Busca avançada
Ano de início
Entree

Triagem Automática de Doenças para o Mundo Real

Processo: 19/05018-1
Linha de fomento:Bolsas no Exterior - Pesquisa
Vigência (Início): 15 de agosto de 2019
Vigência (Término): 29 de junho de 2020
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Eduardo Alves Do Valle Junior
Beneficiário:Eduardo Alves Do Valle Junior
Anfitrião: Matthieu Cord
Instituição-sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
Local de pesquisa : Université Paris-Sorbonne (Paris 4), França  
Assunto(s):Aprendizado computacional   Melanoma   Retinopatia diabética   Aprendizagem profunda

Resumo

O principal objetivo do projeto é avançar o estado da arte no diagnóstico assistido por computador, com foco principal da pesquisa em duas doenças - o melanoma, e a retinopatia diabética. Esperamos, entretanto, que as técnicas desenvolvidas generalizem para uma ampla gama de possíveis diagnósticos por imagem. A triagem automática oferece uma promissora solução para a disparidade entre a disponibilidade de novos profissionais de saúde, e a explosão da incidência das doenças degenerativas em uma população cada vez mais longeva. A triagem automática é um valioso recurso para os profissionais de saúde primária: enfermeiros e médicos generalistas, auxiliando-os na difícil decisão de quem deve ou não ser encaminhado para o médico especialista, e dentre os encaminhados, quais os casos mais urgentes.

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
DE OLIVEIRA, EDUARDO; BINDA, JOMARA; VALLE, EDUARDO; LOPES, RENATO. Paperclickers: Affordable solution for classroom response systems. COMPUTER APPLICATIONS IN ENGINEERING EDUCATION, AUG 2020. Citações Web of Science: 0.
VALLE, EDUARDO; FORNACIALI, MICHEL; MENEGOLA, AFONSO; TAVARES, JULIA; BITTENCOURT, FLAVIA VASQUES; LI, LIN TZY; AVILA, SANDRA. Data, depth, and design: Learning reliable models for skin lesion analysis. Neurocomputing, v. 383, p. 303-313, MAR 28 2020. Citações Web of Science: 0.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.