|
|
Atividade
| 137419 - Aplicações Clínicas de Inteligência Artificial em Imagens Médicas |
| Data da turma: | 14/03/2026
|
||||
|
|
|||||
| Descrição: | Objetivo: O curso visa apresentar as aplicações clínicas do reconhecimento de padrão em imagens médicas utilizando inteligência artificial.
Justificativa: A área do diagnóstico por imagem tem sido uma das mais beneficiadas pelo uso de modelos de inteligência artificial para o reconhecimento de padrão em imagens digitais. Contudo o uso clínico adequado desses modelos necessita de um conhecimento básico de seu funcionamento e das possibilidades efetivas de sua utilização. O curso visa apoiar o desenvolvimento de uma visão crítica do uso de aplicações de inteligência artificial em imagens médicas, trazendo uma visão evolutiva dessas aplicações para o diagnóstico auxiliado por computador, recuperação de imagem baseada em conteúdo e radiômica, evidenciando suas potencialidades e limitações. Conteúdo: Bases conceituais da análise de imagens: da aquisição ao reconhecimento de padrão. Diagnóstico Auxiliado por computador: fundamentos, aplicações e limitações. Recuperação de Imagem Baseada em Conteúdo: fundamentos, aplicações e limitações. Radiômica: fundamentos, aplicações e limitações. Referências bibliográficas: Hadjiiski L, Cha K, Chan HP, Drukker K, Morra L, Näppi JJ, Sahiner B, Yoshida H, Chen Q, Deserno TM, Greenspan H, Huisman H, Huo Z, Mazurchuk R, Petrick N, Regge D, Samala R, Summers RM, Suzuki K, Tourassi G, Vergara D, Armato SG 3rd. AAPM task group report 273: Recommendations on best practices for AI and machine learning for computer-aided diagnosis in medical imaging. Med Phys. 2023 Feb;50(2):e1-e24. doi: 10.1002/mp.16188. Epub 2023 Jan 6. PMID: 36565447. Ravi K Samala, Karen Drukker, Amita Shukla-Dave, Heang-Ping Chan, Berkman Sahiner, Nicholas Petrick, Hayit Greenspan, Usman Mahmood, Ronald M Summers, Georgia Tourassi, Thomas M Deserno, Daniele Regge, Janne J Näppi, Hiroyuki Yoshida, Zhimin Huo, Quan Chen, Daniel Vergara, Kenny H Cha, Richard Mazurchuk, Kevin T Grizzard, Henkjan Huisman, Lia Morra, Kenji Suzuki, Samuel G Armato, Lubomir Hadjiiski, AI and machine learning in medical imaging: key points from development to translation, BJR|Artificial Intelligence, Volume 1, Issue 1, January 2024, ubae006, https://doi.org/10.1093/bjrai/ubae006. Müller H, Michoux N, Bandon D, Geissbuhler A. A review of content-based image retrieval systems in medical applications-clinical benefits and future directions. Int J Med Inform. 2004 Feb;73(1):1-23. doi: 10.1016/j.ijmedinf.2003.11.024. Erratum in: Int J Med Inform. 2009 Sep;78(9):638. PMID: 15036075. Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology. 2016 Feb;278(2):563-77. doi: 10.1148/radiol.2015151169. Epub 2015 Nov 18. PMID: 26579733; PMCID: PMC4734157. Chiari-Correia, N.S., Nogueira-Barbosa, M.H., Chiari-Correia, R.D. et al. A 3D Radiomics-Based Artificial Neural Network Model for Benign Versus Malignant Vertebral Compression Fracture Classification in MRI. J Digit Imaging 36, 1565–1577 (2023). https://doi.org/10.1007/s10278-023-00847-4 Chiari-Correia, N., Nogueira-Barbosa, M. H., Azevedo-Marques, P. M. de ., Chiari-Correia, R., Cordeiro, S. da S., & Lima, L. L. de . (2024). Lumbar Spine Vertebral Compression Fractures (VCFs) Dataset: MRI T1-Weighted Images for Benign and Malignant Classification [Data set]. In A 3D Radiomics-Based Artificial Neural Network Model for Benign Versus Malignant Vertebral Compression Fracture Classification in MRI (v1.0_2024-08-08, Vol. 36, Número 4, p. 1565–1577). Zenodo. https://doi.org/10.5281/zenodo.13274445 |
||||
| Carga Horária: |
5 horas |
||||
| Tipo: | Obrigatória | ||||
| Vagas oferecidas: | 140 | ||||
| Ministrantes: |
Paulo Mazzoncini de Azevedo Marques |
 voltar |
|
Créditos © 1999 - 2025 - Superintendência de Tecnologia da Informação/USP |