Identificação de hemorragias intracranianas em imagens de tomografia computadorizada de cabeça utilizando informações axiais

Abstract

A identificação de hemorragias intracranianas (HICs) e seus subtipos em imagens de tomografia computadorizada (TC) de cabeça é um desafio na medicina devido à necessidade de diagnósticos rápidos e precisos. Este estudo propõe uma arquitetura em três níveis para solucionar esse problema. Os subtipos de HIC abordados incluem hemorragia intraparenquimatosa, intraventricular, subaracnóidea, subdural e epidural. A arquitetura proposta combina redes neurais convolucionais (CNNs) e redes neurais recorrentes de memória de curto prazo longo bidirecionais (BiLSTMs) Na primeira etapa, cinco variações de CNNs são utilizadas para gerar as predições dos slices: DenseNet-121, DenseNet-169, ResNeXt-50, ResNeXt-101 e SqueezeNet-1.0, além de três tipos de ensembles das CNNs. Em seguida, a arquitetura BiLSTM é utilizada para ajustar as predições por slice, considerando informações contextuais dos slices adjacentes ao longo do eixo axial. Na etapa final, uma segunda BiLSTM integra essas predições ajustadas para gerar predições por exame. Os modelos foram treinados na base de dados RSNA, com o objetivo de maximizar a métrica de f1-score, e posteriormente avaliados nas bases RSNA, CQ500 e PhysioNet, utilizando as métricas de acurácia, precisão, revocação e f1-score. Os resultados experimentais evidenciam a capacidade dos modelos de generalização para diferentes bases de dados. O modelo que se destacou utilizou uma DenseNet-121 como backbone, alcançando médias de acurácia, precisão, revocação e f1-score de 91%, 91%, 90% e 90%, respectivamente. A análise por classe apresentou desafios na classe Epidural, sugerindo uma maior sensibilidade à técnica utilizada, possivelmente devido à menor quantidade de exames desse subtipo disponíveis na base de dados. Observou-se ganhos de desempenho a cada etapa. A arquitetura proposta demonstrou resultados comparáveis aos trabalhos do estado-da-arte, destacando-se como uma ferramenta promissora para auxiliar os profissionais de saúde no diagnóstico clínico de HICs e seus subtipos.

The identification of intracranial hemorrhages (ICHs) and their subtypes in head computed tomography (CT) images is a significant challenge in medicine due to the need for rapid and accurate diagnoses. This study proposes a three-level architecture to address this issue. The ICH subtypes covered include intraparenchymal, intraventricular, subarachnoid, subdural, and epidural hemorrhages. The proposed architecture combines convolutional neural networks (CNNs) and bidirectional long short-term memory networks (BiLSTMs). In the first stage, five variations of CNNs are used to generate slice predictions: DenseNet-121, DenseNet-169, ResNeXt-50, ResNeXt-101, and SqueezeNet-1.0, as well as three types of CNN ensembles. Next, the BiLSTM architecture adjusts the slice predictions by considering contextual information from adjacent slices along the axial axis. In the final stage, a second BiLSTM integrates these adjusted predictions to generate predictions per exam. The models were trained on the RSNA dataset, aiming to maximize the f1-score metric, and subsequently evaluated on the RSNA, CQ500, and PhysioNet datasets, using accuracy, precision, recall, and f1-score metrics. The experimental results demonstrate the models' ability to generalize across different datasets. The standout model used DenseNet-121 as the backbone, achieving average accuracy, precision, recall, and f1-score of 91%, 91%, 90%, and 90%, respectively. Class analysis revealed challenges in the Epidural class, suggesting greater sensitivity to the technique used, possibly due to the smaller number of exams of this subtype available in the dataset. Performance gains were observed at each stage. The proposed architecture demonstrated results comparable to state-of-the-art works, standing out as a promising tool to assist healthcare professionals in the clinical diagnosis of ICHs and their subtypes.