CV Lattes
ResearcherID
ORCID
Google Scholar Citations
Universidade de São Paulo (USP). Faculdade de Medicina de Ribeirão Preto (FMRP) (Instituição Sede da última proposta de pesquisa) País de origem: Brasil
Professor Associado 3 em RDIDP junto à Divisão de Ciências das Imagens e Física Médica do Departamento de Imagens Médicas, Hematologia e Oncologia Clínica da Faculdade de Medicina de Ribeirão Preto (FMRP) da Universidade de São Paulo (USP). Recebeu os títulos de Bacharel e Mestre em Engenharia Elétrica e Doutor em Física Aplicada pela Universidade de São Paulo em 1986, 1990 e 1994 respectivamente. Fez estágio de Pós-Doutorado na Universidade de Chicago (Chicago, IL, USA) em 2001, sob supervisão do Professor Kunio Doi, onde estudou várias técnicas para o reconhecimento de padrões em imagens médicas visando o auxílio ao diagnóstico (Computer-aided Diagnosis - CAD) e a Recuperação de Imagens Baseada em Conteúdo (Content-based Image Retrieval - CBIR). Pesquisador associado do Centro de Inteligência Artificial USP-FAPESP-IBM (C4AI). Membro do Comitê Gestor do Centro de Inteligência Artificial e Aprendizado de Máquina (CIAAM) da USP. Membro Senior do Institute of Electrical and Electronics Engineers - IEEE. É coordenador e supervisor do Serviço de Física Médica e Radioproteção do Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto (HCFMRP). Coordenador do Núcleo RUTE (Rede Universitária de Telemedicina) do HCFMRP. Orientador da tese ganhadora do Prêmio Tese Destaque USP 2020 - Grande Área Engenharias. Foi Coordenador do Curso de Bacharelado em Informática Biomédica da USP - Ribeirão Preto (2006-2008; 2020-2024); Presidente da CPG e coordenador do Curso de Pós-Graduação Interunidades em Bioengenharia EESC-FMRP-IQSC/USP (2017-2021); Coordenador Suplente do Programa de Pós-Graduação em Clínica Médica - FMRP/USP (2012-2014); Diretor de Educação da Sociedade Brasileira de Informática em Saúde - SBIS (2012-2014); Vice-Presidente da Sociedade Brasileira de Informática em Saúde - SBIS (2014-2016); Professor Associado Adjunto do Departamento de Engenharia Elétrica e da Computação da Universidade de Calgary/Canadá (2012-2018). Área principal de atuação em Medicina de Precisão Assistida por Inteligência Artificial. (Fonte: Currículo Lattes)
| Matéria(s) publicada(s) na Revista Pesquisa FAPESP sobre o(a) pesquisador(a): |
| Las máquinas que todo lo ven |
| Las máquinas que todo lo ven |
| Mais itensMenos itens |
| Matéria(s) publicada(s) na Agência FAPESP sobre o(a) pesquisador(a) |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |
A doença cardiovascular é a principal causa de morte em todo o mundo. A aterosclerose subjacente e as condições subsequentes, como enfarte do miocárdio, doença cardíaca isquêmica e acidente vascular cerebral, causam enorme morbidade, mortalidade e perdas econômicas. A identificação precoce de pacientes com alto risco para tais eventos clínicos possibilita ações preventivas. O uso de apren…
O objetivo principal desta proposta e transferir para o Sistema de Saúde aplicativos médicos inovadores, orientados para o diagnóstico, tratamento, planejamento cirúrgico, treinamento e suporte à decisão auxiliados por computador. O Instituto Nacional de Ciência e Tecnologia em Medicina Assistida por Computação Científica (INCT-MACC) vem permitindo, desde 2008, integrar com sucesso uma re…
Um avanço recente e importante na análise quantitativa de imagens é o conceito de Radiômica (do inglês, Radiomics). Radiômica é um campo emergente da radiologia que tem como fundamento a conversão de dados de imagens em um espaço característico de alta dimensão, usando diferentes algoritmos de extração de características. O racional da radiômica é que se pode obter uma caracterização mais…
