Introdução: a medida da composição corporal através de exames de imagem tem sido objeto de estudo na comunidade científica para avaliação de desfechos clínicos. Uma das maneiras utilizadas é a segmentação dos tecidos abdominais, principalmente gordura (visceral e subcutânea) e estruturas musculoesqueléticas, porém não é realizada de maneira rotineira, sendo uma atividade laboriosa, sujeita a medidas subjetivas com variância intra e interobservador. O avanço da inteligência artificial com modelos de aprendizado profundo ("deep learning") se apresenta como uma alternativa mais eficiente e menos trabalhosa. Objetivo: desenvolver uma ferramenta automatizada para segmentação tecidual abdominal em exames de tomografia computadorizada ao nível de referência pré-estabelecido, com modelos de inteligência artificial. Materiais e métodos: foram analisadas retrospectivamente exames de tomografia computadorizada abdominal de 547 pacientes em estadiamento de neoplasia de mama. Foi desenvolvida uma ferramenta baseada em redes neurais convolucionais capaz de, primeiramente, selecionar o nível de corte seguindo como referência o meio do corpo vertebral de L3, para então ser submetido a um modelo U-Net de segmentação tecidual automática para obtenção das áreas de secção de gordura visceral, gordura subcutânea e musculatura, incluindo o coeficiente de atenuação da área de secção da musculatura. Resultados: não houve diferença estatisticamente significativa para seleção do corte ao nível de L3 entre o método manual e a ferramenta desenvolvida. O modelo utilizando U-Net também mostrou alta precisão na segmentação de tecido muscular e adiposo. Conclusão: o algoritmo desenvolvido foi efetivo para segmentação tecidual em exames de tomografia computadorizada de abdome, de forma automatizada e com maior praticidade. Isso pode facilitar a utilização desse método para análise de composição corporal automatizada e sua relação com desfechos clínicos.

Introduction: the measurement of body composition using imaging exams has been studied in the scientific community for assessing clinical outcomes. One of the methods used is the segmentation of abdominal tissues, like fat (visceral and subcutaneous) and musculoskeletal structures, but it is not routinely performed, being a laborious activity tending to subjective measures with intra and interobserver variance. The advancement of artificial intelligence with deep learning models presents itself as a more efficient and less labor-intensive alternative. Objective: developing an automated tool for abdominal tissue segmentation in computed tomography scans at a pre-established reference level, using artificial intelligence models. Materials e methods: abdominal computed tomography scans from 547 patients in breast neoplasm staging were retrospectively analyzed. A tool based on convolutional neural network was developed to firstly select the cutting level by referencing the midpoint of the L3 vertebral body, and then being subjected to a U-Net model for automatic tissue segmentation to obtain areas of visceral fat, subcutaneous fat, and musculature cross-sections, including the attenuation coefficient of the musculature. Results: there was no statistically significant difference in the selection of the L3 level slice between the manual method and the developed tool. The U-Net model also showed high accuracy in segmentation of muscular and adipose tissue. Conclusion: the developed algorithm was effective for tissue segmentation in abdominal computed tomography scans, in an automated and more practical tool. This may facilitate the use of this method for automated body composition analysis and its relationship with clinical outcomes.