Array
(
    [responseDate] => 2026-06-17T02:30:29Z
    [request] => https://www.reciis.icict.fiocruz.br/index.php/reciis/oai
    [GetRecord] => SimpleXMLElement Object
        (
            [record] => SimpleXMLElement Object
                (
                    [header] => SimpleXMLElement Object
                        (
                            [identifier] => oai:www.reciis.icict.fiocruz.br:article/4832
                            [datestamp] => 2026-05-29T13:00:19Z
                            [setSpec] => Array
                                (
                                    [0] => reciis:AO
                                    [1] => driver
                                )

                        )

                    [metadata] => SimpleXMLElement Object
                        (
                            [dc] => SimpleXMLElement Object
                                (
                                    [title] => Array
                                        (
                                            [0] => Application of the Faster R-CNN model for detection and classification of primary brain tumors in magnetic resonance images
                                            [1] => Aplicación del modelo Faster R-CNN para la detección y clasificación de tumores cerebrales primarios en imágenes de resonancia magnética
                                            [2] => Aplicação do modelo Faster R-CNN para detecção e classificação de tumores cerebrais primários em imagens de ressonância magnética 
                                        )

                                    [creator] => Array
                                        (
                                            [0] => Santos Júnior, Antonio Lomanto Pires
                                            [1] => Nogueira, Tiago do Carmo
                                            [2] => Cruz Júnior, Gelson da
                                            [3] => Vinhal, Cássio Dener Noronha
                                        )

                                    [subject] => Array
                                        (
                                            [0] => Magnetic resonance imaging
                                            [1] => Artificial intelligence
                                            [2] => Convolutional neural networks
                                            [3] => Deep learning
                                            [4] => Brain tumors
                                            [5] => Imagen por resonancia magnética
                                            [6] => Inteligencia artificial
                                            [7] => Redes neuronales convolucionales
                                            [8] => Aprendizaje profundo
                                            [9] => Tumores cerebrales
                                            [10] => Imageamento por ressonância magnética
                                            [11] => Inteligência artificial
                                            [12] => Redes neurais convolucionais;
                                            [13] => Aprendizado profundo
                                        )

                                    [description] => Array
                                        (
                                            [0] => This study leverages Faster R-CNN with VGG-19 and ResNet 101 architectures for detecting and classifying primary brain tumors (gliomas and meningiomas) in magnetic resonance images. Using a Kaggle dataset comprising 6,307 glioma images, 6,391 meningioma images, and 3,066 healthy samples, the images were split into 60% for training, 20% for testing, and 20% for validation. The Regional Proposal Network within the model facilitates object-background classification, achieving performance metrics across Accuracy, F1-Score, Average Precision, Mean Average Precision, and Intersection Over Union. Results indicate that VGG-19 outperformed ResNet-101, particularly in meningioma detection (Accuracy 0.910, F1-Score 0.900, IoU 0.830) and glioma detection (Accuracy 0.895, IoU 0.810), compared to ResNet-101’s performance in meningioma (Accuracy 0.880, F1-Score 0.822) and glioma (Accuracy 0.870, IoU 0.740).
                                            [1] => Este estudio aplicó el modelo Faster R-CNN para la detección y la clasificación de tumores cerebrales primarios (glioma y meningioma) utilizando imágenes de resonancia magnética. El modelo utilizó las arquitecturas VGG-19 y ResNet-101, alineando una Red de Propuesta de Región capaz de clasificar los objetos y los fondos. El conjunto de datos contiene 6,307 imágenes de gliomas, 6,391 de meningiomas y 3,066 saludables, dividido en un 60% para entrenamiento, 20% para prueba y 20% para validación. Las métricas de evaluación incluyen Precisión, F1-Score, Precisión Media, Precisión Media Promedio y Intersección sobre Unión. En este sentido, VGG-19 obtuvo un mejor desempeño para meningioma (Precisión 0.910, F1-Score 0.900, IoU 0.830) y glioma (Precisión 0.895, IoU 0.810), superando a ResNet-101 (meningioma: Precisión 0.880, F1-Score 0.822; glioma: Precisión 0.870, IoU 0.740).
                                            [2] => Este estudo aplicou o Faster R-CNN para a detecção e a classificação de tumores cerebrais primários (glioma e meningioma) utilizando imagens de ressonância magnética. O modelo utilizou as arquiteturas VGG-19 e ResNet-101, alinhando uma Rede de Proposta de Região capaz de classificar os objetos e planos de fundo. O conjunto de dados contém 6.307 imagens de gliomas, 6.391 de meningiomas e 3.066 sadias, dividido em 60% para treino, 20% para teste e 20% para validação. As métricas de avaliação incluem Acurácia, F1-Score, Precisão Média, Média de Precisão Média e Interseção sobre União. Nesse sentido, a VGG-19 obteve melhor desempenho para meningioma (Acurácia 0,910, F1-Score 0,900, IoU 0,830) e glioma (Acurácia 0,895, IoU 0,810), superando a ResNet-101 (meningioma: Acurácia 0,880, F1-Score 0,822; glioma: Acurácia 0,870, IoU 0,740).
                                        )

                                    [publisher] => Instituto de Comunicação e Informação Científica e Tecnológica em Saúde (Icict/Fiocruz)
                                    [date] => 2026-05-28
                                    [type] => Array
                                        (
                                            [0] => info:eu-repo/semantics/article
                                            [1] => info:eu-repo/semantics/publishedVersion
                                            [2] => Avaliado pelos pares
                                        )

                                    [format] => application/pdf
                                    [identifier] => Array
                                        (
                                            [0] => https://www.reciis.icict.fiocruz.br/index.php/reciis/article/view/4832
                                            [1] => 10.29397/reciis.v20.4832
                                        )

                                    [source] => Array
                                        (
                                            [0] => RECIIS; Vol. 20 (2026): Continuous publication; 1-23
                                            [1] => RECIIS; Vol. 20 (2026): Publicación continua; 1-23
                                            [2] => RECIIS; Vol. 20 (2026): Publication continue; 1-23
                                            [3] => RECIIS; v. 20 (2026): Publicação contínua; 1-23
                                            [4] => 1981-6278
                                        )

                                    [language] => por
                                    [relation] => https://www.reciis.icict.fiocruz.br/index.php/reciis/article/view/4832/2867
                                    [rights] => Array
                                        (
                                            [0] => Copyright (c) 2026 Antonio Lomanto Pires Santos Júnior, Tiago do Carmo Nogueira, Gelson da Cruz Junior, Cássio Dener Noronha Vinhal
                                            [1] => https://creativecommons.org/licenses/by-nc/4.0
                                        )

                                )

                        )

                )

        )

)