Combinando CNN e conhecimento a priori para segmentar lobos pulmonares em aquisições de CT com lesões severas

A segmentação automática dos lobos pulmonares em imagens de tomografia computadorizada (CT) é fundamental para aplicações clínicas e de pesquisa, mas permanece desafiadora em pacientes com doenças pulmonares graves, nos quais as fissuras lobares podem estar incompletas ou invisíveis. Neste trabalho, propõe-se o LobePrior, um método robusto para a segmentação dos lobos pulmonares em cenários de severas anormalidades pulmonares. A abordagem é composta por três estágios: uma segmentação inicial em baixa resolução, um estágio de alta resolução baseado em redes AttUNet especializadas para cada lobo e um pós-processamento final. O método combina redes neurais convolucionais profundas com modelos probabilísticos que incorporam informação anatômica a priori, permitindo inferir a localização das fissuras mesmo na ausência de evidências visuais claras. O LobePrior foi avaliado no desafio LOLA11 e em quatro conjuntos de dados clínicos contendo casos com comprometimento pulmonar severo, nódulos neoplásicos e consolidações associadas à COVID-19. Os resultados demonstraram desempenho superior em comparação com métodos do estado da arte, tanto em métricas de sobreposição quanto de distância, além de produzir segmentações anatomicamente mais coerentes. O código-fonte foi disponibilizado publicamente, promovendo reprodutibilidade e avanço da pesquisa na área. O código-fonte da metodologia desenvolvida foi disponibilizado publicamente no GitHub (https://github.com/MICLab-Unicamp/LobePrior), visando à reprodutibilidade e ao avanço da pesquisa na área.