Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40101| Título: | Comparação entre segmentação automatizada e manual em tomografias computadorizadas para análise da composição corporal |
| Título(s) alternativo(s): | Comparison between automated and manual segmentation in computed tomography for body composition analysis |
| Autor(es): | Kuss, Cintia Pereira |
| Orientador(es): | Ripka, Wagner Luis |
| Palavras-chave: | Composição corporal Tomografia Segmentação de imagem Software - Validação Inteligência artificial - Aplicações médicas Engenharia biomédica Body composition Tomography Image segmentation Computer software - Validation Artificial intelligence - Medical applications Biomedical engineering |
| Data do documento: | 27-Fev-2026 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | KUSS, Cintia Pereira. Comparação entre segmentação automatizada e manual em tomografias computadorizadas para análise da composição corporal. 2026. Dissertação (Mestrado em Engenharia Biomédica) - Universidade Tecnológica Federal do Paraná, Curitiba, 2026. |
| Resumo: | A avaliação da composição corporal (CC) por Tomografia Computadorizada (TC) tem se consolidado como ferramenta relevante na investigação de desfechos clínicos, prognósticos e epidemiológicos, especialmente por meio da análise a nível da terceira vértebra lombar (L3), reconhecida como padrão-ouro para a quantificação de músculo esquelético e compartimentos adiposos. Entretanto, a segmentação manual dessas estruturas permanece um processo dependente do operador e intensivo em tempo, configurando um entrave significativo para a aplicação sistemática desses biomarcadores em estudos de grande escala e em contextos de Big Data. Diante desse cenário, o presente estudo teve como objetivo validar o Identificação Automatizada da Composição Corporal (IACC), uma ferramenta computacional desenvolvida para a identificação automatizada do nível de L3 e a segmentação dos principais compartimentos corporais, comparando seu desempenho ao método de referência baseado em segmentação manual. Foi conduzido um estudo transversal retrospectivo, no qual foram analisadas 126 Tcs abdominais provenientes de exames de rotina. O ground- truth foi estabelecido por avaliador treinado, com validação por radiologista sênior, apresentando elevada precisão, expressa por coeficientes de DICE superiores a 0,93. A avaliação estatística compreendeu análises de concordância (coeficiente de correlação intraclasse – ICC), correlação linear (Pearson), sobreposição espacial (DICE) e avaliação de viés sistemático por meio de gráficos de Bland–Altman. Os resultados mostraram alta concordância entre o método automatizado e o manual, associada a uma redução substancial do tempo médio de processamento, correspondendo a um ganho de eficiência operacional superior a 80%. A segmentação dos compartimentos adiposos apresentou desempenho consistente, com destaque para o tecido adiposo visceral (VAT), que demonstrou viés mínimo (−0,35 cm²) e ICC de 0,958. Em relação ao músculo esquelético, foi observada forte correlação com o método de referência; contudo, a análise de Bland–Altman indicou a presença de viés sistemático, porém não significativo, caracterizado por subestimação média de −12,79 cm², limitação recorrente em abordagens automatizadas descritas na literatura. Concluiu-se que o IACC configura-se como uma alternativa eficaz, reprodutível e computacionalmente eficiente à segmentação manual da CC em TC. |
| Abstract: | Body composition (BC) assessment using computed tomography (CT) has become an important tool in the investigation of clinical, prognostic, and epidemiological outcomes, particularly through morphometric analysis at the level of the third lumbar vertebra (L3), which is widely recognized as the gold standard for quantifying skeletal muscle and adipose tissue compartments. However, manual segmentation of these structures remains an operator-dependent and time-intensive process, representing a significant barrier to the systematic application of these biomarkers in large-scale studies and Big Data contexts. In this context, the present study aimed to validate the Automated Identification of Body Composition (IACC), a computational tool developed for automated L3 level identification and segmentation of the main body compartments, by comparing its performance with the reference method based on manual segmentation. A retrospective cross-sectional study was conducted, including the analysis of 126 abdominal CT scans obtained from routine clinical examinations. The ground truth was established by a trained evaluator and validated by a senior radiologist, demonstrating high accuracy, as indicated by DICE coefficients greater than 0.93. Statistical analyses included agreement assessment using the intraclass correlation coefficient (ICC), linear correlation (Pearson), spatial overlap (Dice), and systematic bias evaluation through Bland–Altman plots. The results demonstrated high concordance between the automated method and manual segmentation, corresponding to an operational efficiency gain exceeding 80%. Segmentation of adipose tissue compartments showed consistent performance, with particular emphasis on visceral adipose tissue (VAT), which exhibited minimal bias (−0.35 cm²) and an ICC of 0.958. For skeletal muscle, a strong correlation with the reference method was observed; however, Bland–Altman analysis revealed the presence of systematic bias,but not significant, characterized by a mean underestimation of −12.79 cm², a limitation commonly reported in the literature for automated approaches. In conclusion, the IACC represents an effective, reproducible, and computationally efficient alternative to manual body composition segmentation in CT. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40101 |
| Aparece nas coleções: | CT - Programa de Pós-Graduação em Engenharia Biomédica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| segmentacaoautomatizadacomposicaocorporal.pdf | 1,56 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
