@MASTERSTHESIS{ 2026:624729043,
 	title = {Atenção Multiescala em Redes U-Net: Uma Abordagem para Segmentação de Rins, Tumores e Cistos em Tomografia Computadorizada},
 	year = {2026},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/7027",
 	abstract = "A detecção e o diagnóstico precoce do câncer renal desempenham um papel fundamental
 no prognóstico e no tratamento, elevando significativamente as chances de cura e de sobrevivência dos pacientes. Nesse contexto, os avanços nos exames radiológicos permitem ao
 médico especialista realizar, por meio de imagens, a análise e identificação de lesões suspeitas. A Tomografia Computadorizada (TC) destaca-se como uma ferramenta amplamente
 utilizada no diagnóstico do câncer renal, devido à sua capacidade de gerar um grande volume de imagens detalhadas das estruturas internas do corpo, incluindo os rins, os cistos e
 os tumores. Entretanto, a análise manual desses exames é um processo trabalhoso e suscetível a erros decorrentes de fadiga e distração, o que evidencia a necessidade de métodos
 computacionais que auxiliem na segmentação automática dessas estruturas. Nos últimos
 anos, as Redes Neurais Convolucionais (CNNs) têm se destacado nessa tarefa, fornecendo
 suporte relevante aos especialistas em imagens médicas. Nesta pesquisa, desenvolvemos um
 modelo convolucional denominado Dual-Scale SE U-Net, que explora a extração de características em múltiplas escalas por meio de convoluções paralelas (3 × 3 e 7 × 7), combinadas
 com mecanismos de atenção por canal baseados no módulo Squeeze-and-Excitation (SE),
 integrados à arquitetura U-Net para segmentação de rins, cistos e tumores em imagens
 de tomografia computadorizada. Como etapa de pré-processamento, as imagens foram
 redimensionadas de 512×512 para 256×256 pixels, visando maior eficiência computacional. A metodologia produziu resultados promissores no conjunto de dados do desafio
 KiTS23, avaliado por meio de validação cruzada com cinco iterações, apresentando coeficiente de similaridade Dice de 90,94% para Rins e Massas, 89,52% para Massas Renais e
 86,27% para Tumores Renais. Na análise por estruturas individuais, foram obtidos valores
 de 93,80% para rins, 92,76% para cistos e 86,27% para tumores, evidenciando a eficácia
 da abordagem proposta como ferramenta de apoio ao diagnóstico médico.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}