A segmentação de imagens médicas é uma etapa essencial na análise de exames de órgãos ou partes do corpo, permitindo que médicos atribuam rótulos anatômicos a diferentes regiões das imagens — como córtex cerebral ou tronco encefálico — para orientar diagnósticos, planejamento cirúrgico e pesquisas. Tradicionalmente, esse processo depende do trabalho manual de clínicos, sendo demorado e trabalhoso. Nos últimos anos, as arquiteturas de IA conhecidas como U-Nets, projetadas especificamente para segmentação de imagens médicas, tornaram-se predominantes, embora exijam grandes quantidades de dados e recursos para imagens de grande porte ou em 3D, o que eleva os custos.

Diante desse desafio, o doutorando em engenharia elétrica e de computação da Universidade Rice, Kushal Vyas, e sua equipe propuseram um novo método de segmentação de imagens médicas chamado MetaSeg. Em experimentos com dados de ressonância magnética (MRI) em 2D e 3D do cérebro, o MetaSeg demonstrou desempenho de segmentação comparável ao dos U-Nets, mas com redução de 90% nos parâmetros necessários. Segundo Vyas: “O MetaSeg não segue o caminho dos U-Nets, mas adota a Representação Neural Implícita (INR) — uma estrutura de rede neural que nunca havia sido usada para segmentação de imagens.” A INR converte imagens médicas em expressões matemáticas que descrevem com precisão o valor do sinal de cada pixel ou voxel. Embora as INRs geralmente sejam altamente específicas e aplicáveis apenas a um único sinal ou imagem treinada, o MetaSeg, por meio de uma estratégia de metaaprendizado, permite que a INR se adapte rapidamente a novas imagens, decodificando rótulos e prevendo os contornos das regiões anatômicas.

O professor assistente de engenharia elétrica e de computação da Universidade Rice, Guha Balakrishnan, afirmou: “O MetaSeg traz uma perspectiva nova e escalável para o campo da segmentação de imagens médicas, um domínio dominado pelos U-Nets há mais de uma década.” Os resultados da pesquisa não apenas prometem reduzir o custo da segmentação de imagens médicas mantendo desempenho de ponta, mas também demonstram o imenso potencial da inteligência artificial na área da saúde. Como autor correspondente, Balakrishnan integra o ecossistema de pesquisadores de ponta da Universidade Rice em inovação em saúde digital, que abrange programas e institutos conjuntos dedicados à saúde digital.