Para citar este trabalho use um dos padrões abaixo:
O planejamento radioterápico pode ser interpretado como um problema de otimização, no qual a definição precisa das regiões anatômicas influencia diretamente a distribuição de dose. Nesse contexto, a segmentação de imagens médicas desempenha papel fundamental, pois fornece os principais parâmetros para modelos de decisão e otimização.
Este trabalho propõe um modelo de segmentação multiclasse baseado em redes neurais convolucionais (U-Net) aplicado a imagens de tomografia computadorizada, considerando não apenas fígado e tumor, mas também uma classe adicional de tecido adjacente peritumoral. A inclusão dessa região visa capturar zonas de transição frequentemente negligenciadas, mas potencialmente relevantes para o planejamento terapêutico.
O modelo foi treinado em dados derivados do desafio LiTS (Liver Tumor Segmentation Challenge), utilizando imagens bidimensionais no plano axial. Para lidar com o desbalanceamento entre classes, foi empregada uma função de perda ponderada. A avaliação foi realizada por meio de métricas clássicas de segmentação, como coeficiente de Dice, precisão, recall e F1-score.
Os resultados indicaram alto desempenho para tecidos saudáveis e tumorais do fígado, com coeficientes de Dice superiores a 0,95. A classe de tecidos adjacentes ao tumor apresentou maior variabilidade, refletindo a complexidade associada à definição de regiões de transição. Ainda assim, o modelo foi capaz de identificar padrões espaciais consistentes nessas regiões.
Do ponto de vista da Pesquisa Operacional, a principal contribuição do trabalho está na melhoria da qualidade das informações utilizadas como dados paramétricos para modelos de otimização para planejamento ótimo da radioterapia. A modelagem explícita de regiões adjacentes pode contribuir para uma representação mais realista das zonas de interesse, favorecendo abordagens mais robustas em suporte à decisão.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo