-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathpublicacoes.html
More file actions
212 lines (209 loc) · 16.2 KB
/
Copy pathpublicacoes.html
File metadata and controls
212 lines (209 loc) · 16.2 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
---
---
<html lang="pt">
<head>
<!-- basic -->
<meta charset="utf-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">
<meta name="viewport" content="width=device-width, initial-scale=1">
<!-- mobile metas -->
<meta name="viewport" content="width=device-width, initial-scale=1">
<meta name="viewport" content="initial-scale=1, maximum-scale=1">
<!-- site metas -->
<title>Publicações</title>
<meta name="keywords" content="">
<meta name="description" content="">
<meta name="author" content="">
<!-- bootstrap css -->
<link rel="stylesheet" type="text/css" href="css/bootstrap.min.css">
<!-- style css -->
<link rel="stylesheet" type="text/css" href="css/style.css">
<link rel="stylesheet" type="text/css" href="css/custom.css">
<!-- Responsive-->
<link rel="stylesheet" href="css/responsive.css">
<!-- fevicon -->
<link rel="icon" href="images/fevicon.png" type="image/gif" />
<!-- Scrollbar Custom CSS -->
<link rel="stylesheet" href="css/jquery.mCustomScrollbar.min.css">
<!-- Tweaks for older IEs-->
<link rel="stylesheet" href="https://netdna.bootstrapcdn.com/font-awesome/4.0.3/css/font-awesome.css">
<!-- fonts -->
<link href="https://fonts.googleapis.com/css?family=Poppins:400,700|Righteous&display=swap" rel="stylesheet">
<!-- owl stylesheets -->
<link rel="stylesheet" href="css/owl.carousel.min.css">
<link rel="stylesheet" href="https://cdnjs.cloudflare.com/ajax/libs/fancybox/2.1.5/jquery.fancybox.min.css"
media="screen">
<!-- Google Icons -->
<link rel="stylesheet" href="https://fonts.googleapis.com/icon?family=Material+Icons">
</head>
<body>
<!-- header section start -->
<div class="header_section">
{% include header.html %}
</div>
<!-- header section end -->
<!-- services section start -->
<div class="services_section layout_padding">
<div class="container">
<div class="row">
<div class="col-md-8">
<h1 class="services_taital">Publicações</h1>
<p class="services_text">O LuxAI tem como objetivo avançar no estado da arte, buscando conhecimento na literatura, replicando os resultados obtidos pelos trabalhos e desenvolvendo novas pipelines que integrem os avanços científicos gerando novos resultados.</p>
</div>
<div class="col-md-4 my-auto">
<div><img src="images/publicacoes.png" class="material_image"></div>
</div>
</div>
<div class="services_section_2">
<div class="row">
<div class="col-md-4 align-self-center">
<div><img src="images/image_IMPACTO_DA_VARIABILIDADE_VISUAL.png" class="services_img material_image publication_image">
</div>
<center>
<p class="subtext"><br>Imagem gerada através do <a href="https://openai.com/index/dall-e-3/" target="_blank" rel="noopener noreferrer">DALL-E</a></p>
</center>
</div>
<div class="col-md-8 align-self-center">
<h2 class="text-center">🥈 Impacto da Variabilidade visual e artefatos em modelos de Inteligência Artificial aplicados à oncodermatologia</h2>
<p class="services_text">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.</p>
<p class="services_text pb-4">Trabalho premiado como 2º colocado na trilha de Inovação da 16ª Conferência Brasileira sobre Melanoma (1ª conferência internacional do GBM)</p>
<center>
<a class="read_publication_button" href="publications/IMPACTO DA VARIABILIDADE VISUAL - Poster 2º lugar.png" target="_blank" rel="noopener noreferrer"><img src="images/books-icon.svg" class="read_publication_button_image">Acesse o pôster aqui!</a>
</center>
</div>
</div>
<hr class="mt-5" />
<div class="row pt-4">
<div class="col-md-4 align-self-center">
<div><img src="images/image_publication_dermai.png" class="services_img material_image publication_image">
</div>
<center>
<p class="subtext"><br>Imagem gerada através do <a href="https://openai.com/index/dall-e-3/" target="_blank" rel="noopener noreferrer">DALL-E</a></p>
</center>
</div>
<div class="col-md-8 align-self-center">
<h2 class="text-center">🥉 DermAI: Aplicativo móvel para coleta de imagens dermatológicas e desenvolvimento de IA inclusiva em oncodermatologia</h2>
<p class="services_text">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.</p>
<p class="services_text pb-4">Trabalho premiado como 3º colocado na trilha de Inovação da 16ª Conferência Brasileira sobre Melanoma (1ª conferência internacional do GBM)</p>
<center>
<a class="read_publication_button" href="publications/DermAI Coleta - Poster 3º lugar.png" target="_blank" rel="noopener noreferrer"><img src="images/books-icon.svg" class="read_publication_button_image">Acesse o pôster aqui!</a>
</center>
</div>
</div>
<hr class="mt-5" />
<div class="row pt-4" id="pub_llm_rag">
<div class="col-md-4 align-self-center">
<div><img src="images/publicacao_llm.png" class="services_img material_image publication_image">
</div>
<center>
<p class="subtext"><br>Imagem gerada através do <a href="https://openai.com/index/dall-e-2/" target="_blank" rel="noopener noreferrer">DALL-E</a></p>
</center>
</div>
<div class="col-md-8 align-self-center">
<h2 class="text-center">Avaliação de LLMs e Retrieval Para Aplicação de RAG no Mobile</h2>
<p class="services_text">Pesquisa sobre a avaliação de Grandes Modelos de Linguagem (LLMs) em conjunto com a Geração Aumentada por Recuperação (RAG) para uso em dispositivos móveis, um campo de crescente relevância no cenário atual da inteligência artificial. O trabalho propõe uma metodologia inovadora dividida em três etapas principais: a construção de uma base de dados que relaciona perguntas a contextos específicos, a geração de respostas utilizando diversos LLMs, e a avaliação dessas respostas por meio de um LLM Juiz, que classifica a qualidade das respostas com base em critérios objetivos.</p>
<p class="services_text pb-4">Este trabalho oferece insights valiosos para o desenvolvimento de aplicações móveis que utilizam inteligência artificial, demonstrando como a combinação de LLMs com RAG pode resultar em sistemas mais eficientes e confiáveis para a geração e avaliação de respostas.</p>
<center>
<a class="read_publication_button" href="publications/Avaliacao_de_LLMs_e_Retrieval.pdf" target="_blank" rel="noopener noreferrer"><img src="images/books-icon.svg" class="read_publication_button_image">Acesse o texto completo aqui!</a>
</center>
</div>
</div>
<hr class="mt-5" />
<div class="row pt-4">
<div class="col-md-4 align-self-center">
<div><img src="images/publicacao_prep_aug_derm.png"
class="services_img material_image publication_image">
</div>
<center>
<p class="subtext"><br>Imagem gerada através do <a href="https://openai.com/index/dall-e-2/" target="_blank" rel="noopener noreferrer">DALL-E</a></p>
</center>
</div>
<div class="col-md-8 align-self-center">
<h2 class="text-center">Pré-processamento e Augmentation em Dermoscopia para Classificação de Lesões de Pele</h2>
<p class="services_text">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.</p>
<p class="services_text pb-4">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.</p>
<center>
<a class="read_publication_button" href="publications/Data_pre-processing-and_augmentation_on_dermoscopy_images_for_skin_lesion_classification.pdf" target="_blank" rel="noopener noreferrer"><img src="images/books-icon.svg" class="read_publication_button_image">Acesse o texto completo aqui!</a>
</center>
</div>
</div>
<hr class="mt-5" />
<div class="row pt-4">
<div class="col-md-4 align-self-center">
<div><img src="images/publicacao_dett_seg_lesion.jpeg"
