Segmentação de lesões cerebrais utilizando deep learning em imagens de ressonância magnética

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBorges, Helyane Bronoski-
Autor(es): dc.contributorBorges, Helyane Bronoski-
Autor(es): dc.contributorMatos, Simone Nasser-
Autor(es): dc.contributorAires, Simone Bello Kaminski-
Autor(es): dc.creatorAntunes, Luiz Arthur Schussler-
Data de aceite: dc.date.accessioned2025-08-29T12:15:21Z-
Data de disponibilização: dc.date.available2025-08-29T12:15:21Z-
Data de envio: dc.date.issued2025-06-26-
Data de envio: dc.date.issued2025-06-26-
Data de envio: dc.date.issued2023-10-30-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/37264-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1091916-
Descrição: dc.descriptionThis study investigated the application of Deep Learning techniques in the segmentation of brain lesions in MRI images, with a focus on evaluating how different training approaches influence model effectiveness. The experiments were conducted with three variants of a dataset, each one subjected to different pre-processing and data augmentation techniques. The research concluded that accuracy, performance and the nature of the data are interconnected, affecting the final result in complex ways. The findings emphasize the importance of training planning and the need to balance multiple techniques to optimize results. While the potential of deep learning in segmenting brain lesions is clear, excellence in this area requires a methodical and adaptive approach, optimally combining available techniques and configurations.-
Descrição: dc.descriptionEste estudo investigou a aplicação de técnicas de Deep Learning na segmentação de lesões cerebrais em imagens de ressonância magnética, com foco em avaliar como diferentes abordagens de treinamento influenciam a eficácia do modelo. Os experimentos foram conduzidos com três variantes de um dataset, cada uma submetida a técnicas de pré-processamento e data augmentation distintas. A pesquisa concluiu que precisão, desempenho e a natureza dos dados estão interligados, afetando o resultado final de maneira complexa. Os achados enfatizam a importância de um planejamento no treinamento e a necessidade de equilibrar múltiplas técnicas para otimizar os resultados. Enquanto o potencial do Deep Learning na segmentação de lesões cerebrais é claro, a excelência nesta área requer uma abordagem metódica e adaptável, combinando de maneira ideal as técnicas e configurações disponíveis.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Informática-
Publicador: dc.publisherCiência da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectLesão cerebral-
Palavras-chave: dc.subjectRessonância magnética-
Palavras-chave: dc.subjectProcessamento de imagens-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectBrain damage-
Palavras-chave: dc.subjectMagnetic resonance-
Palavras-chave: dc.subjectImage processing-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleSegmentação de lesões cerebrais utilizando deep learning em imagens de ressonância magnética-
Título: dc.titleSegmentation of brain lesions using deep learning on magnetic resonance imaging-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.