Este trabalho apresenta um pipeline para segmentação 2D de fígado e tumores a partir de tomografia computadorizada (NIfTI). Utilizamos o dataset público Liver Tumor Segmentation com 131 volumes, do qual foram extraídas fatias 2D e convertidas em imagens JPEG (com compressão mínima, sem perda perceptível) para treinamento da U-Net com backbone ResNet50 (transfer learning) implementando a biblioteca FastAI. O pré-processamento inclui leitura dos volumes com NiBabel, aplicação de janelas DICOM específicas para fígado, normalização e redimensionamento para 128×128. Como função de perda foi adotada CrossEntropy (multiclasse) e métricas customizadas de acurácia sobre os pixels de interesse (foreground).
Leia o artigo completo: https://doi.org/10.5753/eramiars.2025.16788
