1.0Grupo de Aplicações em Inteligência Artificialhttps://wp.ufpel.edu.br/gaiagaiahttps://wp.ufpel.edu.br/gaia/author/gaia/Liver Tumor Segmentation in CT Scans Using Deep Learningrich600338<blockquote class="wp-embedded-content" data-secret="UcWpBy3hUK"><a href="https://wp.ufpel.edu.br/gaia/ieramiars1/">Liver Tumor Segmentation in CT Scans Using Deep Learning: A U-Net Approach with Transfer Learning</a></blockquote><iframe sandbox="allow-scripts" security="restricted" src="https://wp.ufpel.edu.br/gaia/ieramiars1/embed/#?secret=UcWpBy3hUK" width="600" height="338" title="“Liver Tumor Segmentation in CT Scans Using Deep Learning: A U-Net Approach with Transfer Learning” — Grupo de Aplicações em Inteligência Artificial" data-secret="UcWpBy3hUK" frameborder="0" marginwidth="0" marginheight="0" scrolling="no" class="wp-embedded-content"></iframe><script type="text/javascript">
/* <![CDATA[ */
/*! This file is auto-generated */
!function(d,l){"use strict";l.querySelector&&d.addEventListener&&"undefined"!=typeof URL&&(d.wp=d.wp||{},d.wp.receiveEmbedMessage||(d.wp.receiveEmbedMessage=function(e){var t=e.data;if((t||t.secret||t.message||t.value)&&!/[^a-zA-Z0-9]/.test(t.secret)){for(var s,r,n,a=l.querySelectorAll('iframe[data-secret="'+t.secret+'"]'),o=l.querySelectorAll('blockquote[data-secret="'+t.secret+'"]'),c=new RegExp("^https?:$","i"),i=0;i<o.length;i++)o[i].style.display="none";for(i=0;i<a.length;i++)s=a[i],e.source===s.contentWindow&&(s.removeAttribute("style"),"height"===t.message?(1e3<(r=parseInt(t.value,10))?r=1e3:~~r<200&&(r=200),s.height=r):"link"===t.message&&(r=new URL(s.getAttribute("src")),n=new URL(t.value),c.test(n.protocol))&&n.host===r.host&&l.activeElement===s&&(d.top.location.href=t.value))}},d.addEventListener("message",d.wp.receiveEmbedMessage,!1),l.addEventListener("DOMContentLoaded",function(){for(var e,t,s=l.querySelectorAll("iframe.wp-embedded-content"),r=0;r<s.length;r++)(t=(e=s[r]).getAttribute("data-secret"))||(t=Math.random().toString(36).substring(2,12),e.src+="#?secret="+t,e.setAttribute("data-secret",t)),e.contentWindow.postMessage({message:"ready",secret:t},"*")},!1)))}(window,document);
//# sourceURL=https://wp.ufpel.edu.br/gaia/wp-includes/js/wp-embed.min.js
/* ]]> */
</script>
https://wp.ufpel.edu.br/gaia/files/2025/12/eramia-logo-horizontal-1.png612200Este 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).