@PHDTHESIS{ 2025:1976820228,
 	title = {Classificação do estágio de glaucoma usando dados multimodais},
 	year = {2025},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/6579",
 	abstract = "O glaucoma é a principal causa de cegueira irreversível no mundo. Seu diagnóstico
 precoce é desafiador devido à ausência de sintomas nos estágios iniciais, à necessidade
 de análise de múltiplos exames por profissionais especializados e ao baixo conhecimento
 da população sobre a doença. Embora a perda visual causada pelo glaucoma seja
 irreversível, sua progressão pode ser retardada quando identificada precocemente. Nesse
 contexto, métodos baseados em deep learning têm se mostrado promissores em
 tarefas de processamento de imagens médicas, como classificação e segmentação,
 oferecendo suporte potencial ao diagnóstico clínico. Neste trabalho, foi desenvolvido
 um método para classificação dos estágios do glaucoma a partir da utilização de
 retinografias e volumes de OCT. O método emprega uma arquitetura multimodal baseada
 em redes convolucionais e explora diferentes estratégias de fusão, tanto de mapas de
 características quanto de predições, com o objetivo de integrar de forma eficaz as
 modalidades. Além disso, foram investigadas regiões específicas de interesse — o nervo
 óptico, nas retinografias, e as camadas retinianas, nos volumes de OCT — como forma
 de aprimorar a representação dos dados e melhorar a acurácia da classificação. Os
 experimentos realizados demonstraram que os modelos multimodais alcançaram
 desempenhos superiores em relação aos unimodais, atingindo como melhor resultado um
 valor de Kappa de 0,88, o que indica um alto nível de concordância do método proposto
 em relação às avaliações de especialistas. Adicionalmente, os resultados evidenciaram
 que a retinografia exerce maior influência do que os volumes de OCT no processo de
 classificação, enquanto a captura direcionada das camadas da retina mostrou-se uma
 abordagem promissora para aumentar a precisão do modelo. De forma geral, o método
 proposto demonstrou potencial significativo como ferramenta de apoio à decisão clínica,
 contribuindo para o avanço de sistemas automatizados de diagnóstico e para a detecção
 precoce e precisa do glaucoma.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO DOUTORADO EM CIÊNCIA DA COMPUTAÇÃO},
 	note = {COORDENAÇÃO DO CURSO DE CIÊNCIAS DA COMPUTAÇÃO/CCET}
}