Detecção de doenças respiratórias a partir de Radiografias do Tórax

RX T CNN V1
Rede neural artificial convolucional desenvolvida para detecção de 10 diferentes patologias - pneumonia, derrame pleural, pneumotórax, tuberculose, câncer, edema, enfisema, hemotórax - a partir de radiografias simples de Tórax em PA/AP.
Modelo treinado a partir de uma base de dados composta por 22000 imagens apresentando características compatíveis com certas doenças respiratórias isoladas ou associadas entre si identificáveis a partir de radiografias. Acurácia de 94% alcançada nos testes realizados.
PRINCIPAIS PROJETOS
Detecção de lesões intracranianas a partir de imagens de Ressonância Magnética

NEURO CNN V2.0
Rede neural artificial convolucional profunda desenvolvida para leitura, detecção e interpretação de imagens de Ressonância Magnética Nuclear - T1, T2, FLAIR, PD, ADC, DWI, SWI e Gradient - classificando amostras fornecidas em 42 diferentes patologias.
Modelo treinado a partir de uma base de dados personalizada composta de 41000 imagens, oferecendo uma acurácia superior a 92% de acordo com testes realizados classificando novas imagens.
Detecção, segmentação e mapeamento de massas tumorais cerebrais
NEURO CNN S1
Rede neural artificial convolucional desenvolvida para detecção, segmentação e mapeamento de tumores a partir de imagens de exames de Ressonância Magnética Nuclear - Imagens em T1, T2 e FLAIR - aplicando técnicas de diferenciação de densidade de pixels para respectiva detecção de diferenças de atividade metabólica dos tecidos compatível com câncer.
Modelo treinado a partir de imagens DICOM de alta resolução, aplicando sobre as mesmas técnicas de segmentação semântica para o mapeamento das lesões, atingindo acurácia em testes de prova superior a 94%.

Detecção e classificação de lesões a partir de Mamografias

CNN MAMO V1
Rede neural artificial convolucional desenvolvida para detecção e diferenciação dos tecidos da mama, mapeando os mesmos em tecidos normais e diferenças de densidade não necessariamente patológicas (incluindo tecidos em lipossubstituição) assim como tecidos patológicos de acordo com suas densidades e características morfológicas.
Patologias classificadas: Abscesso, calcificações patológicas gerais, calcificações vasculares, câncer genérico, carcinoma ductal, cisto(s) genérico(s), fibroadenoma, fibromatose, hamartoma, massas (BI-RADS 0 a 5), necrose, papiloma, sarcoma e tumor Phyllodes.
Classificação de escolioses em radiografias de coluna lombo-sacra
CNN COLUNA V1
Rede neural artificial convolucional desenvolvida para identificação de ângulos da coluna lombar onde de acordo com os critérios definidos pelo Ângulo de Cobb as mesmas são classificadas com presença ou ausência de escoliose.
Modelo premiado na XIII Reunião Científica do Centro Universitário São Lucas e na 18ª Semana Nacional de Ciência e Tecnologia de Porto Velho (RO).

Classificação de lesões de pele a partir de imagens

CNN PELE V1
Rede neural artificial convolucional desenvolvida para detecção de lesões de pele, classificando as mesmas entre 6 possíveis patologias (melanoma, nevo melanocítico, carcinoma basocelular, ceratose actínica, verruga seborréica e carcinoma de células escamosas).
OUTROS PROJETOS NOTÁVEIS
Detecção e segmentação de lesões a partir de imagens de Tomografia Computadorizada
Mapeamento volumétrico de massas tumorais para tratamento via Radioterapia
Segmentação de câncer e metástases a partir da diferença de atividade metabólica de Cintilografias
Segmentação e classificação de células sanguíneas via rede neural artificial
Visão computacional aplicada a extração de características de imagens médicas
Precisa de algum projeto personalizado?
Entre em contato com nossa acessoria para maiores informações.
SOBRE O AUTOR
Fernando Feltrin é Engenheiro da Computação com especializações na área de ciência de dados e inteligência artificial, Professor licenciado para docência de nível técnico e superior, Autor de mais de 20 livros sobre programação em Python e responsável por consultoria, pesquisa, desenvolvimento e implementação de ferramentas voltadas a modelos de redes neurais artificiais aplicadas à radiologia (diagnóstico por imagem) e a imagens médicas em geral.
