Aprendizagem computacional
Descrição da Oportunidade
As terapias conservadoras do tratamento do cancro da mama têm permitido que muitas mulheres evitem a mastectomia. No entanto, existem muitos cenários em que a mastectomia ainda é realizada. Felizmente, a reconstrução mamária permite aliviar a perda da(s) mama(s), seja através do uso de um implante ou através de tecido do corpo da paciente. Dentro destas opções, o retalho DIEP é hoje considerado o estado da arte. Esta técnica recebe o nome da designação da rede vascular sanguíneo que existe na porção inferior e anterior do abdómem, os vasos Perfurantes Epigástricos Inferiores. Isso se deve ao papel crucial que esses vasos sanguíneos desempenham nesse procedimento, pois são extraídos entre o tecido e devem garantir a vascularização adequada da nova mama. Quando um paciente demonstra interesse por esse tipo de reconstrução, a equipa cirúrgica solicita uma Angiografia por Tomografia Computadorizada (CTA) ou Angiografia por Ressonância Magnética (RMA). A equipe de radiologia adquire os exames e anota os vasos DIEP. No final, um relatório com a descrição de cada perfurante encontrado (variável, mas geralmente em torno de 6-8) é entregue aos cirurgiões, para que possam determinar se a paciente é elegível para o procedimento e, caso seja, eles podem planear quais os vasos a incluir no procedimento. Esse processo é muito desafiador para a equipe radiológica, principalmente porque esses vasos sanguíneos são muito pequenos (secção transversal de 1-2 pixels na maioria das vezes). O objetivo deste trabalho é investigar técnicas de visão computacional/machine learning que possam alcançar uma maior automação do processo de segmentação sem diminuir significativamente sua precisão.
Requisitos Mínimos
Conhecimentos em Visão Computacional e Machine Learning
Fatores de Preferência
Experiência em projetos científicos, e escrita de documentos científicos.
Período de candidatura
Desde 21 Nov 2024 a 04 Dec 2024
Centro
Centro de Telecomunicações e Multimédia