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
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
028

Projetos Selecionados

CAGED

Diagnóstico de Canctro 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

2020-2021

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

2019-2021

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

2018-2022

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

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

Epistemic and Heteroscedastic Uncertainty Estimation in Retinal Blood Vessel Segmentation

Autores
Costa, P; Smailagic, A; Cardoso, J; 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.

2021

Multivariate Outlier Detection in Postprocessing of Multi-temporal PS-InSAR Results using Deep Learning

Autores
Aguiar, P; Cunha, A; Bakon, M; Ruiz-Armenteros, AM; Sousa, JJ;

Publicação
Procedia Computer Science

Abstract

2021

Comprehensive Perspective for Lung Cancer Characterisation Based on AI Solutions Using CT Images

Autores
Pereira, T; Freitas, C; Costa, JL; Morgado, J; Silva, F; Negrao, E; de Lima, BF; da Silva, MC; Madureira, AJ; Ramos, I; Hespanhol, V; Cunha, A; Oliveira, HP;

Publicação
Journal of Clinical Medicine

Abstract
Lung cancer is still the leading cause of cancer death in the world. For this reason, novel approaches for early and more accurate diagnosis are needed. Computer-aided decision (CAD) can be an interesting option for a noninvasive tumour characterisation based on thoracic computed tomography (CT) image analysis. Until now, radiomics have been focused on tumour features analysis, and have not considered the information on other lung structures that can have relevant features for tumour genotype classification, especially for epidermal growth factor receptor (EGFR), which is the mutation with the most successful targeted therapies. With this perspective paper, we aim to explore a comprehensive analysis of the need to combine the information from tumours with other lung structures for the next generation of CADs, which could create a high impact on targeted therapies and personalised medicine. The forthcoming artificial intelligence (AI)-based approaches for lung cancer assessment should be able to make a holistic analysis, capturing information from pathological processes involved in cancer development. The powerful and interpretable AI models allow us to identify novel biomarkers of cancer development, contributing to new insights about the pathological processes, and making a more accurate diagnosis to help in the treatment plan selection.

2021

LNDb Challenge on automatic lung cancer patient management

Autores
Pedrosa, J; Aresta, G; Ferreira, C; Atwal, G; Phoulady, HA; Chen, X; Chen, R; Li, J; Wang, L; Galdran, A; Bouchachia, H; Kaluva, KC; Vaidhya, K; Chunduru, A; Tarai, S; Nadimpalli, SPP; Vaidya, S; Kim, I; Rassadin, A; Tian, Z; Sun, Z; Jia, Y; Men, X; Ramos, I; Cunha, A; Campilho, A;

Publicação
Medical Image Analysis

Abstract

Factos & Números

6Docentes do Ensino Superior

2020

25Investigadores

2016

16Artigos em revistas indexadas

2020

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

Responsável

+351222094106

joao.p.cunha@inesctec.pt