Array
(
    [0] => stdClass Object
        (
            [journal] => stdClass Object
                (
                    [id_jnl] => 86
                )

        )

    [1] => stdClass Object
        (
            [section] => stdClass Object
                (
                    [section] => 309
                )

        )

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

        )

    [3] => stdClass Object
        (
            [abstract] => 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).@en
                    [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).@es
                    [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).@pt
                )

        )

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

        )

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

        )

    [6] => stdClass Object
        (
            [source] => stdClass Object
                (
                    [vol] => 20
                    [nr] => 
                    [year] => 2026
                    [theme] => 
                )

        )

    [7] => stdClass Object
        (
            [datePub] => Array
                (
                    [0] => 2026-05-28
                )

        )

    [8] => stdClass Object
        (
            [DOI] => Array
                (
                    [0] => stdClass Object
                        (
                            [type] => DOI
                            [value] => Array
                                (
                                    [0] => 10.29397/reciis.v20.4832
                                )

                        )

                )

        )

    [9] => stdClass Object
        (
            [http] => Array
                (
                    [0] => stdClass Object
                        (
                            [type] => HTTP
                            [value] => Array
                                (
                                    [0] => https://www.reciis.icict.fiocruz.br/index.php/reciis/article/view/4832
                                )

                        )

                    [1] => stdClass Object
                        (
                            [type] => HTTP
                            [value] => Array
                                (
                                    [0] => https://www.reciis.icict.fiocruz.br/index.php/reciis/article/view/4832/2867
                                )

                        )

                )

        )

    [10] => stdClass Object
        (
            [language] => Array
                (
                    [0] => pt
                )

        )

    [11] => stdClass Object
        (
            [license] => Array
                (
                    [0] => Copr
                    [1] => by-nc/4.0
                )

        )

)