Banca de QUALIFICAÇÃO: DAYVISON GOMES DE OLIVEIRA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: DAYVISON GOMES DE OLIVEIRA
DATA: 29/01/2026
HORA: 11:00
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: 47
RESUMO: Nos últimos anos, modelos generativos baseados em difusão têm se destacado como ferramentas promissoras na área da saúde, especialmente em cenários com escassez de dados de qualidade. Este trabalho investiga o uso de Modelos de Difusão Latente para geração e super-resolução de imagens de tomografia computadorizada de pulmão, com foco no aumento de dados e na preservação da fidelidade anatômica. A metodologia combina um AutoencoderKL, responsável pela construção do espaço latente comprimido, com um Modelo de Difusão Latente treinado nesse espaço, além de incorporar mecanismos de condicionamento estruturado utilizando máscaras de segmentação e rótulos de classe. Foram conduzidos oito experimentos, sendo quatro dedicados à geração direta de imagens e quatro à tarefa de super-resolução. Os resultados demonstram que o condicionamento é essencial para evitar alucinações e garantir coerência anatômica, uma vez que modelos treinados sem máscaras apresentam perda de estrutura e inconsistências visuais. A avaliação quantitativa, baseada nas métricas razão pico de sinal-ruído (Peak Signal-to-Noise Ratio – PSNR, do inglês) e índice de similaridade estrutural em múltiplas escalas (Multi-Scale Structural Similarity Index Measure – MS-SSIM, do inglês), indica que o melhor desempenho na geração foi obtido pelo modelo DGen, que utiliza condicionamento por máscaras de segmentação e classes semânticas com função de perda ponderada (MS-SSIM = 0,7135, PSNR = 24,53). Na super-resolução, o modelo DSR, que reconstrói imagens de alta resolução a partir de versões de baixa resolução utilizando difusão latente com função de perda não ponderada, apresentou os melhores resultados (MS-SSIM = 0,8500, PSNR = 27,31). As análises visuais confirmam a preservação de detalhes estruturais relevantes, especialmente nas versões super-resolvidas, que mantêm características individuais dos pacientes. Os achados evidenciam que a combinação entre difusão latente, condicionamento estruturado e funções de perda ponderadas fornece maior controle anatômico e melhor qualidade na síntese de imagens médicas. Além disso, este estudo contribui com uma pipeline reprodutível e containerizada para treinamento e avaliação de modelos generativos em imagens médicas, facilitando sua execução em diferentes plataformas e conjuntos de dados.
MEMBROS DA BANCA:
Presidente(a) - 1743917 - THAIS GAUDENCIO DO REGO
Interno(a) - 2813926 - TIAGO MARITAN UGULINO DE ARAUJO
Externo(a) ao Programa - 1827772 - YURI DE ALMEIDA MALHEIROS BARBOSA