Será defendida no dia 27 de agosto de 2026, às 9:00 horas, por videoconferência, a Dissertação de Mestrado intitulada “Análise do Compartilhamento de Mapas de Características entre Fatias Consecutivas em Arquiteturas U-Net Bidimensionais para Segmentação Mandibular”, do candidato ao título de Mestre em Computação – Lucas Mendonça de Morais Cavalcante.

Link para defesa: https://meet.google.com/prt-pkdr-xcb

Análise do Compartilhamento de Mapas de Características entre Fatias Consecutivas em Arquiteturas U-Net Bidimensionais para Segmentação Mandibular

Resumo:

No contexto de segmentação de mandíbulas em tomografias computadorizadas axiais, esta dissertação investigou os efeitos do compartilhamento progressivo de mapas de características produzidas pelas camadas internas da U-Net entre imagens consecutivas. O foco não foi o desenvolvimento de uma nova arquitetura de estado da arte, mas a investigação sistemática do efeito desse compartilhamento em diferentes níveis da arquitetura U-Net. O objetivo central da pesquisa foi analisar se o compartilhamento progressivo de mapas de características seria capaz de incorporar contexto entre fatias consecutivas em uma arquitetura U-Net bidimensional, assim como compreender como diferentes níveis e direções de propagação influenciam o comportamento da rede. Para isso, foram realizados experimentos nos quais a reutilização de informações é progressivamente aumentada. Inicialmente, apenas a fatia adjacente é utilizada como informação adicional. Em seguida, os mapas de características gerados pelas camadas do encoder e decoder passaram a ser compartilhados progressivamente, de forma que todas as representações internas fossem compartilhadas. Foram avaliadas duas estratégias de propagação: forward, da entrada para a saída da rede, e reverse, da saída em direção à entrada, aumentando progressivamente o nível de transmissão de informações entre as camadas da rede. Utilizando o conjunto de dados Public Domain Database for Computational Anatomy (PDDCA), contendo 40 tomografias computadorizadas anotadas por especialistas, os resultados obtidos mostram que as configurações mais superficiais mantiveram desempenho semelhante ao modelo U-Net de referência, sem diferenças estatisticamente significativas, enquanto o compartilhamento em camadas mais profundas resultou em degradação da Interseção sobre União (IoU), Índice de Similaridade Dice e 95% Distância de Hausdorff (95HD). Esses resultados permitiram analisar o comportamento do compartilhamento de representações internas em diferentes níveis da arquitetura, fornecendo evidências experimentais de que, no contexto investigado, a propagação direta de mapas de características entre fatias consecutivas, sem mecanismos mais sofisticados de seleção de características, não produz ganhos consistentes para a segmentação mandibular em arquiteturas U-Net bidimensionais.

Abstract:

In the context of mandibular segmentation in axial computed tomography images, this dissertation investigated the effects of progressively sharing feature maps generated by the internal layers of U-Net across consecutive slices. The focus was not on developing a new state-of-the-art architecture, but rather on systematically investigating the impact of feature map sharing at different levels of the U-Net architecture. The primary objective was to determine whether the progressive sharing of feature maps could incorporate inter-slice contextual information into a two-dimensional U-Net architecture, as well as to understand how different sharing levels and propagation directions influence network behavior. To this end, a series of experiments was conducted in which information reuse was progressively increased. Initially, only the adjacent slice was used as additional contextual information. Subsequently, the feature maps generated by the encoder and decoder layers were progressively shared until all internal representations were propagated between consecutive slices. Two propagation strategies were evaluated: forward, from the network input toward the output, and reverse, from the output toward the input, progressively increasing the level of information transmission across network layers. Experiments were performed using the Public Domain Database for Computational Anatomy (PDDCA), which contains 40 computed tomography scans manually annotated by experts. The results show that feature sharing at shallower layers achieved performance comparable to the baseline U-Net, with no statistically significant differences, whereas sharing at deeper layers led to degradation in Intersection over Union (IoU), Dice Similarity Coefficient (DSC), and the 95% Hausdorff Distance (95HD). These findings provide insights into the behavior of internal representation sharing at different levels of the U-Net architecture and offer experimental evidence that, within the investigated setting, the direct propagation of feature maps across consecutive slices, without more sophisticated feature selection mechanisms, does not provide consistent improvements for mandibular segmentation using two-dimensional U-Net architectures.

Banca examinadora:

Profa. Aura Conci, UFF

Prof. Leandro Augusto Frata Fernandes, UFF

Prof. Flávio Luiz Seixas, UFF

Prof. João Paulo Papa, UNESP