class="services_img material_image publication_image">
</div>
<center>
<p class="subtext"><br>Imagem gerada através do <a href="https://deepmind.google/technologies/imagen-3/" target="_blank" rel="noopener noreferrer">Imagen 3</a></p>
</center>
</div>
<div class="col-md-8 align-self-center">
<h2 class="text-center">Detecção e Segmentação de Lesões Dermatológicas a Partir de Imagens RGB </h2>
<p class="services_text">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.</p>
<p class="services_text pb-4">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.</p>
<center>
<a class="read_publication_button" href="publications/Lesions_detection_and_segmentation_from_RGB_images_in_clinical_dermatology.pdf" target="_blank" rel="noopener noreferrer"><img src="images/books-icon.svg" class="read_publication_button_image">Acesse o texto completo aqui!</a>
</center>
</div>
</div>
<hr class="mt-5" />
<div class="row pt-4">
<div class="col-md-4 align-self-center">
<div><img src="images/publicacao_transf_sintetic_classif.jpeg"
class="services_img material_image publication_image">
</div>
<center>
<p class="subtext"><br>Imagem gerada através do <a href="https://deepmind.google/technologies/imagen-3/" target="_blank" rel="noopener noreferrer">Imagen 3</a></p>
</center>
</div>
<div class="col-md-8 align-self-center">
<h2 class="text-center">Modelos Transformers e Imagens Sintéticas na Classificação de Lesões Cutâneas</h2>
<p class="services_text">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.</p>
<p class="services_text pb-4">A pesquisa destaca a importância de estratégias inovadoras para lidar com datasets desequilibrados e melhorar a aplicação de IA na detecção de doenças dermatológicas.</p>
<center>
<a class="read_publication_button" href="publications/Training_Lesion_classification_on_Synthetic_images_using_Stable_diffusion_and_transformers.pdf" target="_blank" rel="noopener noreferrer"><img src="images/books-icon.svg" class="read_publication_button_image">Acesse o texto completo aqui!</a>
</center>
</div>
</div>
<hr class="mt-5" />
<div class="row pt-4">
<div class="col-md-4 align-self-center">
<div><img src="images/publicacao_analise_vies_dataset.jpeg"
class="services_img material_image publication_image">
</div>
<center>
<p class="subtext"><br>Imagem gerada através do <a href="https://deepmind.google/technologies/imagen-3/" target="_blank" rel="noopener noreferrer">Imagen 3</a></p>
</center>
</div>
<div class="col-md-8 align-self-center">
<h2 class="text-center">Análise da Variabilidade e Viés em Conjuntos de Dados Dermatológicos para Classificação Baseada em Aprendizado de Máquina</h2>
<p class="services_text">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.</p>
<p class="services_text pb-4">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.</p>
<center>
<a class="read_publication_button" href="https://arxiv.org/abs/2501.08962" target="_blank" rel="noopener noreferrer"><img src="images/books-icon.svg" class="read_publication_button_image">Acesse o texto completo aqui!</a>
</center>
</div>
</div>
</div>
</div>
</div>
<!-- services section end -->
<!-- footer section start -->
{% include footer.html %}
<!-- footer section end -->
<!-- copyright section start -->
{% include copyright.html %}
<!-- copyright section end -->
<!-- Javascript files-->
<script src="js/jquery.min.js"></script>
<script src="js/popper.min.js"></script>
<script src="js/bootstrap.bundle.min.js"></script>
<script src="js/jquery-3.0.0.min.js"></script>
<script src="js/plugin.js"></script>
<!-- sidebar -->
<script src="js/jquery.mCustomScrollbar.concat.min.js"></script>
<script src="js/custom.js"></script>
<!-- javascript -->
<script src="https:cdnjs.cloudflare.com/ajax/libs/fancybox/2.1.5/jquery.fancybox.min.js"></script>
</body>
</html>