@MASTERSTHESIS{ 2024:1682761825,
 	title = {Segmentação de traqueia em tomografia computadorizada utilizando efficient-deeplab Autor:},
 	year = {2024},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/5485",
 	abstract = "A segmentação de Órgãos em Risco (OAR) é crucial no planejamento da radioterapia. Seu
  objetivo é demarcar os tecidos saudáveis para que a radiação ionizante seja direcionada
  apenas às células cancerosas. Para isso, médicos realizam a demarcação dos órgãos
  manualmente, o que torna o processo demorado e propenso a erros. Portanto, metodologias
  de segmentação automática que utilizam aprendizado profundo podem acelerar a delimitação
  dos órgãos durante o planejamento da radioterapia. As metodologias existentes possuem
  muitos parâmetros, o que deixa o modelo pesado e caro de ser disponibilizado como um
  serviço. Este trabalho propõe o uso de uma arquitetura de rede neural convolucional
  denominada EfficientDeeplab, treinada em exames de tomografia computadorizada para
  realizar a segmentação de traqueia. O modelo diferencia-se de outras arquiteturas por
  possuir menor quantidade de parâmetros, o que a torna ideal para aplicações em serviços
  de saúde em larga escala. Para obter baixa quantidade de parâmetros e uma segmentação
  de qualidade foram aplicadas as convoluções atrous e a arquitetura EfficientNet. Foram
  realizados testes no conjunto de dados SEGTHOR, que obtiveram um dice score de 82,21%.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}