Cookies
Usamos cookies para melhorar nosso site e a sua experiência. Ao continuar a navegar no site, você aceita a nossa política de cookies. Ver mais
Fechar
  • Menu
Factos & Números
000
Apresentação

Centro de Investigação em Engenharia Biomédica

No C-BER os nossos objetivos vão desde a criação de conhecimento interdisciplinar que permita a inovação e a transferência de tecnologia com impacto económico até ao desenvolvimento de produtos, ferramentas e métodos para a prevenção e deteção precoce de diferentes tipos de doenças, problemas relacionados com o envelhecimento, reabilitação humana, fisioterapia ou avaliação funcional.

Pretendemos ainda contribuir para o desenvolvimento de neuro-tecnologias avançadas na fronteira entre a engenharia e a neurologia, assim como promover parcerias estratégicas com parceiros clínicos, institutos de investigação e fomentar a cooperação internacional.

Desenvolvemos investigação em três áreas distintas: Imagem Biomédica, Bioinstrumentação e Neuroengenharia.

Últimas Notícias
Redes de Sistemas Inteligentes

INESC TEC desenvolve tecnologia ótica inteligente que distingue e deteta células cancerígenas

O potencial do dispositivo iLoF (Lab on Fiber) para identificar células cancerígenas com diferentes perfis é destacado num artigo publicado numa das revistas científicas da "Nature".

12 março 2020

Redes de Sistemas Inteligentes

«Best Practical Paper Award» para investigação INESC TEC no rastreio de retinopatia

“EyeWeS: Weakly Supervised Pre-Trained Convolutional Neural Networks for Diabetic Retinopathy Detection” é o título do artigo científico que mereceu o Best Practical paper award na MVA 2019 (International Conference on Machine Vision Applications) realizada em Tóquio, Japão.

14 fevereiro 2020

Redes de Sistemas Inteligentes

INESC TEC tem primeira patente concedida na China

O INESC TEC tem, pela primeira vez, uma patente concedida na China. O feito foi alcançado com a tecnologia C4Mir (“Control Module for Multiple Mixed-Signal Resources Management”), que já tinha visto os seus pedidos de patente concedidos na Europa, EUA, Coreia do Sul e Japão.

30 dezembro 2019

Redes de Sistemas Inteligentes

INESC TEC e CHUSJ desenvolvem tecnologia para diagnosticar nódulos pulmonares

O INESC TEC e o Centro Hospitalar Universitário de São João (CHUSJ) desenvolveram um sistema para diagnóstico de nódulos pulmonares. A inovação já foi testada no departamento de radiologia daquele hospital e permite a deteção, caracterização e determinação da malignidade de nódulos pulmonares.

30 dezembro 2019

Informática

Artigo INESC TEC entre os mais citados da revista científica PLOS ONE

Um paper INESC TEC na área da análise de imagem médica está entre os 10% mais citados da revista científica PLOS One, do ano de 2017. O trabalho, com a participação de investigadores do Centro de Investigação em Engenharia Biomédica (C-BER) e do Centro de Telecomunicações e Multimédia (CTM), descreve um método para classificação automática de imagens de histologia de biópsia de tecido mamário em 4 classes: tecido normal, com lesões benignas, com carcinoma in situ ou carcinoma invasivo.

18 dezembro 2019

Tópicos de interesse
020

Projetos Selecionados

BioNanoTech

Serviços de apoio técnico - iLoF spin-off

2020-2021

MRI_Simulator

Aluguer do Simulador de Ressonância Magnética à Faculdade de Psicologia e de Ciências da Educação da Universidade do Porto

2019-2020

WalkingPAD

Patient education on a quantified supervised home-based exercise therapy to improve walking ability in patients with peripheral arterial disease and intermittent claudication

2019-2021

Serv_Neuro

Consultoria Insignals Neurotech no âmbito do programa EIT Health Startups Meets Pharma 2019

2019-2019

LUCAS

Rastreio do cancro do pulmão - uma metodologia não invasiva para o diagnóstico precoce

2018-2021

PERFECT

Equivalência percetual em realidade virtual para treino autêntico

2018-2020

TexBoost

Less Commodities more Specialities

2017-2020

LNDetector

Sistema Automático de Deteção, Segmentação e Classificação de Nódulos Pulmonares em Imagens Tomografia Computadorizada

2016-2019

SCREEN-DR

Plataforma de Análise de Imagem e de Aprendizagem Computacional para a Inovação no Rastreio da Retinopatia Diabética

2016-2020

Bio-Early

Projeto Vital Sticker no âmbito do Contrato Programa

2015-2018

NanoStima-RL5

NanoSTIMA - Advanced Methodologies for Computer-Aided Detection and Diagnosis

2015-2019

NanoStima-RL1

NanoSTIMA - Macro-to-Nano Human Sensing Technologies

2015-2019

SMILES

TEC4Growth - RL SMILES - Smart, Mobile, Intelligent and Large scale Sensing and analytics

2015-2019

VR2Market

VR2Market: Desenvolvimento dum Produto para Monitorização Móvel e Vestível da Saúde de Profissionais de Primeira Resposta e de outras Profissões de Risco

2014-2019

STePMotion

Componentes espácio-temporais do processamento de informação motora e sensorial

2014-2015

EcoDrive

Condução Ecológica e Gestão Inteligente de Frotas

2014-2015

Re-Learning

Re-aprendizagem motora através do uso da fusão de informação de sensores

2014-2015

VitalResponder2

Gestão inteligente de eventos críticos de stress, fadiga e intoxicação pelo fumo no combate a fogos florestais

