@MASTERSTHESIS{ 2020:1398032771,
 	title = {Segmentação Automática de Vértebras em 3D e Diagnóstico de Fraturas em Imagens de Ressonância Magnética Utilizando Dense U-Net e XGBoost},
 	year = {2020},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/5919",
 	abstract = "A dor lombar é uma razão comum para visitas clínicas e o exame de ressonância magnética
 é frequentemente utilizado em sistemas de apoio a diagnóstico de patologias na coluna.
 Visando aprimorar e automatizar esse processo, este estudo propõe o uso de técnicas
 computacionais para a segmentação de vértebras em imagens de ressonância magnética,
 com o objetivo de realizar posteriores análises acerca de patologias na coluna. Para este
 fim, são utilizadas arquiteturas de Deep Learning e Aprendizado de Máquina: a Dense
 U-Net para a segmentação em 3D e CNN com XGBoost para a classificação de vértebras
 que apresentam ruptura ou não. Os resultados obtidos mostram que a Dense U-Net é
 promissora em localizar a região da vértebra, obtendo um valor de Coeficiente de Dice
 médio de 90,82%, superando, assim vários trabalhos importantes focados no problema. A
 classificação também se mostrou eficiente, apresentando como melhores resultados valores
 de 96,88% para acurácia e 88,89% de sensibilidade.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO  DE ENGENHARIA DA ELETRICIDADE/CCET}
}