@MASTERSTHESIS{ 2025:1896123232,
 	title = {Segmentação automática do pâncreas e massas pancreáticas em tomografias computadorizadas usando arquiteturas encoder-decoder},
 	year = {2025},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/6873",
 	abstract = "O câncer, sendo a segunda principal causa de óbitos em todo o mundo, foi responsável
 por aproximadamente 10 milhões de mortes no ano de 2020. Comparado a outros
 tipos de câncer, o câncer pancreático é relativamente raro. O prognóstico para o câncer
 pancreático é desfavorável, com uma taxa de mortalidade de 98%, uma das piores entre
 todos os tipos de câncer. O diagnóstico na fase inicial da doença é o principal fator que
 define o prognóstico. Uma das principais dificuldades do diagnóstico precoce do câncer
 de pâncreas é a identificação de massas pequenas em exames de imagem, como a
 ultrassonografia abdominal, a tomografia computadorizada e a ressonância magnética.
 Os exames de imagem são as principais ferramentas utilizadas para o diagnóstico
 precoce. Logo, a identificação dessas massas nos estágios iniciais desse tipo de câncer
 melhora o prognóstico. Tecnologias que suplementem esses exames baseados em
 imagem são necessárias. Nesta tese, foram desenvolvidos dois métodos, um para
 segmentação do pâncreas e outro para a segmentação de massas pancreáticas em
 exames de tomografia computadorizada utilizando Aprendizagem Profunda. O método
 proposto para segmentação do pâncreas utilizou-se da combinação dos modelos
 EfficientNetB7 com U-Net, tendo alcançado resultados promissores, com Dice médio
 de 85,39 ± 2,39% na base de dados NIH e 85,96 ± 02,08% na base de dados MSD.
 Para a segmentação de massas pancreáticas, utilizou-se a combinação de cinco
 modelos Encoder-Decoder: U-Net, FPN e LinkNet, EDU-Net e ETDPU-Net. Os três
 primeiros utilizam EfficientNetB7 como backbone, enquanto a EDU-Net e ETDPU-Net -
 arquitetura desenvolvida durante esta tese - utilizam convoluções deformáveis e atenção
 Squeeze-and-Excitation para melhorar a extração de características. Esses cinco
 modelos são combinados em um comitê de votação majoritária para obter resultados
 superiores aos modelos individuais. O método proposto nesta tese alcançou Dice de
 65,28% ± 5,57% na base MSD, evidenciando a sua validade e desempenho.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO DOUTORADO EM CIÊNCIA DA COMPUTAÇÃO},
 	note = {COORDENAÇÃO DO CURSO DE CIÊNCIAS DA COMPUTAÇÃO/CCET}
}