Segmentação Cardíaca 4D Utilizando Redes Neurais
Segmentação Cardíaca, UNet 3D, Transformer, Imagens Médicas, Deep Learning
As doenças cardiovasculares são a principal causa de morte no mundo, com aproximadamente 17,9 milhões de óbitos anuais, segundo a Organização Mundial da Saúde (OMS). Essa realidade destaca a importância do desenvolvimento de métodos avançados para diagnóstico e monitoramento precisos. A segmentação automática de imagens cardíacas desempenha papel crucial nesse contexto, permitindo a extração de parâmetros clínicos fundamentais com maior agilidade e padronização.
Este trabalho investigou abordagens baseadas em aprendizado profundo para segmentação cardíaca em imagens de ressonância magnética. A proposta inicial envolveu a implementação de uma arquitetura UNet 3D, amplamente utilizada em segmentação médica volumétrica. No entanto, observou-se uma tendência persistente ao sobreajuste (overfitting) durante o treinamento, mesmo após a aplicação de técnicas de regularização, aumento de dados (data augmentation), e ajuste de hiperparâmetros. Essa limitação comprometeu a capacidade de generalização do modelo, especialmente nas estruturas do miocárdio e do ventrículo direito.
Com isso, foi realizada uma migração metodológica para arquiteturas baseadas em Transformers, motivada por sua maior capacidade de capturar dependências espaciais de longo alcance e recentes avanços na área de segmentação médica. O algoritmo final, desenvolvido em Python, realiza a análise 4D do ciclo cardíaco e foi avaliado em um conjunto realista de dados utilizando métricas como Dice e IoU. Os resultados obtidos evidenciam que a nova abordagem trouxe ganhos significativos em precisão e robustez.