Segmentação de Imagens Hepáticas Utilizando Redes Neurais Convolucionais com Arquitetura U-Net

SILVA, Idemilson dos Anjos

Use este identificador para citar ou linkar para este item: http://hdl.handle.net/123456789/9440

Registro completo de metadados

Campo DC	Valor	Idioma
dc.contributor.author	SILVA, Idemilson dos Anjos	-
dc.date.accessioned	2025-06-03T17:30:57Z	-
dc.date.available	2025-06-03T17:30:57Z	-
dc.date.issued	2025-02-26	-
dc.identifier.uri	http://hdl.handle.net/123456789/9440	-
dc.description	Abstract: Segmenting hepatic images is a major challenge in medical image processing, particularly when aiming to improve automated analysis techniques. Therefore, this work proposes an automatic hepatic segmentation approach using convolutional neural networks (CNNs) with U-Net architecture. The study encompasses data acquisition, preprocessing, hyperparameter optimization, and model evaluation. A public dataset containing hepatic images and their respective binary masks was used, applying preprocessing techniques such as normalization and data augmentation. The U-Net-based approach was developed and trained on Google Colab Pro, with hyperparameter optimization conducted using Optuna. The results demonstrated excellent performance, achieving a Dice Coefficient of 93% on the validation set and 91% on the test set, indicating high segmentation accuracy. Qualitative analysis also confirmed the model’s ability to segment hepatic regions with high reliability. Thus, this study reinforces the feasibility of U-Net as an effective tool for medical image segmentation, contributing to improvements in clinical analysis and advancements in computational medicine.	pt_BR
dc.description.abstract	Resumo: Segmentar uma imagem hepática é um grande desafio no que se refere ao processamento de imagens médicas, particularmente o objetivo é melhorar as técnicas automatizadas de análise. Portanto, este trabalho visa propor a segmentação hepática automática utilizando redes neurais convolucionais (CNNs) com arquitetura U-Net. Que abrangerá desde a obtenção, preparação do conjunto de dados até a otimização de hiperparâmetros e avaliação do modelo. Foi utilizado um conjunto de dados públicos contendo imagens hepáticas e suas respectivas máscaras binárias, aplicando técnicas de pré-processamento, como normalização e redimensionamento. A abordagem usando a arquitetura U-Net foi desenvolvida e treinada no Google Colab Pro juntamente com a otimização dos hiperparâmetros com Optuna. Os resultados demonstraram um notável desempenho com Dice Coefficient de 93% no conjunto de validação e 91% no conjunto de teste, demonstrando uma alta precisão na segmentação. A análise qualitativa também demonstrou a capacidade do modelo em segmentar regiões hepáticas com alta credibilidade. Assim, o estudo reforça a viabilidade da U-Net como uma ferramenta eficaz na segmentação de imagens médicas, contribuindo para a melhoria da análise clínica e avanços na medicina computacional.	pt_BR
dc.publisher	UFMA	pt_BR
dc.subject	segmentação de imagens;	pt_BR
dc.subject	redes neurais convolucionais;	pt_BR
dc.subject	U-Net;	pt_BR
dc.subject	imagens médicas	pt_BR
dc.subject	image segmentation;	pt_BR
dc.subject	convolutional neural networks;	pt_BR
dc.subject	U-Net;	pt_BR
dc.subject	medical images	pt_BR
dc.title	Segmentação de Imagens Hepáticas Utilizando Redes Neurais Convolucionais com Arquitetura U-Net	pt_BR
dc.title.alternative	Liver Image Segmentation Using Convolutional Neural Networks with U-Net Architecture	pt_BR
dc.type	Other	pt_BR
Aparece nas coleções:	TCCs de Graduação de Engenharia da Computação do Campus do Bacanga

Arquivos associados a este item:

Arquivo	Descrição	Tamanho	Formato
Idemilson dos Anjos Silva.pdf	TCC de Graduação	1,98 MB	Adobe PDF	Visualizar/Abrir

Mostrar registro simples do item Visualizar estatísticas