@PHDTHESIS{ 2022:986667762,
 	title = {Segmentação automática de rins e tumores renais em imagens de tomografia computadorizada baseada em aprendizado profundo 2.5D.},
 	year = {2022},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/3741",
 	abstract = "O câncer renal é um problema de saúde pública que afeta milhares de pessoas em
 todo o mundo. A segmentação precisa dos rins e dos tumores renais pode ajudar os
 especialistas a diagnosticar doenças e melhorar o planejamento do tratamento, o que é
 importante na prática clínica. No entanto, devido à heterogeneidade dos rins e dos
 tumores renais, a segmentação manual é um processo demorado e sujeito a variabilidade
 entre os especialistas. Devido a esse trabalho árduo, técnicas computacionais, como
 redes neurais convolucionais (Convolutional Neural Networks - CNNs), tornaram-se
 populares em tarefas de segmentação automática de rins e tumores renais. As redes
 tridimensionais (3D) apresentam bom desempenho em tarefas de segmentação,
 mas são complexas e apresentam altos custos computacionais. Assim, as redes
 bidimensionais são as mais usadas devido ao consumo de memória relativamente baixo,
 mas não exploram os recursos 3D. Portanto, nesta tese, redes 2.5D, que equilibram o
 consumo de memória e a complexidade do modelo, são propostas para auxiliar médicos
 especializados na detecção de rins e tumores renais em tomografia computadorizada
 (TC). Estas redes estão inseridas em um método proposto organizado em quatro
 etapas: (1) pré-processamento da base de imagens; (2) segmentação inicial dos rins e
 tumores renais usando os modelos ResUNet 2.5D e DeepLabv3+ 2.5D, respectivamente;
 (3) reconstrução dos tumores renais usando operação binária; e (4) redução de falsos
 positivos usando técnicas de processamento de imagens. O método proposto foi avaliado
 em 210 TCs da base de imagens KiTS19. Na segmentação dos rins, apresentou 97,45%
 de Dice, 95,05% de Jaccard, 99,95% de acurácia, 98,44% de sensibilidade e 99,96% de
 especificidade. Na segmentação dos tumores renais, foi obtido 84,06% de Dice, 75,04%
 de Jaccard, 99,94% de acurácia, 88,33% de sensibilidade e 99,95% de especificidade. De
 maneira geral, os resultados fornecem fortes evidências de que o método proposto é uma
 ferramenta com potencial para auxiliar no diagnóstico da doença.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO DOUTORADO EM CIÊNCIA DA COMPUTAÇÃO - ASSOCIAÇÃO UFMA/UFPI},
 	note = {DEPARTAMENTO  DE ENGENHARIA DA ELETRICIDADE/CCET}
}