🥈 Impacto da Variabilidade visual e artefatos em modelos de Inteligência Artificial aplicados à oncodermatologia

O estudo mostra como condições de captura heterogêneas (iluminação, foco, enquadramento) e artefatos (gel, marcações, sombras) enviesam modelos de IA treinados com imagens dermatológicas. A equipe treinou CNNs em quatro bases públicas (HAM10000, PAD-UFES-20, DDI e ProveAI), analisou representações latentes e correlacionou-as com metadados para avaliar diversidade. Com IA explicável e avaliação de qualidade de imagem, identificou-se que artefatos degradam o desempenho e induzem decisões espúrias.

Trabalho de 2025 premiado como 2º colocado na trilha de Inovação da 16ª Conferência Brasileira sobre Melanoma (1ª conferência internacional do GBM).

Acesse o pôster aqui!

🥉 DermAI: Aplicativo móvel para coleta de imagens dermatológicas e desenvolvimento de IA inclusiva em oncodermatologia

O DermAI integra coleta clínica padronizada e verificação automática de qualidade de imagem (desfoque, iluminação) para formar datasets locais, robustos e diversos voltados à realidade brasileira e ao SUS. O app foi utilizado em consultas dermatológicas em unidades públicas, permitindo treinar modelos com grupos sub-representados e escalar por região.

Trabalho de 2025 premiado como 3º colocado na trilha de Inovação da 16ª Conferência Brasileira sobre Melanoma (1ª conferência internacional do GBM).

Acesse o pôster aqui!

Análise da Variabilidade e Viés em Conjuntos de Dados Dermatológicos para Classificação Baseada em Aprendizado de Máquina

O trabalho investiga a lacuna entre imagens dermatoscópicas e clínicas em aplicações de aprendizado de máquina para diagnóstico dermatológico, destacando os desafios de generalização entre esses domínios. Os modelos atuais, treinados principalmente em dados dermatoscópicos de alta qualidade, enfrentam dificuldades ao lidar com variações intrínsecas de imagens clínicas capturadas por dispositivos não especializados, como smartphones. Problemas como diferenças de resolução, iluminação, ruído e distribuição de classes afetam a precisão na classificação, especialmente para lesões malignas, exacerbados pela escassez de dados clínicos robustos e diversificados.

A pesquisa avalia o impacto dessas variações por meio de experimentos com diferentes arquiteturas de redes neurais convolucionais (CNNs), abordando técnicas de transferência de aprendizado e fine-tuning para melhorar a adaptação em cenários clínicos. Pre-print publicado em 2025.

Acesse o texto completo aqui!

Pré-processamento e Augmentation em Dermoscopia para Classificação de Lesões de Pele

Este estudo investiga o impacto de técnicas de pré-processamento e aumento de dados no desempenho de algoritmos de classificação de imagens dermoscópicas para diagnóstico de lesões cutâneas. Em particular, são avaliados métodos de constância de cor, que visam corrigir variações de iluminação e normalizar atributos cromáticos, facilitando a identificação de características críticas para a determinação de malignidade. O trabalho compara cinco algoritmos amplamente utilizados, incluindo Grey-World, max-RGB e Shades of Gray, aplicados tanto como pré-processamento quanto como aumento de dados durante o treinamento. As análises utilizam redes neurais convolucionais treinadas em um conjunto de dados padronizado (ISIC18) e examinam como essas abordagens impactam a generalização e o desempenho dos modelos.

Este trabalho contribui para a compreensão de limitações e oportunidades na aplicação de técnicas de normalização em imagens dermoscópicas, visando aprimorar ferramentas de inteligência artificial na dermatologia.

Acesse o texto completo aqui!

Detecção e Segmentação de Lesões Dermatológicas a Partir de Imagens RGB

O trabalho aborda o desenvolvimento e a avaliação de métodos para detecção e segmentação de lesões dermatológicas utilizando imagens RGB em contextos clínicos. Para segmentação, foram implementados e comparados os modelos UNet e UNeXt, com destaque para a superioridade do UNeXt em termos de precisão (métrica Dice de 0,87) e eficiência em dispositivos móveis, essencial para aplicações práticas. A pesquisa utiliza o conjunto de dados ISIC18 para treinamento e validação, apontando a necessidade de máscaras de segmentação específicas para melhorar o desempenho em cenários clínicos reais. Além disso, o estudo avalia arquiteturas para detecção de lesões, como YOLOv7 e SSD MobileNet, utilizando dados anotados de diferentes fontes e aplicando técnicas de aumento de dados para melhorar a generalização.

