As diferenças entre os encéfalos de adultos e de crianças causam padrões visuais distintos nas imagens adquiridas utilizando a ressonância magnética. Isso se deve, principalmente, por existirem diferentes estágios de mielinização no encéfalo pediátrico. Assim, apesar de haver algoritmos para auxiliar o diagnóstico e o acompanhamento dos pacientes por meio da segmentação das cavidades cranianas, eles são frequentemente incapazes de lidar com a variabilidade interindividual. Além disso, muitas vezes esses algoritmos não são adaptados a casos patológicos e pediátricos. Uma das formas para tentar contornar esses problemas se dá por meio de modelos como as Redes Neurais Convolucionais (CNN), que se tornaram viáveis para tarefas de segmentação volumétrica devido ao alto poder computacional atual e novos métodos de treinamento. Assim, esta pesquisa busca propor um novo método de utilização desses modelos dentro de uma pipeline de segmentação automática da fossa posterior pediátrica, em um treinamento supervisionado empregando diferentes arquiteturas. De forma mais específica, o método proposto busca utilizar os conceitos de rede generalista e rede especialista, na qual a primeira faz uma segmentação inicial usando o volume completo. A segunda, composta por duas redes distintas em que cada uma utiliza uma parte da segmentação anterior, realiza uma segmentação mais específica no local. A primeira fase do pipeline da segmentação automática é o pré-processamento das imagens volumétricas, sendo essa composta de três etapas: primeiro é utilizada uma ferramenta para a extração do objeto de interesse (i.e. o encéfalo). Depois é utilizada a normalização da intensidade dos pixels. Por fim, é realizada uma correção do sinal de campo de polarização. Seguindo o pipeline de segmentação, a segunda etapa é a segmentação das áreas de interesse (i.e. cerebelo, IV ventrículo e tronco cerebelar) pela rede generalista e pelas redes especialistas. Essas redes foram treinadas e validadas utilizando o 5-fold cross-validation dos dados segmentados manualmente. Diferentes arquiteturas foram aplicadas durante essa etapa. Por fim, o último procedimento desse pipeline é a realização de uma fusão entre as duas redes especialistas utilizando um algoritmo de late fusion. Para essa tarefa, as imagens por ressonância magnética escolhidas são de ponderação T2 de crianças entre 0 e 18 anos adquiridas em exames clínicos realizados com o Hospital das Clínicas da USP. Um total de 32 imagens foram segmentadas manualmente por um grupo de especialistas, nas quais anotações de três regiões diferentes foram feitas na fossa posterior, delimitando assim, as áreas do cerebelo, do IV ventrículo e do tronco cerebelar. Essas segmentações manuais foram utilizadas para treinar e validar as redes neurais generalistas e especialistas. A metodologia proposta alcançou um valor médio de 0,857 no coeficiente Dice durante o teste com apenas 32 imagens volumétricas rotuladas e utilizadas durante o treinamento e validação. Além disso, as distâncias médias entre as superfícies segmentadas, de maneira automática e manual, permaneceram em torno de 1 mm para as três estruturas.

Differences between adult and child brains cause distinct visual patterns in images acquired using MRI. This is mainly due to the existence of different stages of myelination in the pediatric brain. Thus, although methods exist to support the diagnosis and follow-up of patients through segmentation of the cranial cavities, they are often unable to deal with inter-individual variability. Furthermore, these methods are often not adapted to pathological and pediatric cases. Thus, a possible approach to solve such problems is based on models such as Fully Convolutional Networks (FCN) and Convolutional Neural Networks (CNN), which have become viable for volumetric segmentation tasks due to the current high computational power and new methods of training. Thus, this thesis proposes a new method of using these models for automatic segmentation of the pediatric posterior fossa, by supervised training using different architectures. More specifically, the proposed method explores the concepts of a generalist network and a specialist network, in which the first makes an initial segmentation using the complete volume. The second, made up of two distinct networks that use a part of the previous segmentation, performs a more specific segmentation on the region. The first phase of the automatic segmentation pipeline is the pre-processing of volumetric images, which consists of three steps: first, a tool is used to extract the object of interest (i.e. the brain) (BET). Then, the normalization of the intensity of the pixels is applied. Finally, a correction of the polarization field signal (BFC) is performed. Following the segmentation pipeline, the second step is the segmentation of the areas of interest (i.e. cerebellum, IV ventricle, and cerebellar trunk) by the generalist network and by the specialist networks. These models were trained and validated using 5-fold cross-validation of manually segmented data. Different architectures were investigated for this step. Finally, the last procedure of this pipeline is to perform a fusion between the two expert networks using a late fusion algorithm. To validate the proposed approach, we explored a dataset of T2 MRI images of children between 0 and 18 years old acquired in clinical examinations carried out at the Hospital das Clínicas at USP. A total of 32 images were manually segmented by a group of specialists, in which three annotations were made in the posterior fossa, thus delimiting the areas of the cerebellum, IV ventricle, and cerebellar trunk. These manual segmentations were used to train and validate generalist and specialist neural networks. The proposed methodology reached an average value of 0.857 in the Dice score during the test with only 32 volumetric images labeled and used during training and validation. In addition, the mean distances between the automatically and manually segmented surfaces remained around 1 mm for the three structures.