@MASTERSTHESIS{ 2026:737090944,
 	title = {Segmentação automática do pâncreas em tomografias computadorizadas abdominais utilizando uma abordagem orientada a atlas probabilístico e aprendizado profundo},
 	year = {2026},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/6962",
 	abstract = "Asegmentação automática do pâncreas em imagens de Tomografia Computadorizada (TC)
 é uma tarefa desafiadora devido à elevada variabilidade anatômica do órgão, ao baixo
 contraste entre tecidos adjacentes e à grande quantidade de dados presentes nos exames
 volumétricos. Essa tarefa é importante para diversas aplicações clínicas, como diagnóstico
 auxiliado por computador, planejamento de tratamentos e análise quantitativa de estruturas
 anatômicas. No entanto, a identificação manual do pâncreas em exames de TC pode
 demandar tempo significativo dos especialistas, tornando o processo suscetível a variações
 entre observadores. Nesse contexto, métodos computacionais baseados em aprendizado
 profundo têm sido amplamente utilizados para auxiliar na análise automática de imagens
 médicas. Assim, este trabalho propõe um método automatizado para segmentação do
 pâncreas em imagens de TC abdominal. O método desenvolvido é composto por diferentes
 etapas, incluindo pré-processamento das imagens, filtragem automática de fatias sem
 a presença do órgão por meio de uma rede neural convolucional, extração da região de
 interesse utilizando um atlas probabilístico e aplicação de modelos de aprendizado profundo
 para realizar a segmentação. Para essa etapa, foram treinadas diferentes arquiteturas de
 redes neurais, incluindo DeepLabV3, U-Net++ e SegFormer. Posteriormente, os resultados
 gerados pelos modelos foram combinados por meio de uma estratégia de ensemble com
 o objetivo de aumentar a robustez da segmentação. O método foi avaliado utilizando a
 base de dados Medical Segmentation Decathlon, composta por exames de TC abdominal
 anotados manualmente por especialistas. Os resultados experimentais demonstraram que
 o ensemble proposto alcançou desempenho superior aos modelos individuais, obtendo
 coeficiente Dice de 78,55%, IoU de 68,17% e Recall de 84,41%. Dessa forma, os resultados
 obtidos indicam que a abordagem proposta apresenta potencial para auxiliar especialistas
 na análise de exames de TC, contribuindo para o desenvolvimento de sistemas de apoio ao
 diagnóstico baseados em aprendizado profundo.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}