Segmentação automática dos seios paranasais

A segmentação automática dos seios paranasais em tomografias computadorizadas (TC) é importante para o planejamento cirúrgico e a avaliação diagnóstica. Propomos um pipeline 3D automatizado que combina 3D U-Net e pós-processamento guiado por restrições anatômicas. O método foi avaliado em 146 volumes de TC multicêntricos de três estados brasileiros, adquiridos com diferentes tomógrafos. O modelo alcançou Dice médio de 0,95 ± 0,01, e o pós-processamento reduziu o HD95 de 37,67 ± 9,68 mm para 11,75 ± 4,18 mm. Experimentos inter-regionais mostraram queda de desempenho em dados fora da distribuição (out-of-distribution), evidenciando o impacto das diferenças de aquisição e da variabilidade anatômica na generalização do modelo.

• Desenvolver um pipeline automatizado com uma 3D U-Net para segmentar essas estruturas em volumes de TC
• combinada com uma etapa de pós-processamento morfológico (baseada em regras anatômicas) pra corrigir erros de borda e falsos positivos.
• Validar o modelo num dataset multicêntrico brasileiro (146 exames de PA
• BA e CE)
• avaliando métricas como Dice
• IoU
• Precisão
• Recall e HD95.
• Comparar essa arquitetura 3D com outras arquiteturas estabelecidas (SegResNet
• Swin UNETR e uma Attention U-Net 2D) sob as mesmas condições de treino
• pra entender se o ganho de desempenho vem da arquitetura em si ou do contexto espacial (volumétrico) disponível durante o treino.
• Avaliar a generalização do modelo entre diferentes regiões/scanners (leave-one-state-out)
• investigando o impacto de domain shift causado por diferenças técnicas e populacionais entre os estados.
• Fazer isso de forma multi-sinus (frontal
• maxilar e esfenoidal juntos
• exceto etmoide)
• já que a maioria dos estudos anteriores foca só num seio isolado (geralmente o maxilar) e em populações únicas (chinesa
• coreana
• turca) — o diferencial aqui é usar dado brasileiro multicêntrico e várias estruturas ao mesmo tempo.