Busca avançada
Ano de início
Entree

Deep learning e representações intermediárias para análise de imagens pediátricas

Processo: 20/06744-5
Linha de fomento:Bolsas no Brasil - Pós-Doutorado
Vigência (Início): 01 de setembro de 2020
Vigência (Término): 31 de agosto de 2023
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
Pesquisador responsável:Roberto Marcondes Cesar Junior
Beneficiário:Hugo Neves de Oliveira
Instituição-sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
Vinculado ao auxílio:15/22308-2 - Representações intermediárias em Ciência Computacional para descoberta de conhecimento, AP.TEM
Assunto(s):Diagnóstico por imagem   Análise de imagens   Aprendizagem profunda   Pediatria   Ressonância magnética   Grafos   Análise espaço-temporal   Processamento de imagens

Resumo

As imagens médicas requerem o desenvolvimento de métodos para melhorar a precisão nos resultados da análise de imagens. Os avanços na análise de imagens médicas fornecem tais ferramentas, mas ainda há uma lacuna importante em relação à imagem cerebral pediátrica, embora haja uma demanda médica crescente. Este projeto visa contribuir para preencher essa lacuna, com foco na Ressonância Magnética cerebral (RM) de bebês, recém-nascidos e bebês prematuros, que levantam questões específicas devido ao contraste particular de matéria cinzenta/branca relacionada ao processo de mielinização fisiológica, à evolução muito rápida, mas não continuamente observada das estruturas cerebrais e possíveis patologias, bem como à alta variabilidade intra e inter-sujeita. Uma dessas questões é que os dados são tipicamente ruidosos, ambíguos, escassos e esparsos no tempo. Por sua vez, o conhecimento médico especializado está disponível, mas é propenso a mudanças e evolução. Deste ponto de vista, o projeto aborda uma das questões de ponta na análise de dados, ou seja, como extrair e entender padrões significativos onde os dados são escassos, mas o conhecimento especializado, continuamente enriquecido, está disponível. Propomos desenvolver representações estruturais de conhecimento e informações de imagens na forma de grafos e hipergrafos, que serão exploradas para orientar a compreensão de imagens espaço-temporais (segmentação, reconhecimento, quantificação, comparação ao longo do tempo, descrição do conteúdo de imagem e evolução). Tais técnicas serão complementadas por abordagens de deep learning para processamento das imagens 2D ou 3D. O objetivo do projeto é desenvolver métodos computacionais para apoiar o diagnóstico, análise patológica e acompanhamento dos pacientes. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

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)
CHAMORRO MARTINEZ, JORGE A.; OLIVEIRA, HUGO; DOS SANTOS, JEFERSSON A.; FEITOSA, RAUL QUEIROZ. Open Set Semantic Segmentation for Multitemporal Crop Recognition. IEEE Geoscience and Remote Sensing Letters, v. 19, . (17/50236-1, 20/06744-5, 15/22308-2)

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