@MASTERSTHESIS{ 2025:65116016,
 	title = {Protótipo baseado no aprendizado de máquina para localização anatômica do canal mandibular},
 	year = {2025},
 	url = "https://tede.ufam.edu.br/handle/tede/11133",
 	abstract = "JUSTIFICATIVA: a identificação anatômica precisa do CM constitui etapa crítica no
 planejamento de diversas intervenções odontológicas. Reduz substancialmente o
 risco de lesões ao NAI, que podem resultar em déficits neurossensoriais permanentes,
 implicações funcionais e impacto negativo na qualidade de vida dos pacientes. Nesse
 cenário, a incorporação de tecnologias baseadas em IA, como sistemas de
 aprendizado de máquina, pode representar uma estratégia eficaz para minimizar
 falhas diagnósticas. Além disso, este projeto visa contribuir de forma significativa para
 a comunidade científica e profissional da região Norte do Brasil, particularmente no
 Estado do Amazonas, promovendo avanços no uso de tecnologias aplicadas à
 Odontologia. OBJETIVO GERAL: desenvolver um modelo de aprendizado de
 máquina para a identificação automatizada do canal mandibular em radiografias
 panorâmicas, como etapa inicial na construção de um protótipo voltado ao apoio no
 planejamento cirúrgico odontológico. METODOLOGIA: projeto de inovação baseado
 em um banco de dados de estudo retrospectivo. Foram selecionadas radiografias
 panorâmicas de pacientes atendidos na Policlínica Odontológica da Universidade do
 Estado do Amazonas (UEA) com diagnóstico de terceiros molares inferiores inclusos
 ou semi-inclusos durante o período de 2020-2022. Em termos de tecnologia de
 software e engenharia, propõe-se utilizar algoritmos de aprendizado de máquina
 (Machine Learning) para realizar a marcação/delimitação da região correspondente
 ao nervo alveolar inferior (NAI) em imagens obtidas através de radiografias
 panorâmicas automaticamente. A saída do algoritmo irá evidenciar a região do NAI.
 Esta delimitação proporcionará celeridade ao tratamento e diminuição do custo para
 o paciente. RESULTADOS: o dataset utilizado neste estudo contém 530 imagens
 raio-X anotados, distribuídas entre conjuntos de treinamento, validação e teste. O
 ajuste das imagens e máscaras foi realizado por meio de um script Python. Este
 código converte imagens RGB com marcações amarelas em máscaras binárias no
 formato YOLOv11. Este projeto foi submetido ao edital de fomento da PAPBCT&I/FAPEAM sob o número: 87711.UNI1089.2713.27032025, com o intuito de
 auxílio financeiro para o seu respectivo desenvolvimento, projeto aprovado em fase
 de contratação.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Cirurgia},
 	note = {Faculdade de Medicina}
}