
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Faculty of Engineering | - |
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.contributor | INESC TEC and Faculty of Engineering | - |
| Autor(es): dc.creator | Sousa, Isabella Medeiros De | - |
| Autor(es): dc.creator | De Oliveira, Marcela | - |
| Autor(es): dc.creator | Lisboa-Filho, Paulo Noronha | - |
| Autor(es): dc.creator | Cardoso, Jaime Dos Santos | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T19:43:49Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T19:43:49Z | - |
| Data de envio: dc.date.issued | 2022-04-28 | - |
| Data de envio: dc.date.issued | 2022-04-28 | - |
| Data de envio: dc.date.issued | 2020-12-31 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/BIBM52615.2021.9669533 | - |
| Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/223511 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/223511 | - |
| Descrição: dc.description | Multiple Sclerosis (MS) is a chronic and inflammatory disorder that causes degeneration of axons in brain white matter and spinal cord. Magnetic Resonance Imaging (MRI) is extensively used to identify MS lesions and evaluate the progression of the disease, but the manual identification and quantification of lesions are time consuming and error-prone tasks. Thus, automated Deep Learning methods, in special Convolutional Neural Networks (CNNs), are becoming popular to segment medical images. It has been noticed that the performance of those methods tends to decrease when applied to MRI acquired under different protocols. The aim of this work is to statistically evaluate the possible influence of domain adaptation during the training process of CNNs models for segmenting MS lesions in MRI. The segmentation models were tested on MRIs (FLAIR and T1) of 20 patients diagnosed with Multiple Sclerosis. The set of segmented images of each different model was compared statistically, through the metrics Dice Similarity Coefficient (DSC), Predictive Positive Value (PPV) and Absolute Volume Difference (AVD). The results indicate that the domain adapted training can improve the performance of automatic segmentation methods, by CNNs, and have great potential to be used in medical clinics in the future. | - |
| Descrição: dc.description | University of Porto Faculty of Engineering | - |
| Descrição: dc.description | State University (UNESP) School of Sciences-São Paulo | - |
| Descrição: dc.description | University of Porto INESC TEC and Faculty of Engineering | - |
| Descrição: dc.description | State University (UNESP) School of Sciences-São Paulo | - |
| Formato: dc.format | 1786-1790 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Proceedings - 2021 IEEE International Conference on Bioinformatics and Biomedicine, BIBM 2021 | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | Convolutional Neural Networks | - |
| Palavras-chave: dc.subject | domain adaptation | - |
| Palavras-chave: dc.subject | MRI | - |
| Palavras-chave: dc.subject | multiple sclerosis | - |
| Palavras-chave: dc.subject | segmentation | - |
| Título: dc.title | Evaluation of the impact of domain adaptation on segmentation of Multiple Sclerosis lesions in MRI | - |
| Tipo de arquivo: dc.type | aula digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: