VoxelMatch: sistema de avaliação de similaridade de imagens geradas por algoritmos de Deep Learning

Abstract

Com o objetivo de aprimorar a precisão e a eficiência no planejamento de radioterapia, este estudo concentrou-se no desenvolvimento de um sistema de avaliação de similaridade de imagens geradas por algoritmos de deep learning na avaliação de três sistemas de autossegmentação. O estudo foi direcionado especificamente para a região anatômica da próstata, devido à alta incidência de neoplasias, que demandam um planejamento de tratamento preciso e personalizado. Foram selecionados 15 imagens de tomografia computadorizada de pacientes com características semelhantes, a fim de garantir a eficiencia do software e uma comparação consistente e confiável entre os sistemas. A escolha de pacientes com perfis semelhantes foi importante para minimizar variáveis que pudessem interferir nos resultados, permitindo uma análise mais precisa do desempenho dos sistemas de autossegmentação. Para realizar a análise, foi desenvolvido o VoxelMatch, que se trata de um Sistema de Avaliação de Similaridade de Imagens Binárias Geradas por Deep Learning, que utiliza métricas como o Coeficiente de Similaridade de Dice (DSC) e a Distância de Hausdorff (HD) para avaliar a precisão das segmentações automáticas em relação às manuais, realizadas por especialistas em oncologia radioterápica. Os resultados demonstraram que os sistemas de deep learning têm potencial para melhorar a eficiência e a consistência no planejamento de radioterapia, na região da próstata, reduzindo o tempo de segmentação e aumentando a precisão dos contornos. As métricas de avaliação escolhidas foram o Coeficiente de Similaridade de Dice e a Distância de Hausdorff, que permitiram quantificar a sobreposição e a discrepância espacial entre os contornos. Os resultados também demonstraram que os três softwares apresentaram valores médios de DSC entre 0,88 e 0,94 e valores de HD que variaram, de maneira consistente, em torno de 3 a 4,5 mm para os órgãos avaliados (próstata, reto, bexiga e cabeças femorais bilaterais). Tais resultados, sugerem que a autosegmentação baseada em deep learning pode reduzir significativamente o tempo de delineamento, diminuir a variabilidade interobservador e oferecer uma precisão comparável à segmentação manual. O estudo, portanto, reforça a relevância da integração de tecnologias baseadas em deep learning ao planejamento radioterápico, demonstrando que os algoritmos de autosegmentação podem atuar como ferramentas de apoio altamente eficazes para os profissionais da área. Além de otimizar o tempo de delineamento e reduzir a variabilidade interobservador, essas soluções contribuem para o aprimoramento da qualidade do tratamento, assegurando maior precisão anatômica, reprodutibilidade e segurança ao paciente. Assim, a incorporação de sistemas inteligentes de autosegmentação representa um avanço significativo rumo à radioterapia de alta precisão e à personalização terapêutica baseada em evidências científicas.