@PHDTHESIS{ 2021:157575133,
 	title = {Métodos computacionais baseados em superpixels para segmentação automática da próstata em imagens de ressonância magnética 3D},
 	year = {2021},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/3676",
 	abstract = "O câncer de próstata é o segundo câncer mais frequente em homens no mundo. No Brasil, estimam-se 65.840 casos novos de câncer de próstata para cada ano do triênio 2020-2022. A segmentação automática da próstata é um fator importante para auxiliar o diagnóstico e o tratamento do câncer, como orientação do procedimento de biópsia e a radioterapia. No entanto, a segmentação automática é desafiadora devido à grande variação na anatomia da próstata por conta das alterações patológicas, tecido semelhante aos órgãos adjacentes e diferentes protocolos de aquisição das imagens. Portanto, esta tese propõe três métodos computacionais baseados em superpixels para segmentação automática da próstata em imagens de ressonância magnética (RM) 3D. Todos os métodos propostos consideram as seguintes etapas: 1) descrição dos materiais, 2) detecção da próstata, 3) melhoramento das imagens, 4) segmentação da próstata, 5) refinamento da segmentação, e a 6) avaliação dos resultados. As diferenças entre os métodos propostos encontram-se na etapa de segmentação da próstata com a subetapa de classificação dos superpixels. O primeiro método proposto apresenta uma abordagem de classificação baseada na t´técnica de aprendizagem profunda Convolutional Neural Network (CNN) e o algoritmo de otimização por enxame de partículas (PSO) para otimizar os filtros nas camadas convolucionais, o segundo m´etodo proposto descreve uma abordagem de classificação convencional baseada em descritores de textura, usando os ´índices filogenéticos, o algoritmo eXtreme Gradient Boosting (XGBoost) e o algoritmo PSO para otimizar os hiperparâmetros do XGBoost, e por fim, o terceiro método proposto detalha uma abordagem de classificação híbrida baseada na técnica CNN, o algoritmo XGBoost e o algoritmo PSO para otimizar o tipo de conexão utilizada nas camadas convolucionais. Os métodos propostos foram avaliados nas bases de imagens de RM 3D Prostate 3T e PROMISE12 usando as métricas de desempenho coeficiente de similaridade Dice, volume relativo da diferença, similaridade volumétrica, distância média da superfície e distância de Hausdorff. Os resultados da aplicação do primeiro método apresentaram 87,67%, 2,83%, 0,96, 0,89 mm, e 13,65 mm, respectivamente nos valores correspondentes das métricas de desempenho mencionadas. O segundo método proposto obteve 85,64%, 7,68%, 0,96, 1,22 mm, e 15,13 mm, respectivamente. Finalmente, o terceiro método proposto alcançou 87,65%, 3,18%, 0,96, 0,88 mm, e 13,51 mm, respectivamente. Constatou-se que o primeiro e o terceiro m´método apresentaram resultados similares na segmentação da próstata, sendo eles superiores aos resultados obtidos no segundo método. Além disso, o terceiro m´método apresentou um menor desvio padrão nas métricas e uma taxa de acerto no superpixels de próstata superior aos demais m´métodos. Os resultados experimentais demonstram o potencial de desempenho dos métodos propostos comparados aos publicados recentemente na literatura. Palavras-chave: Segmentação da próstata, Superpixels, Convolutional neural network, Índices filogenéticos, Algoritmo XGBoost, Otimização por enxame de partículas",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET},
 	note = {DEPARTAMENTO  DE ENGENHARIA DA ELETRICIDADE/CCET}
}