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
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

Spin-off INESC TEC recebe investimento de 100 mil euros para expandir ensaios clínicos em pacientes com Parkinson

A spin-off inSignals Neurotech, que desenvolve dispositivos médicos para a quantificação de sintomas motores de doenças neurodegenerativas de forma a obter melhores resultados clínicos, recebeu um investimento de 100 mil euros através da call INNOV-ID, uma iniciativa lançada pela Portugal Ventures, em resposta às medidas delineadas pelo Governo para capitalizar as empresas portuguesas em tempos de pandemia.

26 março 2021

Redes de Sistemas Inteligentes

Estudo inédito sugere melhorias no diagnóstico e acompanhamento de pacientes com a “doença dos pezinhos”

No artigo científico “Clinical 3-D Gait Assessment of Patients With Polyneuropathy Associated With Hereditary Transthyretin Amyloidosis”, publicado na revista Frontiers in Neurology, uma das mais importantes da área, os investigadores analisam quantitativamente os parâmetros da marcha de vários grupos de doentes com polineuropatia amiloidótica familiar, também designada por "doença dos pezinhos”, em diferentes fases do seu desenvolvimento.

18 dezembro 2020

Redes de Sistemas Inteligentes

INESC TEC desenvolve ferramenta de análise automática de imagens de raio-X para avaliar evolução de doentes com COVID-19

Um grupo de investigadores do Centro de Investigação em Engenharia Biomédica (C-BER) do INESC TEC, em colaboração com médicos radiologistas, do Centro Hospitalar de Vila Nova de Gaia/Espinho (CHVNGE) e da Administração Regional de Saúde do Norte (ARS Norte) desenvolveu um sistema de diagnóstico assistido por computador, que identifica características radiológicas da COVID-19 em imagens de raio-X torácico.

14 dezembro 2020

Redes de Sistemas Inteligentes

Tecnologia INESC TEC no primeiro implante do mundo de neuroestimulador com monitorização de longo termo em doente epilético

A primeira utilização dum novo neuroestimulador fabricado pela empresa americana Medtronic utiliza tecnologia desenvolvida pelo Centro de Investigação em Engenharia Biomédica (C-BER) do INESC TEC para medir os movimentos introduzidos por eventos epiléticos em 3D e relaciona-los com a estimulação cerebral profunda bem como com sinais cerebrais lidos dentro e à superfície do cérebro (EEG). Aprovado para uso humano na Europa em janeiro deste ano permite estimular e captar sinais cerebrais em simultâneo, o que poderá fazer toda a diferença na qualidade de vida dos doentes. Pela primeira vez no mundo, foi implantado num doente com epilepsia e usado num estudo de video3D síncrono com EEG, no final do mês de junho, no Centro Hospitalar Universitário de São João (CHUSJ).

14 setembro 2020

Redes de Sistemas Inteligentes

Spin-off INESC TEC reconhecida como uma das mais promissoras do mundo em saúde digital

A iLoF – Intelligent on Fiber, uma spin-off da Universidade  do Porto nascida no INESC TEC e atualmente incubada na Faculdade de Medicina (FMUP), está entre as 150 startups mais promissoras a nível mundial na área da saúde digital, de acordo com a lista fornecida pela CB Insights, empresa Norte-Americana especializada em análise de negócios.

31 agosto 2020

Tópicos de interesse
032

Projetos Selecionados

iHandUApp

iHandU App development

2021-2022

Bio_Support

Serviços de consultoria especializada no desenvolvimento estratégico de sistemas biomédicos e licenciamento de software

2021-2023

AgWearCare

Wearables para Monitorização das Condições de Trabalho no Agroflorestal

2021-2023

iHandU_v2

New iHandU prototype development & small-serie (20) hardware production

2021-2021

CAGED

Diagnóstico de Cancro Gástrico Assistido por Computador

2021-2024

THOR

THOR - Avaliação Torácica Assistida por Computador usando POCUS

2021-2024

C4MiR_BIP_Proof

C4MiR_BIP_Proof_PROGRAMA DE ATRIBUIÇÃO DE APOIOS PARA PROVA DE CONCEITO DA UNIVERSIDADE DO PORTO

2020-2021

iiLab

Ampliação da Infraestrutura Tecnológica do INESC TEC para a Transformação Digital da Indústria

2020-2022

VitalPROVID

Vital PROVID - sistema de Monitorização de Doentes - Durante e após o COVID-19

2020-2021

CAIRUS

COVID-19 Artificial Intelligence-based Risk Unified Stratification tool for clinical management

