Publicações, sistemas e treinamentos.
Este projeto desenvolve uma assinatura radiômica baseada em imagens de tomografia computadorizada de feixe cônico (CBCT) para a avaliação da osteoporose. A metodologia utiliza índices radiomorfométricos da mandíbula para estimar a densidade óssea de forma não invasiva.
Este estudo colaborativo aplica técnicas de deep learning à análise forense de ferimentos causados por arma de fogo. Os modelos desenvolvidos classificam ferimentos de entrada e saída e estimam a distância médico-legal do disparo (MLSD) com base em fotografias digitais.
Este projeto propõe um modelo híbrido de deep learning que combina uma cabeça de classificação com atenção e uma arquitetura UNet para segmentar calcificações de ateroma carotídeo (CACs) em radiografias panorâmicas.
Aplicação web em Flask integra pipelines de IA para detectar osteoporose, analisar ateroma e gerar relatórios radiológicos.
Foi criado um sistema de Deep Learning com a arquitetura EfficientNet para analisar radiografias panorâmicas e identificar sinais de osteoporose por meio do Índice Cortical Mandibular.
Foi desenvolvida uma solução completa para classificar, detectar e segmentar calcificações de ateroma carotídeo (CACs) em radiografias panorâmicas, utilizando uma combinação de modelos como FastViT, AttentionNet e DC-UNet.
O projeto Gigasistêmica teve um de seus trabalhos aceitos no periódico internacional Biomedical Signal Processing and Control, da editora Elsevier.