UNIVERSIDADE DE SÃO PAULO

FACULDADE DE MEDICINA DE RIBEIRÃO PRETO

Rede neural convolucional para segmentação

automática de fraturas vertebrais por compressão

RIBEIRÃO PRETO
2020
2. RESUMO

Atualmente o método de imagem mais utilizado para confirmar a presença de

metástases na coluna e para investigar fraturas patológicas secundárias a neoplasias
malignas é a Ressonância Magnética (RM). A ausência de técnicas de segmentação
automática é um dos principais motivos que faz com que alguns sistemas de Auxilio
Diagnóstico Computadorizado (CAD) não sejam implantados nos hospitais, isso porque,
muitas vezes, tais sistemas precisam de alguma interação inicial do médico na etapa de
segmentação, o que consome tempo do médico especialista. O objetivo desse projeto
de IC é que a aluna possa auxiliar a doutoranda no projeto de classificação automática
de fraturas vertebrais por compressão, mais especificamente na etapa de segmentação
dos corpos vertebrais fraturados. O que se espera com a segmentação é isolar a região
de interesse do restante das estruturas anatômicas da imagem médica. Quanto maior a
acurácia da segmentação, melhores serão os resultados na etapa de classificação
computadorizada. Nesse sentido, a ideia desse trabalho é estudar e treinar uma rede
neural convolucional para realizar a segmentação automática de corpos vertebrais
fraturados em imagens de RM. Será utilizada neste trabalho a base de dados composta
por exames de Ressonância Magnética ponderados em T1 de 91 pacientes atendidos
no Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto da Universidade
de São Paulo (HCFMRP-USP) e que foram diagnosticados com fratura vertebral por
compressão em ao menos um corpo vertebral da região lombar. Todos os exames estão
devidamente anonimizados. O(a) aluno(a) vai auxiliar na organização do banco de
dados dos pacientes cujas imagens serão utilizadas no estudo. Vai ser treinada a
identificar as estruturas anatômicas nas imagens de ressonância magnética e a usar
software 3D Slicer para segmentação. Após o treinamento vai ser um(a) do(a)s
pesquisadores a realizar a segmentação das regiões de interesse (ROI) dos corpos
vertebrais lombares na etapa de pós-processamento das imagens. Esta segmentação
será utilizada para a análise de confiabilidade interexaminador e intraexaminador e será
utilizada para treinamento da rede neural convolucional específica para realizar esta
segmentação de forma automática.
.
3 INTRODUÇÃO

O aumento da expectativa de vida da população mundial vem acompanhado do

aumento de diversas patologias na população idosa, dentre as quais estão presentes
as doenças que acometem a coluna vertebral [1]. As fraturas vertebrais por compressão
(FVCs), por exemplo, são definidas como um colapso parcial dos corpos vertebrais que
podem causar uma perda significativa da função, comprometendo a qualidade de vida
do paciente.
O diagnóstico de uma fratura compressiva traumática não costuma trazer
dificuldades em relação à identificação da causa (etiologia) da fratura. Tipicamente é
encontrado um colapso vertebral agudo e há uma história de trauma recente. A
dificuldade no diagnóstico diferencial surge quando é identificado um colapso vertebral
de aparecimento recente e não há uma historia de trauma significativo, podendo, nesses
casos, serem secundárias à insuficiência óssea da osteoporose (fraturas benignas) ou
secundárias às metástases ósseas (fraturas malignas) [2].
Atualmente o método de imagem mais utilizado para confirmar a presença de
metástases na coluna e para investigar fraturas patológicas secundárias a neoplasias
malignas é a Ressonância Magnética (RM). Ainda assim, o aspecto das fraturas
vertebrais em imagens de RM pode ser incaracterístico e a persistência desta dúvida
diagnóstica pode levar à necessidade de biópsias para exame anatomopatológico.
Embora a análise de material proveniente de biópsias e de cirurgias ainda seja
uma importante referência, já existe o entendimento de que abordagens que utilizam o
reconhecimento de padrão em imagens, como sistemas CAD e a Radiômica, por
exemplo, podem ter bons resultados no auxílio ao diagnóstico e prognóstico [3], [4].
Independente da abordagem escolhida, uma das etapas fundamentais do
reconhecimento de padrão em imagens é a segmentação, que pode ser definida como
a divisão de uma imagem em partes ou objetos constituintes. O nível dessa subdivisão
irá depender do problema a ser resolvido. O que se espera com a segmentação é isolar
a região de interesse (do inglês, region of interest - ROI) do restante da imagem [5].
Quanto maior a acurácia da segmentação, melhores serão os resultados na etapa de
classificação.
Nesse sentido, o objetivo desse projeto de IC é que a aluna possa auxiliar a
doutoranda no projeto de classificação automática de fraturas vertebrais por
compressão, mais especificamente na etapa de segmentação dos corpos vertebrais
fraturados.
4. JUSTIFICATIVA