A pesquisa enfatiza a importância da combinação de dados e de técnicas de pré-processamento para superar limitações de conjuntos pequenos. Por fim, os modelos foram integrados a um aplicativo móvel, demonstrando eficiência no diagnóstico assistido, com métricas promissoras, como precisão de 90% e F1-Score de 0,78, em testes realizados com imagens capturadas por smartphones.

Acesse o texto completo aqui!

Modelos Transformers e Imagens Sintéticas na Classificação de Lesões Cutâneas

O trabalho explora o potencial de arquiteturas baseadas em transformers para a classificação de lesões cutâneas, um campo de relevância crítica na dermatologia clínica. A pesquisa utilizou o dataset ISIC24, notável por sua significativa desproporção de classes, contendo 393 imagens de lesões malignas frente a 400.666 benignas. Para lidar com esse desequilíbrio extremo, foram adotadas estratégias como balanceamento de lotes, redução de amostras negativas e geração de imagens sintéticas via Stable Diffusion. Modelos transformers, como ViT e Swin Transformer, foram comparados a arquiteturas convolucionais, revelando que, embora mais "data-hungry", os transformers demonstraram maior atenção a atributos locais das lesões. A introdução de imagens sintéticas mostrou benefícios como maior Recall, mas desafios como sobreajuste indicam a necessidade de maior diversidade nas imagens geradas.

A pesquisa destaca a importância de estratégias inovadoras para lidar com datasets desequilibrados e melhorar a aplicação de IA na detecção de doenças dermatológicas.

Acesse o texto completo aqui!

Otimização Evolutiva de Pesos para Classificadores Quânticos Variacionais

Circuitos Quânticos Variacionais (VQCs) são alternativas viáveis para a implementação de circuitos quânticos em processadores quânticos atuais. VQCs são circuitos reduzidos com parâmetros que são treinados para minimizar uma função de perda para um determinado problema. Neste trabalho, propomos uma abordagem para otimizar os parâmetros de um VQC utilizando Algoritmos Genéticos (AGs). Exploramos diferentes configurações de AG em 3 bases de dados — conjuntos de dados Sonar, Cancer e Banknotes, comparando a abordagem proposta com 2 otimizadores clássicos baseados em gradiente descendente.

Os resultados mostram que os algoritmos genéticos podem otimizar efetivamente os pesos dos circuitos variacionais para alcançar alta acurácia de classificação com velocidade de convergência até 7,3 vezes (na base de dados Sonar), 4,8 vezes (base de dados Cancer) e 3,7 vezes (base de dados Banknote) maior em comparação com os otimizadores tradicionais. Os resultados experimentais indicam que o algoritmo genético alcança métricas de desempenho significativamente superiores ou, pelo menos, comparáveis às obtidas pelos otimizadores baseados em gradiente descendente, demonstrando o potencial e a robustez das estratégias evolutivas no treinamento de circuitos quânticos variacionais. Artigo publicado na International Joint Conference on Neural Networks (IJCNN 2025).

Acesse o texto completo aqui!

Robótica e Visão Computacional no Contexto Eleitoral Brasileiro: Um Estudo de Caso

Desde 2000, o Brasil realiza eleições totalmente informatizadas utilizando urnas eletrônicas. Para comprovar o funcionamento e a segurança das urnas eletrônicas de forma transparente, são realizados alguns testes, incluindo o teste de integridade. Este teste é executado em todo o território nacional em locais definidos para cada estado brasileiro, envolvendo um número considerável de pessoas. Aqui, apresenta-se um sistema de automação para o teste de integridade, composto por um braço robótico e um software que utiliza visão computacional, voltado para as duas versões de urnas eletrônicas utilizadas nas eleições presidenciais de 2022. Foram realizados dois dias de testes: uma simulação do teste de integridade em laboratório e um teste durante o teste de integridade real da eleição de 2022.

