Banca de QUALIFICAÇÃO: MATEUS ASSIS VELOSO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: MATEUS ASSIS VELOSO
DATA: 11/09/2026
HORA: 15:00
LOCAL: Sala de Vídeo Conferência
TÍTULO: 2.5D U-Net-EL: Uma Abordagem de Aprendizado Precoce para Segmentação Automática de Rins em Imagens de Tomografia Computadorizada
PALAVRAS-CHAVES: Aprendizado profundo, Segmentação de imagens médicas, Segmentação de rins, U-Net, Modelo 2.5D, Supervisão profunda, Aprendizado Precoce, KiTS23
PÁGINAS: 46
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
RESUMO:

A segmentação automática de rins em imagens de Tomografia Computadorizada (TC) é uma etapa crítica para o diagnóstico clínico e o planejamento cirúrgico. No entanto, desafios como o baixo contraste entre tecidos adjacentes e a variação anatômica significativa frequentemente limitam a precisão de arquiteturas padrão. Este estudo propõe a implementação da arquitetura U-Net-EL (U-Net with Early Learning) combinada com uma estratégia 2.5D para a segmentação renal utilizando o conjunto de dados KiTS23. A abordagem proposta faz uso de decodificadores auxiliares integrados diretamente às camadas do codificador para implementar um mecanismo de supervisão profunda, forçando a rede a aprender características semânticas robustas em múltiplas resoluções. Os resultados experimentais demonstraram um desempenho superior em comparação com a U-Net padrão, alcançando um Coeficiente de Similaridade Dice de 0,969 e uma Interseção sobre União (IoU) de 0,942. A análise visual por meio de reconstruções 3D confirmou que a sinergia entre o mecanismo de Early Learning e um fluxo de pós-processamento elimina eficazmente falsos positivos, mantendo uma alta fidelidade anatômica.

MEMBROS DA BANCA:
Presidente - 1126212 - ANTONIO OSEAS DE CARVALHO FILHO
Interno - 2025063 - ROMUERE RODRIGUES VELOSO E SILVA
Externo ao Programa - 3420215 - LEONARDO PIO VASCONCELOS