@MASTERSTHESIS{ 2019:81842022,
 	title = {Uma abordagem radiomics usando índices de diversidade filogenética e funcional para classificar nódulos de câncer de pulmão de células não pequenas em imagens de tomografia computadorizada},
 	year = {2019},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/2574",
 	abstract = "O câncer de pulmão é a maior causa de morte por câncer em todo mundo, representando
 mais de 17% do total de mortes relacionadas com câncer, sendo que o câncer de pulmão
 de células não pequenas (Non Small Cell Lung Cancer - NSCLC) corresponde a aproximadamente
 85% das ocorrências do câncer pulmonar. Porém, seu diagnóstico precoce pode
 ajudar em uma queda acentuada nesta taxa de mortalidade. Devido o árduo processo
 na análise dos exames por imagens, surge um campo emergente em processamentos
 de imagens chamado de Radiomics. Esta abordagem permite caracterizar uma imagem
 quantitativamente, o que possibilita a definição muito mais precisa do fenótipo do tumor,
 utilizando técnicas de processamento de imagens e reconhecimento de padrões, provendo
 um diagnóstico precoce de NSCLC de forma rápida e ajudando na opinião do especialista.
 Diante disso, este trabalho propõe uma metodologia para a classificação de nódulos de
 NSCLC em exames de Tomografia Computadorizada (TC) utilizando índices de diversidade
 filogenética e funcional em uma abordagem Radiomics. Dividida em seis etapas, esta
 metodologia se inicia com a aquisição das imagens de nódulos de NSCLC da base pública
 de imagens NSCLC-Radiomics. Na segunda etapa, as lesões foram extraídas utilizando as
 marcações dos especialistas. Em seguida, na terceira etapa são feitas quantizações para
 criarem maiores diversidades de espécies. Na quarta fase, são extraídas características
 de textura baseadas em índices de diversidade filogenética e funcional. Em seguida, na
 quinta fase as características são submetidas aos classificadores Suport Vector Machine, e
 Random Forest. Por fim, na sexta etapa, a metodologia proposta é validada utilizando a
 área sob a curva Receiver Operating Characteristic (ROC), o índice Kappa e a acurácia.
 Os melhores valores achados para a classificação de nódulos de NSCLC na abordagem
 Radiomics, resultaram em um índice Kappa de 0,989, uma área sob a curva ROC de 0,999
 e uma acurácia de 99,44%.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET},
 	note = {COORDENAÇÃO DO CURSO DE ENGENHARIA ELÉTRICA/CCET}
}