@MASTERSTHESIS{ 2024:2087899809,
 	title = {Gera??o de imagens de raios-X do t?rax utilizando Latent Diffusion Models},
 	year = {2024},
 	url = "https://tede2.pucrs.br/tede2/handle/tede/11658",
 	abstract = "A pesquisa em imagens m?dicas ? uma tarefa desafiadora, devido, mas n?o se limitando, ? escassez de imagens m?dicas. Usualmente, dados reais s?o usados na realiza??o de simula??es. Contudo, diversos fatores limitam a capacidade de utilizar dados de exames m?dicos. Entre eles, destacam-se a necessidade de proteger informa??es sens?veis e confidenciais dos pacientes, o custo e a acessibilidade dos equipamentos m?dicos, al?m de quest?es ?ticas e legais relacionadas ao compartilhamento de dados. Para mitigar esses desafios, a gera??o de dados sint?ticos oferece uma alternativa promissora, permitindo complementar conjuntos de dados de treinamento e realizar pesquisas de imagens m?dicas em larga escala. Recentemente, Diffusion Models ganharam destaque na comunidade de vis?o computacional ao produzir imagens sint?ticas fotorrealistas. Neste contexto, este trabalho prop?e explorar o uso de um tipo espec?fico de Diffusion Models, os Latent Diffusion Models (LDM), na gera??o de imagens m?dicas sint?ticas a partir de imagens tor?cicas de alta resolu??o. Para isso, realizamos um ajuste fino (fine-tuning), no Latent Diffusion Foundation Model, utilizando imagens da National Library of Medicine. Como contribui??o, geramos um conjunto de imagens de raios-x do t?rax saud?veis de alta resolu??o e excelente qualidade. Al?m disso, disponibilizamos essas imagens geradas juntamente com os modelos treinados para serem utilizadas em pesquisas acad?micas ou no treinamento de outros modelos. Sendo assim, a nossa abordagem oferece potencial para superar a barreira dos dados no dom?nio m?dico.",
 	publisher = {Pontif?cia Universidade Cat?lica do Rio Grande do Sul},
 	scholl = {Programa de P?s-Gradua??o em Ci?ncia da Computa??o},
 	note = {Escola Polit?cnica}
}