DCCMAPI/CCET

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: ALEXANDRE DE CARVALHO ARAUJO
DATA: 29/09/2025
HORA: 09:00
LOCAL: Híbrida - Auditório do NCA/CCET e Google Meet
TÍTULO: Segmentação Automática do Pâncreas e Massas Pancreáticas em Tomografias Computadorizadas Usando Arquiteturas Encoder-Decoder
PALAVRAS-CHAVES: Segmentação, Pâncreas, Massas Pancreáticas, Tomografia Computadorizada, Aprendizado profundo.
PÁGINAS: 117
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Processamento Gráfico (Graphics)
RESUMO: O câncer apresenta um dos problemas mais fundamentais da biologia moderna. 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 cânceres, 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 da massa pancreática em exames de tomografia computadorizada utilizando Aprendizagem Profunda. O método proposto para segmentação do pâncreas utilizou-se da combinação da EfficientNetB7 com a U-Net e alcançou resultados promissores, com Dice médio de 85,39 ± 2,39% na base NIH e 85,96 ± 02,08% na base MSD. Para a segmentação de massas pancreáticas, utilizou-se a combinação de cinco modelos Encoder-Decoder: U-Net, FPN, 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. Esse método alcançou Dice de 65,28% ± 5,57% na base MSD, demostrando a validade e desempenho do método desenvolvido.
MEMBROS DA BANCA:
Presidente - 2663672 - JOAO DALLYSON SOUSA DE ALMEIDA
Interno - 030.355.953-56 - ANTONIO OSEAS DE CARVALHO FILHO
Interno - 1225010 - ARISTOFANES CORREA SILVA
Externo à Instituição - DEBORA CHRISTINA MUCHALUAT SAADE - UFF
Externo à Instituição - HERMAN MARTINS GOMES - UFCG
Co-orientador - 407686 - ANSELMO CARDOSO DE PAIVA