@MASTERSTHESIS{ 2024:319864054,
 	title = {Geração de tomografia cardíaca com contraste sintético a partir de imagens de tomografia cardíacas sem contraste utilizando modelos de difusão},
 	year = {2024},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/5700",
 	abstract = "Esta dissertação propõe o uso de um modelo de difusão adversária baseado em aprendizagem
 profunda para abordar a tradução de imagens de tomografia computadorizada (TC) sem
 contraste do coração em imagens sintéticas compatíveis com imagens adquiridas com injeção
 de contraste. O trabalho investiga desafios na tradução de imagens médicas combinando
 conceitos de redes adversárias generativas (GANs) e modelos de difusão. Os resultados
 foram avaliados por meio de algumas métricas como: Relação sinal-ruído de pico (PSNR),
 índice de similaridade estrutural (SSIM), Frechet Inception Distance (FID) e Raiz do
 Erro Médio Quadrado (RMSE) para demonstrar o desempenho do modelo na geração de
 imagens com contraste sintético, preservando a qualidade e a similaridade visual. O modelo
 proposto obteve os seguintes melhores resultados, sendo que para PSNR = 32,85, SSIM
 = 0,766 e FID = 42,348. O CyTran obteve o melhor RMSE, de 0,14, enquanto o modelo
 teve o pior de 0,2. Também é apresentada uma comparação dos resultados obtidos com as
 redes CyTran, Cycle-GAN e Pix2Pix. Embora os resultados obtidos sejam promissores,
 a análise do RMSE indica que ainda existem desafios a serem superados, destacando a
 necessidade de melhorias contínuas. A intersecção de GANs e modelos de difusão promete
 avanços futuros, contribuindo significativamente para a prática clínica.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET},
 	note = {DEPARTAMENTO  DE ENGENHARIA DA ELETRICIDADE/CCET}
}