2013-2015

ASD-MD

Doenças do Movimento na Perturbação do Espetro Autista

2013-2015

HERMES

Sistema de interactividade entre consumidores de conteúdos digitais

2013-2015

Equipa
003

Laboratórios

Laboratório de Imagem Biomédica

Laboratório Avançado de Neuroengenharia e Deteção Humana

Laboratório de BioInstrumentação

Publicações

C-BER Publicações

Ler todas as publicações

2019

Using Soft Attention Mechanisms to Classify Heart Sounds

Autores
Oliveira, J; Nogueira, DM; Ramos, C; Renna, F; Ferreira, CA; Coimbra, MT;

Publicação
2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC)

Abstract

2019

Active Contours Based Segmentation and Lesion Periphery Analysis for Characterization of Skin Lesions in Dermoscopy Images

Autores
Riaz, F; Naeem, S; Nawaz, R; Coimbra, M;

Publicação
IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS

Abstract
This paper proposes a computer assisted diagnostic system for the detection of melanoma in dermoscopy images. Clinical findings have concluded that in case of melanoma, the lesion borders exhibit differential structures such as pigment networks and streaks as opposed to normal skin spots, which have smoother borders. We aim at validating these findings by performing segmentation of the skin lesions followed by an extraction of the peripheral region of the lesion that is subjected to feature extraction and classification for detecting melanoma. For segmentation, we propose a novel active contours based method that takes an initial lesion contour followed by the usage of Kullback-Leibler divergence between the lesion and skin to fit a curve to the lesion boundaries. After segmentation of the lesion, its periphery is extracted to detect melanoma using image features that are based on local binary patterns. For validation of our algorithms, we have used the publicly available PH2 and ISIC dermoscopy datasets. An extensive experimental analysis reveals two important findings: 1) the proposed segmentation method mimics the ground truth data; and 2) the most significant melanoma characteristics in the lesion actually lie on the lesion periphery.

2019

Virtual M-Mode for Echocardiography: A New Approach for the Segmentation of the Anterior Mitral Leaflet

Autores
Sultan, MS; Martins, N; Costa, E; Veiga, D; Ferreira, MJ; Mattos, S; Coimbra, MT;

Publicação
IEEE J. Biomedical and Health Informatics

Abstract

2019

A Subject-Driven Unsupervised Hidden Semi-Markov Model and Gaussian Mixture Model for Heart Sound Segmentation

Autores
Oliveira, J; Renna, F; Coimbra, M;

Publicação
IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING

Abstract
The analysis of heart sounds is a challenging task, due to the quick temporal onset between successive events and the fact that an important fraction of the information carried by phonocardiogram (PCG) signals lies in the inaudible part of the human spectrum. For these reasons, computer-aided analysis of the PCG can dramatically improve the quantity of information recovered from such signals. In this paper, a hidden semi-Markov model (HSMM) is used to automatically segment PCG signals. In the proposed models, the emission probability distributions are approximated via Gaussian mixture model (GMM) priors. The choice of GMM emission probability distributions allow to apply re-estimation routines to automatically adjust the HSMM emission probability distributions to each subject. Building on the proposed method for fine tuning emission distributions, a novel subject-driven unsupervised heart sound segmentation algorithm is proposed and validated over the publicly available PhysioNet dataset. Perhaps surprisingly, the proposed unsupervised method achieved results in line with state-of-the-art supervised approaches, when applied to long heart sounds.

2019

Adaptive Sojourn Time HSMM for Heart Sound Segmentation

Autores
Oliveira, J; Renna, F; Mantadelis, T; Coimbra, M;

Publicação
IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS

Abstract
Heart sounds are difficult to interpret due to events with very short temporal onset between them (tens of milliseconds) and dominant frequencies that are out of the human audible spectrum. Computer-assisted decision systems may help but they require robust signal processing algorithms. In this paper, we propose a new algorithm for heart sound segmentation using a hidden semi-Markov model. The proposed algorithm infers more suitable sojourn time parameters than those currently suggested by the state of the art, through a maximum likelihood approach. We test our approach over three different datasets, including the publicly available PhysioNet and Pascal datasets. We also release a pediatric dataset composed of 29 heart sounds. In contrast with any other dataset available online, the annotations of the heart sounds in the released dataset contain information about the beginning and the ending of each heart sound event. Annotations were made by two cardiopulmonologists. The proposed algorithm is compared with the current state of the art. The results show a significant increase in segmentation performance, regardless the dataset or the methodology presented. For example, when using the PhysioNet dataset to train and to evaluate the HSMMs, our algorithm achieved average an F-score of 92% compared to 89% achieved by the algorithm described in [D.B. Springer, L. Tarassenko, and G. D. Clifford, "Logistic regressionHSMM-based heart sound segmentation," IEEE Transactions on Biomedical Engineering, vol. 63, no. 4, pp. 822-832, 2016]. In this sense, the proposed approach to adapt sojourn time parameters represents an effective solution for heart sound segmentation problems, even when the training data does not perfectly express the variability of the testing data.

Factos & Números

1Capítulos de livros

2018

32Artigos em conferências indexadas

2018

19Artigos em revistas indexadas

2018

Contactos
C-BER
Centro de Investigação em Engenharia Biomédica
João Paulo Cunha

Responsável

+351222094106

joao.p.cunha@inesctec.pt