PPGCC/CCET

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: MARCUS VINICIUS SILVA LIMA DE OLIVEIRA
DATA: 23/04/2026
HORA: 14:30
LOCAL: Auditório do NCA
TÍTULO: Atenção Multiescala em Redes U-Net: Uma Abordagem para Segmentação de Rins, Tumores e Cistos em Tomografia Computadorizada
PALAVRAS-CHAVES: Câncer Renal; Tomografia Computadorizada; Redes Neurais Convolucionais; Segmentação Semântica; U-Net; Atenção Multiescala; Squeeze-and-Excitation; KiTS23.
PÁGINAS: 92
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Processamento Gráfico (Graphics)
RESUMO: 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 (3x3 e 7x7), 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 512x512 para 256x256 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.
MEMBROS DA BANCA:
Presidente - 2582240 - GERALDO BRAZ JUNIOR
Interno - 2663672 - JOAO DALLYSON SOUSA DE ALMEIDA
Externo à Instituição - AURA CONCI - UFF