@PHDTHESIS{ 2025:500281695,
 	title = {A method for anomaly classification of endoscopic images from the entire gastrointestinal tract},
 	year = {2025},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/6518",
 	abstract = "O trato gastrointestinal faz parte do sistema digestivo, fundamental para a digestão.
  Problemas digestivos podem ser sintomas de doenças crônicas como o câncer e
  devem ser tratados com seriedade. Exames endoscópicos do trato possibilitam a
  detecção dessas doenças em seus estágios iniciais, possibilitando um tratamento
  eficaz. Apesar de serem o padrão ouro para a análise do trato GI, variâncias na
  performance do operador restringem sua utilidade. Sistemas de apoio para especialistas
  detectarem e diagnosticarem tais patologias são desejados. O método proposto utiliza
  uma Rede Neural Convolucional, especificamente a EfficientNetV2M, na fase inicial,
  responsável por discriminar entre imagens saudáveis e com anomalias. Uma arquitetura
  de Aprendizado Profundo baseada em MambaVision foi utilizada na segunda e terceira
  fases do métodoproposto para classificar anomalias do trato gastrointestinal. A segunda
  fase é responsável por categorizar as patologias em grupos e encaminhar as imagens
  para modelos de classificação binária específicos na terceira fase, que são treinados
  para distinguir imagens entre patologias dentro de cada um desses grupos. Este
  trabalho utiliza uma base de dados raramente utilizada, a base de dados ERS, contendo
  89.195 imagens rotuladas de toda a extensão do trato gastrointestinal com mais de
  100 rótulos. Os resultados obtidos para a primeira etapa alcançados por um modelo
  da arquitetura EfficientNetV2, alcançou F1-Score médio de 88,15%. O modelo da
  arquitetura MambaVision utilizado pela segunda etapa do método proposto obteve
  F1-Score médio de 76,10%, enquanto os modelos para a última etapa, responsáveis
  em classficar entre Cancer e Ulcera, Pólipo e Outras Patologias, foi de 82,07% e
  75,08%, respectivamente. Ao avaliar o método proposto de ponta a ponta, obteve-se
  um F1-Score médio de 57,35%.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO DOUTORADO EM CIÊNCIA DA COMPUTAÇÃO},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}