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.
