@PHDTHESIS{ 2025:7730049,
 	title = {Abordagem computacional baseada em deep learning para a classificação e segmentação de endometriose profunda no retossigmoide através de imagens de ressonância magnética},
 	year = {2025},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/5941",
 	abstract = "A endometriose é uma doença que afeta principalmente a região pélvica, impactando
 significativamente a qualidade de vida das mulheres, especialmente em idade fértil.
 Este trabalho propõe um método automatizado para a classificação de pacientes com
 endometriose, localização e segmentação das lesões em imagens de ressonância
 magnética do retossigmoide, com o objetivo de auxiliar no diagnóstico, reduzir a
 necessidade de métodos invasivos e mapear a extensão das lesões. O método combina
 técnicas de processamento de imagens e aprendizado profundo, com três objetivos
 principais: classificação de pacientes, localização e segmentação de lesões. Para a
 classificação, foi alcançado um F1-score de 94,74%, utilizando um ensemble de redes
 neurais convolucionais, incluindo uma modificação proposta da VGG-16. A localização
 das lesões atingiu uma sensibilidade de 98,70%, empregando uma etapa inicial de
 segmentação e extração da região de interesse com uma combinação de processamento
 de imagens e a rede neural arificial TransUNet. Para a segmentação das lesões, foi obtido
 um índice Dice de 66,55%, também utilizando a TransUNet. Além disso, propõe-se
 uma nova aplicação de active learning para a seleção de imagens no treinamento,
 aprimorando o desempenho do modelo. Os resultados demonstram o potencial do
 método para auxiliar no manejo clínico da endometriose, especialmente no diagnóstico.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO (ASSOCIAÇÃO UFMA/UFPI)},
 	note = {DEPARTAMENTO  DE ENGENHARIA DA ELETRICIDADE/CCET}
}