Profa. Dra. Leticia Rittner
  • Home
  • About me
  • Publications
  • Teaching
    • EA979_1S2023
    • IA368_1S2023
    • EA869_2S2022
    • EA773_1S2022
    • IA368_1S2022
  • Opportunities
    • Final Degree Project
  • Talks and Presentations
Regras sobre o TFC - Consulte página da disciplina (EA006 - Trabalho de Fim de Curso)

Temas de Trabalho de Fim de Curso (TFC)

Desenvolvimento de aplicativos e softwares para apoio à pesquisa médica

Motivação
O Medical Image Computing Laboratory (MICLab) desenvolve métodos e algoritmos para analisar imagens e dados médicos, como por exemplo imagens de Ressonância Magnética (RM) do cérebro, de  Espectroscopia por RM ou de Tomografia Computadorizada (TC) dos pulmões. Estamos interessados ​​no desenvolvimento de métodos quantitativos aplicados às estruturas do corpo humano, juntamente com a sua identificação e segmentação automática. Porém, para que os métodos desenvolvidos passem a ser adotados pelos especialistas da área da saúde, é necessário transformá-los em ferramentas,  integrando-os entre si e adicionando funcionalidades de visualização.

Objetivo
Desenvolver softwares e aplicativos para apoio de pesquisa na área da saúde. Transformar os algoritmos e métodos de inteligência artificial desenvolvidos no laboratório em ferramentas computacionais que possam ser utilizadas por especialistas da área da saúde de forma intuitiva e amigável. Os métodos serão desenvolvidos sob uma filosofia de código aberto, visando uma pesquisa interdisciplinar e translacional.


Melhoria de ferramenta computacional para segmentação semi-automática de estruturas do cérebro

Motivação
A segmentação de estruturas do cérebro a partir de imagens de ressonância magnética é uma tarefa bastante complexa devido à grande variação intersujeitos. Métodos automáticos são computacionalmente custosos, demorados e normalmente necessitam de mais de uma modalidade de imagem e baseiam-se normalmente em um atlas para realizar a tarefa. Métodos manuais, por sua vez, exigem muitas horas de trabalho de especialistas treinados. Métodos semi-automáticos oferecem a vantagem de aliar o conhecimento do especialista para inicializar a tarefa com a velocidade de processamento computacional.

Objetivo
Incorporar novas funcionalidades a uma ferramenta de segmentação semi-automática desenvolvida pelo grupo. A ferramenta realiza a segmentação usando a transformada de watershed a partir de marcadores escolhidos pelo usuário. A cada nova fatia da imagem volumétrica, a ferramenta utiliza informações da segmentação obtida para a fatia anterior, diminuindo a necessidade de interação com o usuário. A ferramenta foi desenvolvida em tcl/tk.




Powered by Create your own unique website with customizable templates.