomografia computadorizada (TC). Tais métodos não apenas têm o potencial de auxiliar na tomada de decisões clínicas, mas também contribuem para a compreensão de novas doenças. Diante da natureza intensiva da segmentação manual para grandes conjuntos de TC de tórax, há uma necessidade urgente de abordagens automatizadas confiáveis que possibilitem a análise eficiente da anatomia da TC de tórax em vastos bancos de dados de pesquisa, especialmente em estruturas menos frequentemente anotadas, como consolidações parenquimatosas e opacidades em vidro fosco causadas por pneumonia. O desenvolvimento de métodos que lidam com esses achados em particular é prejudicado pela escassez de dados anotados manualmente. Para enfrentar esse problema, propomos o aprendizado polimórfico multitarefa (APM). APM é utilizado para otimizar uma rede com um número fixo de canais de saída para representar múltiplas estruturas anatômicas hierárquicas, otimizando indiretamente estruturas mais complexas com anotações mais simples. Adicionalmente, usamos aprendizado multitarefa com múltiplas cabeças de segmentação para desenvolver o MEDPSeg, um método para a segmentação de pulmões, vias aéreas, artéria pulmonar e lesões pulmonares com separação de lesões em vidro fosco e consolidações parenquimatosas, tudo em uma única predição. Mais de 6000 exames de TC contendo formatos variados de anotações manuais e automáticas de diferentes fontes foram usados no desenvolvimento do método proposto. Mostramos que a técnica de treino proposta, APM, permitiu desempenho multitarefa estado-da-arte para a MEDPSeg, com melhoras de até 15% na métrica de segmentação Dice em 5 estruturas diferentes quando comparada à versões especializadas. Além disso, o desempenho da MEDPSeg na segmentação de consolidações é superior ao estado-da-arte atual. Finalmente, disponibilizamos uma implementação de código aberto com uma interface gráfica em https://github.com/MICLab-Unicamp/medpseg, capaz de prover resultados volumétricos em exames de alta resolução em 1 minuto usando uma placa de vídeo NVIDIA 2060 8GB Ver menos

Abstract: The response to the COVID-19 pandemic has highlighted the potential of deep learning methods in facilitating the diagnosis and prognosis of lung diseases through automated segmentation of normal and abnormal tissue on computed tomography (CT). Such methods not only have the potential to assist in clinical decision-making but also contribute to the understanding of new diseases. Given the intensive nature of manual segmentation for large chest CT sets, there is an urgent need for reliable automated approaches that enable efficient analysis of chest CT anatomy in vast research databases, especially in less frequently annotated structures such as parenchymal consolidations and ground-glass opacities caused by pneumonia. The development of methods that deal with these particular findings is hampered by the scarce availability of manually annotated data. To address this problem, we propose polymorphic multitask learning (PML). PML is used to optimize a network with a fixed number of output channels to represent multiple hierarchical anatomical structures, indirectly optimizing more complex structures with simpler annotations. Additionally, we use multitask learning with multiple segmentation heads to develop MEDPSeg, a method for segmenting lungs, airways, pulmonary artery, and lung lesions with separation of lesion into ground-glass opacities and parenchymal consolidations, all in a single prediction. More than 6000 CT scans containing varied manual and automatic annotation formats from different sources were used in the development of the proposed method. We show that the proposed APM training technique results in state-of-the-art multitasking performance for MEDPSeg, with Dice improvements of up to 15% in the segmentation of 5 different tasks when compared to target specialized versions. Furthermore, the parenchymal consolidation segmentation performance from MEDPSeg is superior to the current state-of-the-art. Finally, we provide an open source implementation with a graphical interface at https://github.com/MICLab-Unicamp/medpseg, capable of providing full volumetric results on high-quality CT scans in 1 minute with a NVIDIA 2060 8GB graphics processing uni Ver menos