Defesa de Tese de Doutorado – Elene Firmeza Ohata
Data da publicação: 29 de setembro de 2025 Categoria: NotíciasTítulo: Structural and Contextual Multi-Scale Active Contour (SEMS-AC): Um Método de Segmentação de Imagens Biomédicas Baseado em Informações Contextuais e Estruturais
Data: 30/09/2025
Horário: 09:00
Local: Google Meet – meet.google.com/ccn-cozy-jza
Banca Examinadora:
Pedro Pedrosa Rebouças Filho (UFC, Orientador)
Atslands Rego da Rocha (UFC)
Fabricio Gonzalez Nogueira (UFC)
Frederico Gadelha Guimarães (UFMG)
Suane Pires Pinheiro da Silva (IFCE)
Resumo:
Esta tese apresenta o Structural and Contextual Multi-Scale Active Contour (SEMS-AC), um método inovador de segmentação de imagens biomédicas que integra extração multiescalar de características, análise contextual e representações estruturais em um modelo de contornos ativos. A proposta busca aprimorar a acurácia, a robustez e a interpretabilidade da segmentação em cenários de alta relevância clínica. O SEMS-AC combina características hierárquicas multiescalares com mapas de ativação contextuais e representações esqueléticas estruturais para conduzir a evolução adaptativa dos contornos. O método foi avaliado em duas aplicações críticas: (i) segmentação de lesões hemorrágicas em exames de tomografia computadorizada (TC) de crânio, e (ii) segmentação do parênquima pulmonar em imagens de TC de tórax, incluindo casos com comorbidades. Os resultados experimentais demonstraram desempenho superior em relação a modelos clássicos de contornos ativos e a métodos de ponta baseados em aprendizado profundo, alcançando melhorias em métricas quantitativas (ex.: Dice, Jaccard, distância de Hausdorff) e em análises qualitativas. Ao aliar precisão e explicabilidade, o SEMS-AC contribui para o desenvolvimento de sistemas de apoio ao diagnóstico mais confiáveis e transparentes, apoiando a tomada de decisão clínica em neurologia e pneumologia.
Palavras-chave: Segmentação de imagens biomédicas; modelos de contornos ativos; deep learning; acidente vascular cerebral; doenças pulmonares; inteligência artificial explicável.
