1. Repositório Institucional - Universidade Federal de Uberlândia
  2. Faculdade de Computação (FACOM)
  3. TCC - Ciência da Computação
Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/48959
Full metadata record
DC FieldValueLanguage
dc.creatorTomé, Bruno Ferreira-
dc.date.accessioned2026-07-21T18:45:21Z-
dc.date.available2026-07-21T18:45:21Z-
dc.date.issued2026-02-13-
dc.identifier.citationTOMÉ, Bruno Ferreira. Avaliação da Swin-Unet para segmentação de lesões de câncer de endométrio em imagens de tomografia computadorizada. 2026. 47 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Universidade Federal de Uberlândia, Uberlândia, 2026.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/48959-
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectSegmentação de Imagens Médicaspt_BR
dc.subjectMedical Image Segmentationpt_BR
dc.subjectCâncer de Endométriopt_BR
dc.subjectEndometrial Cancerpt_BR
dc.subjectDeep Learningpt_BR
dc.subjectSwin-Unetpt_BR
dc.subjectVision Transformerspt_BR
dc.titleAvaliação da Swin-Unet para segmentação de lesões de câncer de endométrio em imagens de tomografia computadorizada.pt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Santos, Fernanda Maria da Cunha-
dc.contributor.advisor1Latteshttps://lattes.cnpq.br/6802596562404346pt_BR
dc.contributor.referee1Couto, Leandro Nogueira-
dc.contributor.referee1Latteshttps://lattes.cnpq.br/9500586005920379pt_BR
dc.contributor.referee2Lima, Maria Adriana Vidigal de-
dc.contributor.referee2Latteshttps://lattes.cnpq.br/0532686872124118pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoA segmentação automática de câncer de endométrio em imagens de Tomografia Computadorizada (TC) é uma tarefa bastante desafiadora, dificultada pelo baixo contraste entre os tecidos moles da região pélvica e pela morfologia irregular dos tumores. Este trabalho investiga a aplicação da arquitetura Swin-Unet, baseada em Vision Transformers, para superar as limitações das Redes Neurais Convolucionais (CNNs) tradicionais na tarefa de segmentação de imagens. Para validar a proposta realizou-se um estudo comparativo com a arquitetura U-Net utilizando backbones clássicos (VGG-16 e ResNet50). Visando garantir robustez, todos os modelos foram submetidos a execuções independentes. Os resultados demonstraram a superioridade da Swin-Unet, que alcançou um F1-Score médio de 0,8129 e uma Sensibilidade de 0,8297, superando as abordagens convolucionais. Além de apresentar o melhor desempenho, a arquitetura proposta demonstrou maior estabilidade frente à inicialização dos pesos, contrastando com a alta variabilidade observada na ResNet50. As análises visuais confirmaram que o mecanismo de atenção permitiu uma delimitação mais precisa das bordas da lesão, validando a eficácia da Swin-Unet para o auxílio no diagnóstico médico.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseCiência da Computaçãopt_BR
dc.sizeorduration47pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
Appears in Collections:TCC - Ciência da Computação

Files in This Item:
File Description SizeFormat 
AvaliaçãoSwinUnetSegmentação.pdf9.46 MBAdobe PDFThumbnail
View/Open
Show simple item record


This item is licensed under a Creative Commons License Creative Commons