A etapa de segmentação é fundamental para a eficácia de sistemas que utilizam o

reconhecimento de padrões em imagens para auxílio ao diagnóstico, podendo ser
realizada de forma manual, semiautomática ou automática [5]. A segmentação
automática é a ideal uma vez que, além de acelerar todo o processo, ela não sofre
interferências do usuário, o que pode ocorrer nos outros dois métodos.
Além disso, a ausência de técnicas de segmentação automática é um dos
principais motivos que faz com que alguns sistemas CAD não sejam implantados nos
hospitais, isso porque, muitas vezes, tais sistemas precisam de alguma interação inicial
do médico na etapa de segmentação, o que pode ser um desafio para muitos deles.
Várias aplicações têm usado técnicas de deep learning para realizar segmentação
automática [6]–[8], no entanto, até onde sabemos, nenhuma delas foi utilizada para
segmentar corpos vertebrais fraturados
Nesse sentido, a ideia desse trabalho é estudar e treinar uma rede neural
convolucional (do inglês, convolutional neural network - CNN), para realizar a
segmentação automática de corpos vertebrais fraturados.

5. OBJETIVOS

O objetivo desse projeto de IC é estudar a aplicabilidade da Rede Neural Convolucional

na segmentação de corpos vertebrais de pacientes com Fratura Vertebral por
Compressão.
Os objetivos específicos são:
- Revisão de literatura sobre CNN para segmentação;
- Segmentação manual dos corpos vertebrais que serão utilizados para treinar a
CNN;
- Treinamento da rede;
- Análise dos resultados.

6 MÉTODOS

6.1 Aspectos Éticos

Este trabalho faz parte de uma linha de pesquisa utilizando uma base de dados
devidamente avaliada e aprovada pelo Comitê de Ética em Pesquisa (CEP) do Hospital
das Clínicas da Faculdade de Medicina de Ribeirão Preto da Universidade de São Paulo
– HCFMRP-USP, de acordo com o parecer de número 2.550.679 e o CAAE de número
84415318.8.0000.5440. A confirmação pode ser realizada pelo site da Plataforma Brasil
fornecendo um desses dois números de identificação.

6.2 Base de Dados

Será utilizada neste trabalho a base de dados levantada pela aluna de doutorado Natália
Santana Chiari Correia, que é composta por exames de Ressonância Magnética
ponderados em T1 de 91 pacientes atendidos no Hospital das Clínicas da Faculdade de
Medicina de Ribeirão Preto da Universidade de São Paulo (HCFMRP-USP) e que foram
diagnosticados com fratura vertebral por compressão em ao menos um corpo vertebral
da região lombar. Todos os exames estão devidamente anonimizados.

6.3 Segmentação manual

Para treinar a rede, como mostrado na seção 4, é necessário inserir a imagem a ser
segmentada e a segmentação manual que servirá como padrão de referência para que
a rede possa aprender.
Para realizar a segmentação manual será utilizado o 3D Slicer (www.slicer.org),
que é um software livre para processamento de imagens médicas que é utilizada como
uma workstation típica da radiologia que independe de hardware específico.
Na etapa de treinamento e na etapa da segmentação, um radiologista sênior com
mais de 20 anos de experiência em radiologia do sistema musculoesquelético revisará
todos os resultados e as devidas correções serão feitas e reavaliadas.

6.4 Rede Neural Convolucional – CNN

Atualmente, as CNNs são uma das técnicas de aprendizado de máquina mais populares
nas tarefas de reconhecimento de imagem e aprendizado visual, devido à sua
característica única de preservar as relações de imagem local, enquanto realiza a
redução de dimensionalidade [9].
A rede que utilizaremos neste trabalho é conhecida como U-Net, que é uma rede
neural convolucional para segmentação rápida e precisa de imagens [10]. Uma
característica importante é que, diferente das demais CNNs, a arquitetura dessa rede
permite a utilização de poucos exemplos para treinamento. Como linguagem de
programação será utilizado o Python. Utilizaremos ainda o Keras, que é uma API de
alto-nível e código aberto, projetada para trabalhar com redes profundas.
6.5 Análise estatística
Para medir a similaridade entre as segmentações de referência e as geradas pela
CNN serão calculadas duas medidas de similaridade: o índice de Jaccard e coeficiente
de Sorensen-Dice.
O índice de Jaccard para avaliar a segmentação pode ser entendido como a
intersecção das duas segmentações dividida pela união delas, enquanto o coeficiente
de Sorensen-Dice é dado pelo dobro da intersecção das segmentações dividido pela
soma do número de pixels das duas segmentações.

