DCCMAPI/CCET

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: CAIO EDUARDO FALCAO MATOS
DATA: 26/05/2022
HORA: 14:00
LOCAL: Via GoogleMeet: meet.google.com/hyh-hjfv-woq
TÍTULO: Segmentação de Rins e Tumores Renais em Imagens de Tomografia Computadorizadas utilizando Backbones U-Net
PALAVRAS-CHAVES: Câncer de Rim, Aprendizagem Profunda, Tomografia Computadorizada, Segmentação de rins e tumores renais.
PÁGINAS: 37
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Processamento Gráfico (Graphics)
RESUMO: O câncer de rim é uma das principais causas de morte por câncer em todo o mundo. As altas taxas de mortalidade e a ocorrências deste câncer mostram a importância da investigação e desenvolvimento de meios para a detecção e diagnóstico precoce desta doença. Desta forma, a correta segmentação dos rins e tumores renais proporcionam ao médico especialista uma melhor análise e diagnóstico de lesões suspeitas. Esta tarefa é normalmente realizada manualmente tornando o processo suscetível ao cansaço (físico e visual) e distração. Portanto, técnicas computacionais, surgem como alternativas para melhorar a precisão da segmentação e contribuir para diagnóstico precoce do câncer de rim. Nos últimos anos, as redes neurais convolucionais, sobretudo a U-Net, apresentam-se com grande destaque na tarefa de segmentação automática em imagens medicas. Desta forma, neste trabalho os principais backbone architectures são aplicadas na rede U-Net comparativamente para a segmentação dos rins e tumores renais. O método proposto possui quatro etapas principais: (1) aquisição do conjunto de dados KiTS19, (2) pré-processamento.(3) segmentação renal usando arquiteturas U-Net 2D com backbones, (4) redução de escopo e (4) segmentação do tumor renal usando U-Net 2D com arquiteturas de backbones. O conjunto de dados KiTS19 foi utilizado para avaliação do método proposto que obteve como melhores resultados para segmentação dos rins e tumores renais respectivamente, 96,4% de coeficiente Dice médio usando o EfficentNet com backbone U-Net e 85,55% coeficiente Dice médio usando o MobileNet como backbone U-Net. Assim, a aplicação de arquiteturas de backbone em redes U-Net demonstra que a tarefa de segmentação do rim pode ser resolvida de forma eficiente aplicando esta abordagem que apresenta resultados comparáveis em relação ao estado da arte.
MEMBROS DA BANCA:
Presidente - 2582240 - GERALDO BRAZ JUNIOR
Interno - 2663672 - JOAO DALLYSON SOUSA DE ALMEIDA
Externo à Instituição - HERMAN MARTINS GOMES - UFCG
Externo à Instituição - LEANDRO AUGUSTO FRATA FERNANDES - UFF
Co-orientador - 407686 - ANSELMO CARDOSO DE PAIVA