2020-2020

CXR_AI4COVID19

Chest Radiography-based AI for Supporting ClinicalDecision on Covid-19

2020-2020

TAMI

Transparent Artificial Medical Intelligence

2020-2023

BioNanoTech

Serviços de apoio técnico - iLoF spin-off

2020-2020

MRI_Simulator

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

2019-2019

WalkingPAD

Programa de exercício físico terapêutico supervisionado em ambulatório, para educação e co-responsabilização em doença arterial periférica e claudicação intermitente, com o objetivo de aumentar a qualidade da caminhada e a distancia percorrida

2019-2022

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

2018-2022

PERFECT

Equivalência percetual em realidade virtual para treino autêntico

2018-2021

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

2021

Explainability Metrics of Deep Convolutional Networks for Photoplethysmography Quality Assessment

Autores
Zhang, O; Ding, C; Pereira, T; Xiao, R; Gadhoumi, K; Meisel, K; Lee, RJ; Chen, YR; Hu, X;

Publicação
IEEE Access

Abstract

2021

Secure Triplet Loss: Achieving Cancelability and Non-Linkability in End-to-End Deep Biometrics

Autores
Pinto, JR; Correia, MV; Cardoso, JS;

Publicação
IEEE Transactions on Biometrics, Behavior, and Identity Science

Abstract

2021

Efficient reactive obstacle avoidance using spirals for escape

Autores
Azevedo, F; Cardoso, JS; Ferreira, A; Fernandes, T; Moreira, M; Campos, L;

Publicação
Drones

Abstract
The usage of unmanned aerial vehicles (UAV) has increased in recent years and new application scenarios have emerged. Some of them involve tasks that require a high degree of autonomy, leading to increasingly complex systems. In order for a robot to be autonomous, it requires appropriate perception sensors that interpret the environment and enable the correct execution of the main task of mobile robotics: navigation. In the case of UAVs, flying at low altitude greatly increases the probability of encountering obstacles, so they need a fast, simple, and robust method of collision avoidance. This work covers the problem of navigation in unknown scenarios by implementing a simple, yet robust, environment-reactive approach. The implementation is done with both CPU and GPU map representations to allow wider coverage of possible applications. This method searches for obstacles that cross a cylindrical safety volume, and selects an escape point from a spiral for avoiding the obstacle. The algorithm is able to successfully navigate in complex scenarios, using both a high and low-power computer, typically found aboard UAVs, relying only on a depth camera with a limited FOV and range. Depending on the configuration, the algorithm can process point clouds at nearly 40 Hz in Jetson Nano, while checking for threats at 10 kHz. Some preliminary tests were conducted with real-world scenarios, showing both the advantages and limitations of CPU and GPU-based methodologies. © 2021 by the authors. Licensee MDPI, Basel, Switzerland.

2021

LNDb Challenge on automatic lung cancer patient management

Autores
Pedrosa, J; Aresta, G; Ferreira, C; Atwal, G; Phoulady, HA; Chen, XY; Chen, RZ; Li, JL; Wang, LS; Galdran, A; Bouchachia, H; Kaluva, KC; Vaidhya, K; Chunduru, A; Tarai, S; Nadimpalli, SPP; Vaidya, S; Kim, I; Rassadin, A; Tian, ZH; Sun, ZW; Jia, YZ; Men, XJ; Ramos, I; Cunha, A; Campilho, A;

Publicação
Medical Image Analysis

Abstract

2021

Epistemic and Heteroscedastic Uncertainty Estimation in Retinal Blood Vessel Segmentation

Autores
Costa, P; Smailagic, A; Cardoso, JS; Campilho, A;

Publicação
U.Porto Journal of Engineering

Abstract
Current state-of-the-art medical image segmentation methods require high quality datasets to obtain good performance. However, medical specialists often disagree on diagnosis, hence, datasets contain contradictory annotations. This, in turn, leads to difficulties in the optimization process of Deep Learning models and hinder performance. We propose a method to estimate uncertainty in Convolutional Neural Network (CNN) segmentation models, that makes the training of CNNs more robust to contradictory annotations. In this work, we model two types of uncertainty, heteroscedastic and epistemic, without adding any additional supervisory signal other than the ground-truth segmentation mask. As expected, the uncertainty is higher closer to vessel boundaries, and on top of thinner and less visible vessels where it is more likely for medical specialists to disagree. Therefore, our method is more suitable to learn from datasets created with heterogeneous annotators. We show that there is a correlation between the uncertainty estimated by our method and the disagreement in the segmentation provided by two different medical specialists. Furthermore, by explicitly modeling the uncertainty, the Intersection over Union of the segmentation network improves 5.7 percentage points.

Factos & Números

25Investigadores

2016

7Investigadores Séniores

2016

1Contratados de I&D

2020

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

Responsável

+351222094106

joao.p.cunha@inesctec.pt