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
Sobre

Sobre

O meu nome é Ana Maria Mendonça e sou Professora Associada do Departamento de Engenharia Eletrotécnica (DEEC) da Faculdade de Engenharia da Universidade do Porto (FEUP). Foi nesta Universidade que concluí o meu doutoramento em 1994. Fui investigadora do Instituto de Engenharia Biomédica (INEB) até 2014, mas a partir de 2015 integrei o Centro de Investigação em Engenharia Biomédica em do INESC TEC como investigadora sénior.

Na minha atividade de gestão de ensino superior e investigação, fui membro do Conselho Executivo do DEEC e sou atualmente Subdiretora da FEUP. No INEB, integrei a Direção do Instituto inicialmente como vogal e posteriormente como Presidente da Direção. Fui membro eleito do Conselho pedagógico da FEUP e sou atualmente membro do Conselho Científico desta escola. Integro a comissão científica do Programa Doutoral em Engenharia Biomédica e de 2009 a 2014 fui Diretora do Mestrado em Engenharia Biomédica da FEUP.

Tenho colaborado como investigadora ou como responsável em diversos projetos de investigação, dominantemente na área da imagem biomédica. O meu trabalho de investigação centrou-se essencialmente no desenvolvimento de metodologias de análise de imagem e classificação tendo como objetivo a extração de informação útil de imagens médicas para apoiar o diagnóstico médico. O trabalho passado foi dedicado principalmente às patologias da retina, do pulmão e doenças genéticas, mas o trabalho atual está essencialmente focado no desenvolvimento de sistema de apoio ao diagnóstico em oftalmologia e radiologia.

Tópicos
de interesse
Detalhes

Detalhes

003
Publicações

2019

An unsupervised metaheuristic search approach for segmentation and volume measurement of pulmonary nodules in lung CT scans

Autores
Shakibapour, E; Cunha, A; Aresta, G; Mendonca, AM; Campilho, A;

Publicação
Expert Systems with Applications

Abstract
This paper proposes a new methodology to automatically segment and measure the volume of pulmonary nodules in lung computed tomography (CT) scans. Estimating the malignancy likelihood of a pulmonary nodule based on lesion characteristics motivated the development of an unsupervised pulmonary nodule segmentation and volume measurement as a preliminary stage for pulmonary nodule characterization. The idea is to optimally cluster a set of feature vectors composed by intensity and shape-related features in a given feature data space extracted from a pre-detected nodule. For that purpose, a metaheuristic search based on evolutionary computation is used for clustering the corresponding feature vectors. The proposed method is simple, unsupervised and is able to segment different types of nodules in terms of location and texture without the need for any manual annotation. We validate the proposed segmentation and volume measurement on the Lung Image Database Consortium and Image Database Resource Initiative – LIDC-IDRI dataset. The first dataset is a group of 705 solid and sub-solid (assessed as part-solid and non-solid) nodules located in different regions of the lungs, and the second, more challenging, is a group of 59 sub-solid nodules. The average Dice scores of 82.35% and 71.05% for the two datasets show the good performance of the segmentation proposal. Comparisons with previous state-of-the-art techniques also show acceptable and comparable segmentation results. The volumes of the segmented nodules are measured via ellipsoid approximation. The correlation and statistical significance between the measured volumes of the segmented nodules and the ground-truth are obtained by Pearson correlation coefficient value, obtaining an R-value = 92.16% with a significance level of 5%. © 2018 Elsevier Ltd

2019

Convolutional Neural Network Architectures for Texture Classification of Pulmonary Nodules

Autores
Ferreira, CA; Cunha, A; Mendonça, AM; Campilho, A;

Publicação
Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications - Lecture Notes in Computer Science

Abstract

2019

Wide Residual Network for Lung-Rads™ Screening Referral

Autores
Ferreira, CA; Aresta, G; Cunha, A; Mendonça, AM; Campilho, A;

Publicação
2019 IEEE 6th Portuguese Meeting on Bioengineering (ENBENG)

Abstract

2019

Quantitative Assessment of Central Serous Chorioretinopathy in Angiographic Sequences of Retinal Images

Autores
Ferreira, CA; Penas, S; Silva, J; Mendonça, AM;

Publicação
2019 IEEE 6th Portuguese Meeting on Bioengineering (ENBENG)

Abstract

2019

EyeWeS: Weakly Supervised Pre-Trained Convolutional Neural Networks for Diabetic Retinopathy Detection

Autores
Costa, P; Araujo, T; Aresta, G; Galdran, A; Mendonca, AM; Smailagic, A; Campilho, A;

Publicação
2019 16th International Conference on Machine Vision Applications (MVA)

Abstract

Teses
supervisionadas

2017

Quantitative assessment of Central Serous Chorioretinopathy in Angiographic sequences of retinal images

Autor
Carlos Alexandre Nunes Ferreira

Instituição
UP-FEUP

2016

Estimation of choroidal thickness in OCT images

Autor
Simão Pedro Marques Pinto de Faria

Instituição
UP-FEUP

2016

Estimation of Vessel Caliber in Retinal Images

Autor
Teresa Manuel Sá Finisterra Araújo

Instituição
UP-FEUP

2016

Detection of red lesions associated with Diabetic Retinopathy

Autor
Tânia Filipa Fernandes Melo

Instituição
UP-FEUP

2015

Advanced Image Analysis for the Assessment of Retinal Vascular Changes

Autor
Behdad Dasht Bozorg

Instituição
UP-FEUP