POTENCIAL E LIMITES DA NNU-NET NA SEGMENTAÇÃO DE HEMORRAGIAS INTRACRANIANAS EM TOMOGRAFIA COMPUTADORIZADA

Resumo

Introdução: A segmentação de hemorragias intracranianas em tomografias computadorizadas é um desafio crítico na radiologia devido à elevada morbimortalidade e à complexidade da interpretação manual. O aprendizado profundo surge como alternativa promissora, destacando-se a arquitetura nnU-Net, reconhecida pela adaptação a diferentes domínios de imagens médicas. Objetivo: Avaliar a aplicabilidade da nnU-Net na segmentação automática de hemorragias intracranianas, analisando o desempenho e as limitações de suas variantes em cenários clínicos heterogêneos. Método: Foram utilizados 388 exames de TC dos datasets BHSD, MICCAI, Murtadha e CQ500, este último complementado por 14 máscaras manuais. O pré-processamento incluiu conversão volumétrica 3D e binarização das máscaras. O treinamento foi conduzido em 250 épocas com validação cruzada 5-fold, explorando as variantes default, medium, large e extra-large. A avaliação utilizou Dice, IoU, precisão, sensibilidade e especificidade. Resultados: As variantes apresentaram desempenho próximo. A configuração Large obteve os melhores índices de sobreposição (Dice = 0,3940; IoU = 0,3189) e maior precisão (0,601). Já a versão Default apresentou a maior sensibilidade (0,711), favorecendo a detecção de lesões em detrimento da precisão (0,544). Os achados evidenciam o equilíbrio entre robustez arquitetural e custo computacional. Conclusões: Apesar dos resultados ficarem aquém de benchmarks internacionais (Dice > 0,90), devido ao tamanho limitado da base e à ausência de técnicas avançadas, o estudo confirma a viabilidade da nnU-Net em cenários heterogêneos. O trabalho reforça seu potencial como ferramenta de apoio radiológico e aponta para pesquisas futuras com datasets ampliados, mecanismos de atenção e arquiteturas híbridas.