@PHDTHESIS{ 2019:1097898213,
 	title = {Metodologia computacional para a segmentação da próstata e classificação de lesões em imagens de ressonância magnética utilizando o modelo de Ising},
 	year = {2019},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/2627",
 	abstract = "O câncer de próstata e o segundo tipo de câncer mais predominante na população masculina
 em todo o mundo. Atualmente tem crescido a adoção de exames de imageamento da
 próstata para a prevenção, diagnóstico e tratamento. É sabido que a detecção precoce
 aumenta as chances de um tratamento efetivo, melhorando o prognóstico da doença. Com
 este objetivo, ferramentas computacionais têm sido propostas com a finalidade de auxiliar o
 especialista na interpretação de exames de imagens, em especial as imagens de ressonância
 magnética (RM), provendo a detecção de lesões. A pesquisa deste trabalho de doutorado
 tem como objetivo principal a proposição de uma metodologia automática para a detecção
 de lesões na próstata. A metodologia proposta se divide em duas etapas. Na primeira
 etapa é realizada a segmentação da próstata, para este fim são utilizados o modelo de
 Ising, modelos de probabilidade, quality threshold e fusão de rótulos de atlas. A segunda
 etapa consiste da classificação de lesões na próstata. Para isso são extraídos candidatos a
 lesões através do algoritmo de Wolff, em seguida são extraídas características de textura
 usando o modelo de Ising e finalmente é utilizada a máquina de vetores suporte para a
 classificação em lesão ou tecido saudável. A metodologia foi validada utilizando três bases
 de imagens de RM com ponderação em T2. As três bases são utilizadas para o propósito da
 segmentação da próstata, entretanto apenas uma _e utilizada na segmentação da próstata e
 detecção de lesões. O total de imagens utilizadas na validação da segmentação da próstata
 foi de 108. Os resultados experimentais aqui obtidos indicam uma boa perspectiva, tendo
 em vista que foi obtido um coeficiente de similaridade de Dice (DSC) médio de 94.03%
 na etapa de . Já a etapa de detecção de lesões foi validada num conjunto de 28 imagens
 com as marcações de lesões e foi obtida uma sensibilidade de 95,92%, especificidade de
 93,89% e acurácia de 94,16%. Estes são promissores uma vez que foram maiores que outros
 métodos comparados.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET},
 	note = {DEPARTAMENTO  DE ENGENHARIA DA ELETRICIDADE/CCET}
}