Domingues, Inês Campos Monteiro SabinoNiño, Stephanie Alexandra Batista2025-02-112025-02-112024-11-19http://hdl.handle.net/10400.26/54365A deteção precoce de anomalias no fígado é crucial para um diagnóstico preciso e eficaz de doenças como o cancro do fígado, uma das principais causas de morte por cancro no mundo. Modalidades de imagiologia médica, especialmente a tomografia computorizada, têm desempenhado um papel fundamental na identificação e caracterização de doenças. Nos Hospitais da Universidade de Coimbra, a segmentação precisa do fígado constitui uma técnica muito importante para o tratamento das doenças hepáticas. No entanto, as ferramentas comerciais de segmentação automática existentes apresentam um custo elevado pela segmentação em cada tomografia realizada e as soluções gratuitas carecem de uma interface para a visualização dos resultados. Assim, este projeto introduz uma abordagem designada por Incrementalização de Dados Privados, avaliando a capacidade de generalização dos modelos de segmentação de imagem U-Net, ResUNet++, FCN e BerDiff. Esta abordagem apresenta uma análise da exposição incremental dos modelos a vários dados clínicos do mundo real, aumentando a sua adaptabilidade e avaliando o seu desempenho em conjuntos de dados com dimensões e fontes diversificadas. Através de experiências sistemáticas, observou-se que o modelo mais eficaz para segmentar o fígado foi o modelo ResUNet++, apresentando o melhor desempenho, com uma exatidão de 0,9972, um DSC de 0,9449 e um ASSD de 0,0053 mm. Seguidamente, este modelo foi integrado numa interface gráfica desenvolvida no âmbito do projeto para a segmentação automática do fígado. Esta contribuição pretende otimizar o diagnóstico e monitorização de doenças, reduzindo os custos associados, melhorando o atendimento ao paciente e a alocação de recursos em ambientes clínicos.Early detection of liver anomalies is crucial for accurate and effective diagnosis of diseases such as liver cancer, one of the leading causes of cancer death worldwide. Medical imaging modalities, especially computed tomography, have played a fundamental role in the identification and characterization of diseases. At the Coimbra University Hospital, precise liver segmentation is an important technique for the treatment of liver diseases. However, existing commercial automatic segmentation tools have a high cost for each tomography and free tools lack an user-friendly interface for result visualization. Therefore, this project introduces an approach referred to as Private Data Incrementalization, evaluating the generalization capability of the U-Net, ResUNet++, FCN and BerDiff image segmentation models. This approach presents an analysis of the incremental exposure of the models to various real-world clinical data, increasing their adaptability and evaluating their performance on datasets with varying dimensions and sources. Through systematic experiments, it was observed that the most effective model for segmenting the liver was the ResUNet++ model, demonstrating the best performance, with an accuracy of 0.9972, a DSC of 0.9449 and an ASSD of 0.0053 mm. This model was subsequently integrated into a tool developed within the scope of the project for automatic liver segmentation. This contribution aims to optimize the diagnosis and monitoring of diseases, reducing associated costs, improving patient care and resources allocation in clinical environments.engInteligência artificialRedes neuronais artificiaisU-NetResUNet++FCNBerDiffTomografia computorizadaSegmentação automática do fígadoIncrementalização de dados privadosmaster thesis203758781