Cookies
O website necessita de alguns cookies e outros recursos semelhantes para funcionar. Caso o permita, o INESC TEC irá utilizar cookies para recolher dados sobre as suas visitas, contribuindo, assim, para estatísticas agregadas que permitem melhorar o nosso serviço. Ver mais
Aceitar Rejeitar
  • Menu
Oportunidade Investigação
Submeter candidatura Consultar edital
Oportunidade Investigação

Aprendizagem computacional

[Brevemente]

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.

Habilitações Académicas

Mestrado em Engenharia Eletrotécnica, Informática, Bioengenharia ou similar

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 16 Jan 2025 a 29 Jan 2025

[Brevemente]

Centro

Centro de Telecomunicações e Multimédia