@MASTERSTHESIS{ 2025:176930507,
 	title = {Segmentação Automática de Endometriose Profunda em Imagens de Ressonância Magnética Baseada em Aprendizado Profundo},
 	year = {2025},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/6071",
 	abstract = "A endometriose é a doença caracterizada pela presença do endométrio fora da cavidade
 uterina. Ela é declarada profunda quando a lesão se estende por mais de 5 milímetros.
 Essa doença atinge dezenas de milhões de mulheres de várias faixas etárias ao redor do
 mundo. Ela afeta a qualidade de vida das pacientes e pode apresentar muitos sintomas
 diferentes, além de haver a possibilidade de evoluir para problemas mais sérios. Dessa
 forma, o diagnóstico eficaz da doença é essencial para iniciar o tratamento. Uma das
 principais áreas de ocorrência de lesões devido à endometriose é o reto e sigmoide. Através
 da ressonância magnética (RM), especialistas podem avaliar a presença da doença de
 forma não invasiva, porém a um alto custo de tempo, devido às lesões apresentarem-se em
 diversos formatos, tamanhos e regiões de ocorrência. Assim, esse método de diagnóstico
 é extremamente desafiador. Neste contexto, métodos computacionais podem auxiliar os
 especialistas no diagnóstico, apresentando uma indicação da possível ocorrência das lesões.
 Porém, a literatura sobre a segmentação da endometriose em RM utilizando aprendizado
 profundo é extremamente limitada. Portanto, este trabalho propôs um método baseado na
 aplicação da a Swin-Unet, uma rede de aprendizado profundo baseada em transformer,
 para a segmentação da endometriose profunda em imagens de RM do reto e sigmoide. Além
 disso, é proposta uma etapa de refinamento da segmentação, baseada em processamento
 de imagens, para compor o método. Foram obtidos uma precisão de 45, 6%, sensibilidade
 61, 9%, Dice de 47, 7% e Jaccard de 36, 2%. Foi segmentada com boa qualidade ao menos
 uma imagem por paciente em 17 dos 18 pacientes utilizados para teste. Assim, o método
 desenvolvido demonstra-se promissor para auxiliar o diagnóstico da doença.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO  DE ENGENHARIA DA ELETRICIDADE/CCET}
}