O sistema conseguiu efetuar entre 197 e 232 votos durante os testes, com um tempo médio de votação entre 2 minutos e 15 segundos a 2 minutos e 43 segundos, dependendo da versão da urna e do dia do teste, e erros entre 1,48% e 3,72%, incluindo erros de leitura e digitação. O sistema permite reduzir o número de pessoas por urna eletrônica e aumentar a transparência e a eficiência do teste de integridade. Artigo publicado na 19ª International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISAPP 2024).

Acesse o texto completo aqui!

Calibração Automática de Braço Robótico para o Teste de Integridade das Urnas Eletrônicas no Contexto das Eleições Brasileiras de 2022

O sistema eleitoral brasileiro utiliza a urna eletrônica para aumentar a segurança do voto e a velocidade da apuração. Ela é submetida a diversos testes de segurança, sendo que aquele que envolve maior interação humana e pessoal é o teste de integridade. Nosso macroprojeto propôs uma solução para otimizar o processo de teste e reduzir a quantidade de pessoas envolvidas, utilizando um braço robótico com o auxílio de visão computacional para otimizar a demanda de pessoal de 8 pessoas para 2. No entanto, para usar o robô, ainda era necessário conhecimento técnico, e ele não podia ser operado por qualquer usuário, pois era preciso mapear manualmente as teclas para os locais onde o braço robótico pressionaria para realizar o teste. Apresentamos uma solução para mapear automaticamente um espaço de trabalho para um braço robótico. Utilizando uma câmera RGB-D e técnicas de visão computacional com aprendizado profundo (deep learning), conseguimos mover o braço robótico com 6 Graus de Liberdade (DoF) através de ações cartesianas dentro de um espaço de trabalho. Para isso, utilizamos uma rede YOLO, o mapeamento do espaço de trabalho do robô e uma correlação de pontos 3D da câmera para as coordenadas do espaço de trabalho do robô.

Com base nos testes realizados, os resultados mostram que fomos capazes de mapear os pontos de interesse com alta precisão e traçar um planejamento de trajetória para que o robô os alcançasse. A solução foi então aplicada em um cenário de teste real durante o primeiro turno das eleições brasileiras de 2022, e os resultados obtidos foram compatíveis com a abordagem convencional não assistida. Artigo publicado na 18ª International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISAPP 2023).

Acesse o texto completo aqui!

Computação Automatizada de Trajetórias de Corte para o Reempacotamento em Dose Unitária de Blisters Farmacêuticos

O rempacotamento de medicamentos em doses unitárias envolve o corte de blisters para separar cada comprimido, mantendo a integridade da embalagem original. Posteriormente, os comprimidos são reembalados, incluindo informações essenciais para a identificação do medicamento. O processo de corte de medicamentos é atualmente realizado de forma manual na maioria dos hospitais, e sua automação tornaria este processo mais eficiente e otimizado. Este artigo visa gerar trajetórias de corte possíveis para reempacotar blisters em doses unitárias de forma automática. A abordagem proposta utiliza uma rede neural convolucional (YOLOv8) para detectar os comprimidos, combinada com o algoritmo de Diagrama de Voronoi para gerar as trajetórias de corte.

Como resultado, a rede de detecção treinada com 8.856 imagens rotuladas de blisters e comprimidos alcançou uma precisão média (mean Average Precision - mAP) de 99,0%. Além disso, foram utilizados 60 layouts de blisters, e o algoritmo proposto previu e gerou com sucesso as trajetórias de corte para 48 tipos. Artigo publicado na IEEE 20ª International Conference on Automation Science and Engineering (CASE 2024).

Acesse o texto completo aqui!

Detecção e Manipulação de Tubos de Ensaio na Fase Pré-Analítica do Setor Laboratorial

As deficiências identificadas na fase pré-analítica do setor laboratorial, tais como falhas na distribuição e manuseio adequados de tubos de ensaio, destacam a necessidade de incorporar tecnologia robótica. Esta abordagem promove melhorias operacionais e contribui para a redução de resultados atípicos. Os processos em questão oferecem amplas oportunidades para automação, pois são caracterizados por alta repetitividade e exigem esforço significativo. Neste contexto, o presente trabalho visa avaliar a eficiência do sistema desenvolvido para detectar e manipular com precisão tubos de ensaio em tempos reduzidos, fornecendo um sistema automático para o manuseio de amostras. A estrutura desenvolvida inclui um braço robótico Kinova Gen3 Lite, uma câmera Intel RealSense D405, um sistema de detecção baseado em YOLOv8 e um dispositivo de sucção para a captura dos tubos. Foram avaliados a precisão da captura, a duração do processo e a qualidade da detecção.

