Modelo não supervisionado de segmentação de estruturas em exames de tomografia de crânio

• Ano de defesa: 2024
• Autor(a) principal: Santos, Paulo Victor dos
• Orientador(a): Calixto, Wesley Pacheco
• Banca de defesa: Calixto, Wesley Pacheco, Delgado, Myriam Regattieri de Biase da Silva, Vieira, Flavio Henrique Teles, Gonçalves, Cristhiane, Martins, Marcella Scoczynski Ribeiro
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Goiás
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica e da Computação (EMC)
• Departamento: Escola de Engenharia Elétrica, Mecânica e de Computação - EMC (RMG)
• País: Brasil
• Palavras-chave em Português: Aprendizado não supervisionado; Segmentação; Tomografia computadorizado de crânio
• Palavras-chave em Inglês: Unsupervised learning; Segmentation; Computerized tomography of cranial
• Área do conhecimento CNPq: CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.bc.ufg.br/tede/handle/tede/13504

This work proposes the development of an unsupervised method for segmenting cranial CT images. The methodology involves extracting image features and applying similarity and continuity constraints to create segmentation maps of intracranial structures and observable tissues. This approach aims to assist specialists in diagnosis by identifying regions with specific anomalies. Applied to real-world datasets, the method uses a spatial continuity evaluation function related to the desired number of structures. Results show satisfactory performance, indicating a simplified and accessible approach that reduces computational load, training time, and financial costs. This proposal serves as a practical tool for cranial CT image segmentation, providing significant contributions to the analysis of medical images in clinical and diagnostic settings.