@MASTERSTHESIS{ 2020:456088590,
 	title = {Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias},
 	year = {2020},
 	url = "https://tede.ufam.edu.br/handle/tede/8772",
 	abstract = "O câncer de mama pode ser visto como um problema mundial, que é responsável por um número substancial de mortes. O diagnóstico pela análise de imagem da lesão tem se mostrado eficiente, notadamente através de uso de técnicas de aprendizado de máquinas. O sucesso alcançado em anos recentes cresceu devido ao uso das redes convolucionais. Esse método se mostra capaz de fazer tarefas de visão computacional com sucesso, como a segmentação automática de lesões nas mais variadas modalidades de imagens biomédicas. Essa etapa, a segmentação, suporta etapas posteriores de um sistema computadorizado de auxílio a diagnóstico por imagem. Nessa dissertação avalia-se o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos na segmentação automática de lesões mamárias em imagens de ultrassonografia. Foram implementadas e testadas quatro arquiteturas de redes convolucionais, três delas com grafos acíclicos diretos (DAG) e uma sequencial. Para o desenvolvimento e avaliação das propostas, dois bancos de imagens de ultrassom de mama (banco A e banco B) foram utilizados. Algumas diferenças marcantes entre esses referidos bancos são a dimensão, resolução e qualidade das imagens. Assim as imagens foram previamente processadas e adaptadas (cropping e resize). Os treinamentos dessas redes
 com parada pelo número de épocas se mostraram instáveis. Problema este que foi contornado com a proposição de uma função de auxílio ao treinamento, que permitiu obter o ponto de melhor desempenho do modelo. A melhor arquitetura foi escolhida com base em métricas já consagradas na literatura, como Acurácia global e coeficiente Dice. As quatro arquiteturas testadas alcançaram resultados similares, com acurácias globais de mais de 94% cada. O teste de significância estatística t-student apontou que para ambos os bancos de dados a melhor arquitetura de rede na validação foi a U-net, alcançando mais de 99% de acurácia global para o banco de dados B e mais de 96% para o banco de dados A. A rede apontada com melhor desempenho pôde ser testada, com outros dados de entrada, e seu desempenho se manteve o mesmo. Foi possível concluir que o procedimento de cropping não se mostrou crucial para uma boa precisão na segmentação. Além disso, a análise estatística das métricas de desempenho mostrou que o uso de imagens de melhor resolução (banco B) não acarretou diferenças de desempenho estatisticamente significantes (p<0.05).",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Engenharia Elétrica},
 	note = {Faculdade de Tecnologia}
}