Aplicação de algoritmos de aprendizado profundo na avaliação pré-operatória de cirurgia otológica por exames de imagem

Abstract

INTRODUÇÃO: A cirurgia otológica desempenha um papel crucial no tratamento de perda auditiva, infecções e tumores da base lateral do crânio. A segmentação precisa das estruturas otológicas a partir de tomografias computadorizadas (TC) pode melhorar significativamente o planejamento cirúrgico e a orientação intraoperatória. OBJETIVO: Desenvolver e validar um sistema de segmentação automatizada de estruturas-chave do osso temporal obtido de TC utilizando algoritmos de aprendizado profundo. MÉTODO: Trata-se de estudo Experimental no qual foram realizados dois ensaios. No primeiro experimento, 150 TC segmentadas manualmente foram utilizadas para construir modelos de segmentação automatizada empregando redes neurais convolucionais (CNN). A análise objetiva dos modelos de segmentação da orelha interna, nervo facial, ossículos e seio sigmoide incluíram o coeficiente de Dice, velocidade de segmentação e distância de Hausdorff média. No segundo protótipo, um moderno algoritmo de aprendizado profundo (SwinUNETR) foi usado para construir um modelo de previsão para segmentação rápida de nove estruturas-chave do osso temporal em 325 TC clínicas. A avaliação objetiva incluiu Dice, precisão balanceada, distâncias de Hausdorff e tempo de processamento. RESULTADOS: No primeiro experimento, os modelos obtiveram coeficientes de Dice de 0,91, 0,85, 0,75 e 0,86 para as respectivas estruturas, e o tempo de segmentação médio foi de 2,7 segundos por estrutura. O segundo modelo alcançou coeficiente de Dice médio de 0,87 para todas as estruturas, precisão balanceada média de 0,94, Distância de Hausdorff média de 0,79mm e tempo médio de processamento de 9,1 segundos por TC. CONCLUSÃO: Neste estudo, a aplicação de algoritmos de aprendizado profundo para a segmentação automatizada de estruturas do osso temporal em TC permitiu a construção de modelos com elevada precisão de acordo com a análise objetiva recomendada atualmente. Os resultados obtidos demonstram o potencial do método para melhorar a avaliação pré-operatória e a orientação intraoperatória em cirurgia otológica.