Modelos de inteligência artificial para a detecção e segmentação de tumores cerebrais por meio de imagens de ressonância magnética
Objeto O projeto visa o desenvolvimento de um framework integrando modelos de aprendizagem profunda e visão computacional para a detecção precisa e segmentada de tumores estruturais em imagens de ressonância magnética (MRI). A abordagem emprega uma arquitetura adaptada com camadas GhostConv e Resnet-50, diminuindo o número de operações convulcionais possíveis, possibilitando uma análise mais rápida e menos onerosa em termos de processamento computacional. Objetivo Aprimorar a precisão diagnóstica e reduzir a latência na entrega de resultados e diagnósticos por meio de um modelo treinado com mais de 10.000 imagens, permitindo identificar variações específicas em morfologias tumorais. Além disso, busca-se diminuir a carga computacional para possibilitar a implementação do modelo em plataformas menos robustas, tornando a tecnologia acessível a locais com infraestrutura de TI limitada. Resultados Os resultados preliminares indicam uma acurácia média de 82% e uma redução de 35% no custo computacional em comparação com modelos existentes. O projeto representa um avanço qualitativo na neurologia diagnóstica, promovendo uma mudança paradigmática no tratamento de tumores graves, com impactos diretos na sobrevida e na qualidade de vida dos pacientes.
Modelos de deep leaning aplicados à visão computacional para o monitoramento automático de veículos e pedrestes em cidades inteligentes
ObjetoExploração de técnicas avançadas de visão computacional e deep learning aplicadas à otimização do gerenciamento de tráfego urbanoMonitoramento eficiente de veículos e pedestres em ambientes urbanos por meio de sistemas inteligentes ObjetivosAvaliar diversos modelos existentes para identificar os mais adequados à integração em sistemas inteligentes de monitoramento urbanoAdaptar os modelos selecionados para operar com diferentes resoluções de vídeo, assegurando flexibilidade e compatibilidade com câmeras de tráfegoDesenvolver um sistema confiável e escalável, capaz de atuar em tempo real com alto grau de precisãoTestar rigorosamente os algoritmos em contextos práticos para validar sua eficácia na detecção e rastreamento de veículos e pedestresAtender à crescente demanda por soluções automatizadas frente ao aumento populacional e da frota de veículos nas metrópoles ResultadosDesenvolvimento de uma abordagem que melhora a fluidez do tráfego urbanoAutomatização da gestão de tráfego com base em dados em tempo realRedução significativa dos problemas de congestionamento por meio de monitoramento inteligente e contínuo
Impacto de modelos de aprendizado de máquina na análise de imagens médicas
Objeto Palestra sobre a aplicação de modelos de aprendizado de máquina na análise de imagens médicas para apoio ao diagnóstico clínico Objetivos Explorar arquiteturas de redes neurais utilizadas em Deep Learning e Machine Learning voltadas para imagens médicasDiscutir os principais desafios de implementação dessas tecnologias no contexto da saúdeLevantar questões éticas relacionadas ao uso da inteligência artificial, como viés algorítmico e privacidade de dadosApresentar estudos de caso recentes que evidenciam avanços no diagnóstico de doenças como câncer e enfermidades cardíacasRefletir sobre o futuro da inteligência artificial no diagnóstico por imagem Resultados Demonstração de melhorias significativas na precisão diagnóstica por meio de estudos de casoSensibilização do público quanto aos benefícios e riscos do uso da IA na saúdePromoção de discussões técnicas e éticas relevantes para a integração responsável dessas tecnologias no setor médico
Desenvolvimento de sistemas de gestão de tráfego inteligentes utilizando deep learning
Objeto Desenvolvimento de um sistema avançado de monitoramento automático de tráfego urbanoUtilização de visão computacional e técnicas de deep learning para identificar veículos por cor, placa, modelo e velocidade Objetivos Avaliar e selecionar modelos existentes com maior eficácia para integração em sistemas inteligentes de gestão de tráfegoTestar o sistema em cenários urbanos simulados para verificar sua escalabilidade e confiabilidadeImplementar algoritmos adaptativos para ajustar a detecção às condições variáveis e monitorar a velocidade dos veículos em tempo realIntegrar os dados de tráfego em uma plataforma centralizada com o objetivo de melhorar a resposta a congestionamentos e emergênciasFornecer insights estratégicos para o planejamento urbano e aumento da segurança viária Resultados Resultados iniciais demonstraram alta precisão na identificação de placas e modelos de veículosDesempenho acima de 73% de acerto mesmo em condições de tráfego densoO sistema apresenta potencial para transformar a gestão de tráfego urbano, aumentando a eficiência operacional e a segurança nas cidades
Desenvolvimento de modelos de aprendizado profundo para a detecção e reconhecimento eficientes da composição de células sanguíneas
Objeto Aplicação de inteligência artificial, especificamente através de técnicas de deep learning, na detecção e contagem de células sanguíneasA proposta foca na superação das limitações dos métodos tradicionais, que demandam intensa intervenção humana e conhecimento especializado em morfologia celular Objetivos Superar restrições operacionais dos métodos convencionais por meio de soluções baseadas em aprendizado profundoEmpregar modelos avançados como YOLO (You Only Look Once) e RCNN (Region-based Convolutional Neural Networks), reconhecidos pela alta velocidade de processamento e precisão na análise de imagensUtilizar o YOLO, com sua abordagem de detecção em uma única etapa, para identificação e localização eficiente de células, mesmo sob sobreposição, tratando simultaneamente localização e classificação como problema de regressãoAplicar RCNN e suas variantes, como o Faster RCNN, que operam em dois estágios, propondo e refinando regiões para uma classificação precisa, especialmente úteis diante da complexidade morfológica das células sanguíneas Resultados Aumento significativo na acurácia dos processos de detecção e contagem de célulasRedução da carga de trabalho em ambientes laboratoriais, com análises mais rápidas e confiáveis, contribuindo diretamente para diagnósticos médicos mais eficientesProposta baseada nos modelos mencionados apresentou redução de 15% nas taxas de falso positivos e falso negativos
