@MASTERSTHESIS{ 2026:1544208300,
 	title = {Classificação de Exames PET de Corpo Inteiro usando Representações MIP e Aprendizado Profundo},
 	year = {2026},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/6900",
 	abstract = "O câncer é um dos maiores desafios de saúde pública global, com estimativas de 35 milhões
 de novos casos até 2035. Nesse cenário, o exame de Tomografia por Emissão de Pósitrons
 (PET) é essencial para o diagnóstico e monitoramento. No entanto, a interpretação clínica
 desses exames é uma tarefa exaustiva, sujeita à subjetividade do especialista e limitada
 pela alta complexidade dos dados volumétricos 3D. Este trabalho propõe um método de
 classificação automática de exames PET de corpo inteiro de pacientes com câncer de pulmão,
 linfoma, melanoma e saudáveis, utilizando técnicas de aprendizado profundo aplicadas a
 representações de Projeção de Intensidade Máxima (MIP). O método é estruturado em
 quatro etapas: geração de imagens MIP nos eixos coronal e sagital, pré-processamento,
 extração de características e classificação. Foram avaliados seis arquiteturas para extração
 de atributos (ConvNeXt, EfficientNet-B0, Swin e VGG19) e três classificadores (MLP, SVM
 e XGBoost). O método alcançou resultados de 96,45% para a métrica de AUC, 91,98% de
 Acurácia, 91,63% de F1-Score, 91,18% de sensibilidade e uma precisão de 92,08%. Esses
 resultados mostram que a utilização de representações MIP, combinada a um conjunto de
 arquiteturas especializadas por perspectiva, permite atingir um desempenho satisfatório,
 aproximando-se de abordagens que utilizam volumes 3D e exames híbridos (PET/TC).",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET},
 	note = {DEPARTAMENTO  DE ENGENHARIA DA ELETRICIDADE/CCET}
}