Os resultados obtidos permitiram o estabelecimento de configurações operacionais aprimoradas, visto que o sistema demonstrou desempenho satisfatório. O processo de manipulação alcançou uma taxa de precisão de 83,33%, com um tempo médio de operação de 58 segundos por tubo de ensaio. Em relação ao sistema de detecção, a precisão atingiu 98,5% e 90,9% para as duas redes utilizadas. Estes dados fundamentam a eficácia do sistema desenvolvido, destacando sua capacidade de proporcionar uma manipulação precisa e eficiente de tubos de ensaio. Artigo publicado na IEEE 20ª International Conference on Automation Science and Engineering (CASE 2024).

Acesse o texto completo aqui!

Ferramenta Baseada em Processamento Digital de Imagens para Auxiliar o Fracionamento de Blisters de Medicamentos

Este trabalho apresenta uma ferramenta baseada em processamento digital de imagens para o fracionamento de blisters de medicamentos, que utiliza uma combinação de aquisição e segmentação de imagem para detectar com precisão blisters individuais e traçar a trajetória de corte que separa adequadamente os comprimidos em uma cartela de blister. A ferramenta proposta foi avaliada utilizando um conjunto de fotos de blisters de medicamentos, e os resultados mostraram que ela foi capaz de detectar e segmentar os blisters com um certo grau de precisão. Artigo publicado no XXIX Congresso Brasileiro de Engenharia Biomédica (CBEB 2024)

Acesse o texto completo aqui!

Reconhecimento Visual de Lugares Sob uma Perspectiva de Agrupamento em Subespaços de Alta Dimensão

Este trabalho trata do problema de mapeamento topológico e localização utilizando visão, ou seja, reconhecimento visual de lugares. É proposto o projeto de um sistema de reconhecimento visual de lugares, baseando-se em um conjunto de Mapas Auto-Organizáveis acoplado ao extrator de características VGG-16. Primeiramente, o uso da VGG-16 permite a extração de características visuais em ambientes variáveis de maneira robusta. Em seguida, diversos Mapas Auto-Organizáveis são utilizados para mapear o ambiente, dividindo o conjunto de dados em categorias e, posteriormente, em subcategorias. Esta abordagem visa reduzir o número de imagens testadas durante o processo de localização, reduzindo assim o tempo de processamento. A abordagem proposta é avaliada no conjunto de dados St. Lucia e comparada com dois métodos do estado da arte: SeqSLAM e MPF. Ela apresenta um desempenho de Precisão-Revocação ligeiramente inferior ao MPF, mas melhor que o SeqSLAM, exigindo um tempo computacional até 20 vezes menor que o MPF. Artigo publicado no Simpósio Latino Americano de Robótica (LARS 2023)

Acesse o texto completo aqui!

Projeto SmartCart: Adicionando Inteligência aos Carrinhos de Compras

O setor varejista tem passado por uma transformação na qual a incorporação de tecnologias ao processo de compra está se tornando cada vez mais comum, visando proporcionar uma melhor experiência para os consumidores. Neste contexto, este artigo busca propor uma solução que utiliza hardware embarcado em carrinhos de compras para aprimorar a experiência de compra, principalmente agilizando o processo de pagamento ao permitir que os clientes escaneiem os códigos de barras dos produtos desejados sem ter que enfrentar longas filas. Também visa fornecer um mapa do supermercado, indicando a posição atual do carrinho. Para alcançar esses objetivos, utilizou-se visão computacional para reconhecer códigos QR fixados no teto. Seguindo esta metodologia, foram obtidos resultados satisfatórios, com caminhos para melhorias e possíveis alterações a serem feitas no projeto para alcançar maior precisão na estimativa da localização do carrinho. Artigo publicado no 20º Congresso Latino-Americano de Software Livre e Tecnologias Abertas (LATINOWARE 2023)

Acesse o texto completo aqui!