Cesarean Scar Defect Segmentation in Transvaginal Ultrasound Images: a Dataset and Benchmark

Resumo Técnico: Segmentação de Defeito da Cicatriz de Cesárea em Imagens de Ultrassom Transvaginal

Declaração do Problema
O Defeito da Cicatriz de Cesárea (CSD), um nicho ou indentação persistente na parede uterina anterior resultante de cicatrização incompleta após parto cesáreo, é uma complicação prevalente que afeta aproximadamente 60% das mulheres com histórico de cesárea. Embora defeitos significativos (espessura miometrial residual <3mm) possam levar a doenças sintomáticas (por exemplo, sangramento pós-menstrual, dor pélvica crônica) e riscos obstétricos graves (por exemplo, ruptura uterina, placenta accreta), o diagnóstico preciso permanece desafiador. A ultrassonografia transvaginal (TVUS) é a ferramenta de rastreamento padrão de primeira linha devido à sua acessibilidade e não invasividade; no entanto, a identificação confiável é dificultada pelo pequeno tamanho, morfologia irregular e baixo contraste das lesões de CSD, bem como pela dependência do operador e pela consciência clínica limitada. Apesar dos avanços no aprendizado profundo para imagens médicas, existe uma lacuna crítica: não há um conjunto de dados publicamente disponível especificamente para segmentação de CSD em ultrassom transvaginal, limitando o desenvolvimento de ferramentas de diagnóstico automatizado.

Metodologia
Para abordar essa escassez de dados, os autores apresentam um estudo de coorte retrospectiva abrangente, de centro único, envolvendo a criação de um conjunto de dados especializado de CSD.

• Aquisição de Dados: O estudo utilizou dados anonimizados do Hospital Internacional de Saúde Materna e Infantil da Paz (IPMCH). Os critérios de inclusão focaram em mulheres com idades entre 22 e 45 anos com divertículo uterino significativo (profundidade ≥50% da espessura miometrial, espessura residual ≤3mm) e desejos ativos de fertilidade. Os dados brutos foram adquiridos usando equipamentos de ultrassom padronizados (Philips iU-22, Samsung W10, Mindray Resona R9), gerando 1.111 imagens estáticas e 16 sequências de vídeo dinâmicas.
• Protocolo de Anotação: Um quadro rigoroso e colaborativo de anotação foi estabelecido, envolvendo sonografistas experientes e estudantes de doutorado treinados. O processo seguiu diretrizes clínicas padronizadas:
  1. Sonografistas orientaram estudantes de doutorado na identificação da presença e das regiões de CSD.
  2. As anotações foram realizadas usando Labelme para imagens estáticas e Pair para sequências de vídeo.
  3. Um processo de validação multinível garantiu a consistência interobservador, onde cada amostra foi discutida por dois estudantes de doutorado e subsequentemente revisada e modificada por um sonografista.
• Pré-processamento de Dados: Para reduzir a redundância, cada 10ª quadro foi extraído das 16 sequências de vídeo. Um algoritmo de recorte semi-automático removeu informações digitais extrínsecas ao redor da Região de Interesse (ROI). De um conjunto inicial de 1.309 amostras, 501 amostras positivas de alta qualidade com CSD confirmado e anotações manuais precisas em nível de pixel foram selecionadas para constituir o conjunto de dados final.
• Estrutura do Conjunto de Dados: O conjunto de dados está organizado no formato Pascal VOC, contendo imagens JPEG originais, máscaras de segmentação PNG correspondentes e arquivos de texto definindo as divisões de treinamento/teste.

Principais Contribuições

1. Primeiro Conjunto de Dados Público de CSD: O artigo apresenta o primeiro conjunto de dados publicamente disponível para segmentação de CSD em ultrassom transvaginal, compreendendo 501 amostras positivas com anotações em nível de pixel derivadas de 1.111 imagens e 16 vídeos.
2. Quadro de Referência (Benchmarking): Os autores fornecem um benchmark ao avaliar quatro arquiteturas de segmentação de imagens médicas de última geração (UNet, DeepLabV3+, GCNet, Swin-UNet) no conjunto de dados usando um protocolo de validação cruzada de cinco dobras.
3. Anotação Padronizada: O trabalho estabelece um pipeline de anotação reproduzível envolvendo colaboração multidisciplinar, garantindo uma verdade fundamental de alta qualidade que ader às diretrizes clínicas.

Resultados
A validação técnica foi conduzida utilizando o coeficiente Dice, Precisão, Revocação (Recall), Intersecção sobre União (IoU) e Distância de Hausdorff no percentil 95 (HD95).

• Métricas de Desempenho: Através das cinco dobras, os coeficientes Dice médios variaram de 74,03% (Swin-UNet) a 75,92% (DeepLabV3+). As pontuações IoU variaram de 70,44% a 72,12%.
• Melhor Desempenho: DeepLabV3+ alcançou o desempenho mais alto com um Dice de 75,92 ± 2,99% e um IoU de 72,12 ± 3,06%.
• Análise de Erro: A Precisão variou entre 78% e 88%, refletindo a dificuldade em distinguir bordas finas e irregulares de CSD do fundo. No entanto, a Revocação (Recall) permaneceu robusta (média mínima por dobra de 78%), indicando que a omissão de lesões não foi um modo de falha dominante.
• Precisão de Fronteira: As distâncias HD95 foram consistentemente inferiores a 9 voxels (melhor resultado: 6,60 ± 1,90 mm para GCNet), confirmando que as fronteiras previstas permanecem dentro de uma margem clinicamente aceitável em relação aos traçados de especialistas.
• Estabilidade: Baixos desvios padrão entre as dobras indicam desempenho estável do modelo e sugerem que o tamanho do conjunto de dados é suficiente para treinamento robusto.

Significado
O artigo postula que este conjunto de dados serve como um recurso fundamental para o avanço de algoritmos de segmentação de imagens médicas especificamente para ultrassonografia ginecológica. Ao fornecer anotações padronizadas e de alta qualidade, o trabalho visa:

• Aprimorar a compreensão da comunidade médica sobre as características do CSD.
• Apoiar o desenvolvimento de ferramentas de análise automatizada que possam revelar características quantitativas e padrões sutis potencialmente perdidos pela detecção visual humana.
• Melhorar a eficiência e a reprodutibilidade diagnósticas, auxiliando finalmente na estratificação de risco e no planejamento de tratamento para mulheres em idade reprodutiva.
• Estabelecer a segmentação de CSD como uma tarefa inovadora dentro do campo mais amplo da análise de imagens médicas, facilitando pesquisas futuras sobre inovações clínicas impulsionadas por IA para a saúde reprodutiva pós-cesárea.