Banca de DEFESA: DAYVISON GOMES DE OLIVEIRA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: DAYVISON GOMES DE OLIVEIRA
DATA: 31/07/2026
HORA: 09:00
LOCAL: Laboratório ARIA
TÍTULO: Geração de Imagens de CT de Pulmão com Modelos de Difusão Latente Condicional para Aumento de Dados
PALAVRAS-CHAVES: Modelos Generativos; Inteligência Artificial; Modelos de Difusão Latente; AutoencoderKL; Super-resolução.
PÁGINAS: 78
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
RESUMO: Nos últimos anos, modelos generativos baseados em difusão têm se destacado como alternativas promissoras para geração e super-resolução de imagens médicas, especialmente em cenários caracterizados por escassez de dados. Este trabalho investiga o uso de Modelos de Difusão Latente para geração condicionada e super-resolução de imagens de tomografia computadorizada de pulmão, com foco na ampliação de bases de treinamento e na preservação de características anatômicas relevantes. A metodologia combina um AutoencoderKL, responsável pela construção de um espaço latente comprimido, com um Modelo de Difusão Latente treinado nesse espaço, incorporando mecanismos de condicionamento baseados em máscaras de segmentação, embeddings de classe e imagens de baixa resolução. Foram conduzidos oito experimentos, sendo quatro destinados à geração de imagens e quatro à super-resolução. A avaliação quantitativa foi realizada por meio das métricas PSNR, MS-SSIM e FID, complementadas por métricas físicas relacionadas ao ruído e ao contraste (SNR, CNR e NPS), além de métricas de nitidez baseadas na Variância do Laplaciano e no método Tenengrad. Os resultados indicam que o modelo DGen, condicionado por máscaras de segmentação e classes semânticas, apresentou o melhor desempenho na tarefa de geração (MS-SSIM = 0,7135 e PSNR = 24,53), enquanto o modelo DSR, baseado em condicionamento por imagens de baixa resolução e função de perda não ponderada, obteve os melhores resultados na tarefa de super-resolução (MS-SSIM = 0,85 e PSNR = 27,31). As análises qualitativas, juntamente com as métricas físicas e de nitidez, indicam que as imagens sintéticas apresentam coerência estrutural e comportamento compatível com as imagens reais segundo os critérios de avaliação adotados. Adicionalmente, foi realizada uma avaliação downstream por meio de uma tarefa de classificação, na qual as imagens sintéticas foram empregadas como estratégia de aumento de dados. Embora tenham sido produzidas imagens com boa qualidade visual e estrutural, o aumento de dados baseado nas imagens sintéticas não proporcionou melhoria no desempenho do classificador, sendo superado pelo aumento de dados convencional. Dessa forma, os resultados evidenciam o potencial dos Modelos de Difusão Latente para geração e super-resolução de imagens pulmonares, ao mesmo tempo em que indicam a necessidade de investigações adicionais sobre a qualidade das imagens geradas e sua efetiva contribuição em tarefas discriminativas e aplicações clínicas. Por fim, este trabalho disponibiliza uma pipeline reprodutível e conteinerizada para treinamento, adaptação e avaliação de modelos generativos aplicados a imagens médicas.
MEMBROS DA BANCA:
Presidente(a) - 1743917 - THAIS GAUDENCIO DO REGO
Interno(a) - 1167863 - LEONARDO VIDAL BATISTA
Externo(a) ao Programa - 1827772 - YURI DE ALMEIDA MALHEIROS BARBOSA
Externo(a) à Instituição - Bruno Barufaldi