7. Detalhamento das atividades a serem desenvolvidas pela bolsista

A aluna vai auxiliar na etapa de revisão bibliográfica e na organização do banco

de dados dos pacientes cujas imagens serão utilizadas no estudo. Vai ser treinada a
identificar as estruturas anatômicas nas imagens de ressonância magnética e a usar
software 3D Slicer para segmentação. Após o treinamento vai ser uma das
pesquisadoras a realizar a segmentação das regiões de interesse (ROI) dos corpos
vertebrais lombares na etapa de pós-processamento das imagens. Esta segmentação
será utilizada para a análise de confiabilidade interexaminador e intraexaminador e será
utilizada para treinamento da rede neural convolucional.

8. Resultados previstos e seus respectivos indicadores de avaliação.

A organização de um banco de dados que incluirá a segmentação de corpos

vertebrais com fraturas para treinamento de uma rede neural convolucional específica
para realizar esta segmentação de forma automática. Para identificar o grau de
similaridade entre a segmentação automática realizada pela rede neural e as
segmentações manuais, que servirão de padrão de referência, serão utilizados
coeficientes DICE e Jaccard que tradicionalmente são utilizados com este intuito, sendo
que quanto mais próximos de 1 estes coeficientes se aproximarem, maior a similaridade
entre as segmentações.
9. CRONOGRAMA
A iniciação cientifica está atrelada ao projeto de Doutorado da aluna Natalia Chiari do
Programa de Pós-graduação da Clínica Médica da Faculdade de Medicina de Ribeirão Preto –
USP, orientada pelo Professor Doutor Paulo Mazzoncini de Azevedo Marques. O(a) aluno(a) vai
ajudar na organização do banco de dados das informações clínicas dos pacientes cujas imagens
serão utilizadas no estudo. Também vai ser treinada a identificar as estruturas anatômicas nas
imagens de ressonância magnética. Após o treinamento vai participar na segmentação das
regiões de interesse (ROI) dos corpos vertebrais lombares na etapa de pós-processamento das
imagens. Esta segmentação será utilizada para a análise de confiabilidade interexaminador e
intraexaminador. O término do projeto de Doutorado está programado para julho de 2021. Desta
forma a programação da iniciação científica se ajusta ao cronograma do projeto, sendo que para
os primeiros três meses de IC está previsto a revisão da literatura e treinamento especifico, nos
dois trimestres seguintes a realização de segmentação, e no último semestre a análise
interobservador.

10. REFERÊNCIAS

[1] M. G. Fehlings, L. Tetreault, A. Nater, T. Choma, J. Harrop, T. Mroz, C.

Santaguida, and J. S. Smith, “The Aging of the Global Population,” Neurosurgery,
vol. 77, pp. S1–S5, Oct. 2015.
[2] J. T. Mauch, C. M. Carr, H. Cloft, and F. E. Diehn, “Review of the Imaging Features
of Benign Osteoporotic and Malignant Vertebral Compression Fractures,” Am. J.
Neuroradiol., Jan. 2018.
[3] P. M. Azevedo-Marques, “Computer-aided diagnosis in radiology,” Radiol. Bras.,
vol. 34, no. 5, pp. 285–293, 2001.
[4] R. J. Gillies, P. E. Kinahan, and H. Hricak, “Radiomics: Images Are More than
Pictures, They Are Data,” Radiology, vol. 278, no. 2, pp. 563–577, Feb. 2016.
[5] R. C. Gonzalez and R. E. Woods, Digital Image Processing. Addison-Wesley,
1992.
[6] A. Garcia-Garcia, S. Orts-Escolano, S. Oprea, V. Villena-Martinez, and J. Garcia-
Rodriguez, “A Review on Deep Learning Techniques Applied to Semantic
Segmentation,” Apr. 2017.
[7] Z. Akkus, A. Galimzianova, A. Hoogi, D. L. Rubin, and B. J. Erickson, “Deep
Learning for Brain MRI Segmentation: State of the Art and Future Directions,” J.
Digit. Imaging, vol. 30, no. 4, pp. 449–459, Aug. 2017.
[8] Y. Gordienko, P. Gang, J. Hui, W. Zeng, Y. Kochura, O. Alienin, O. Rokovyi, and
S. Stirenko, “Deep Learning with Lung Segmentation and Bone Shadow Exclusion
 Techniques for Chest X-Ray Analysis of Lung Cancer,” 2019, pp. 638–647.
[9] J. Ker, L. Wang, J. Rao, and T. Lim, “Deep Learning Applications in Medical Image
Analysis,” IEEE Access, vol. 6, pp. 9375–9389, 2018.
[10] O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for
Biomedical Image Segmentation,” May 2015.