Hoje, quase todas as atividades humanas geram e/ou demandam armazenar e processar conjuntos de dados cada vez maiores, que muitas vezes são diversos e complexos. Esse cenário de crescimento vertiginoso, que ocorre tanto no meio científico, acadêmico, empresarial e até mesmo nas atividades de lazer, demanda novos métodos eficientes para organização e acesso. Tal cenário está sendo chamado …
O presente projeto consiste na aplicação de conhecimentos do campo da Ciência da Informação na área médica e tem por objetivo a construção e a aplicação prática de uma Ontologia de domínio da especialidade de Radiologia e Diagnóstico por Imagem. Considerando o uso intensivo de informações provenientes de diversos tipos diferentes de exames, e a vasta cobertura terminológica da área, o uso…
Embora vários modelos de aprendizado de máquina (ML) que usam dados de registros eletrônicos de saúde (EHR) tenham sido desenvolvidos nos últimos anos, há uma grande necessidade de validação externa desses modelos. Os modelos de previsão podem ter um bom desempenho em um centro com uma população semelhante aos dados de treinamento, mas podem ter um desempenho pior em centros com diferente…
Poucos modelos de aprendizado de máquina podem ser encontrados efetivamente funcionando em ambiente clínico e há pouca pesquisa sobre seus benefícios e utilidade em cenários prospectivos. Os modelos de aprendizado de máquina podem funcionar muito bem em conjuntos de dados de teste, mas podem perder desempenho quando aplicados a dados prospectivos. Nesse cenário, o objetivo de trabalho pro…
O objetivo geral do projeto é desenvolver modelos de previsão para MACE (Major adverse cardiovascular events) que possam ser utilizados em contextos clínicos diversos. Como objetivo específico, pretende-se verificar se o aprendizado federado resultará em maior poder de generalização dos modelos desenvolvidos pelo consórcio de centros de pesquisa. O bolsista deverá organizar e pré-processa…
Hoje a complexidade da natureza não estruturada de grandes conjuntos de dados é conhecida como o termo Big Data e apresenta vários desafios em tarefas que implicam a predição de novos dados. Especificamente, o Big Data em classificação de imagens médicas apresenta o desafio que trata da existência de um número elevado de imagens sem etiquetar frente a um número reduzido de imagens etiquet…
Embora vários modelos de aprendizado de máquina (ML) que usam dados de registros eletrônicos de saúde (EHR) tenham sido desenvolvidos nos últimos anos, há uma grande necessidade de validação externa desses modelos. Os modelos de previsão podem ter um bom desempenho em um centro com uma população semelhante aos dados de treinamento, mas podem ter um desempenho pior em centros com diferente…
Explorar grandes repositórios de dados médicos com critérios baseados em distância é particularmente difícil sempre que os objetos consultados estiverem muito próximos entre si. Por exemplo, estudos prévios sugerem que recuperar imagens muito parecidas pode prejudicar tanto a semântica quanto a aplicabilidade de programas de Recuperação de Imagens Médicas por Conteúdo (CBIR). A principal …
O co-registro de imagens médicas exerce um importante papel na determinação de alterações topográficas e morfológicas para fins de diagnostico funcional e propostas terapêuticas. Os softwares de alinhamento manual e semi-automáticos ainda continuam sendo utilizado, entretanto eles são subjetivos e tomam um tempo precioso dos especialistas. Métodos automáticos são mais robustos e independe…
Este projeto de pesquisa propõe a investigação e definição de atributos que possam ser extraídos de imagens médicas visando o reconhecimento de padrões para a indexação e recuperação baseadas em conteúdo, dentro de sistemas de arquivamento e comunicação de imagens (Picture Archiving and Communication Systems - PACS). (AU)