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
Sobre
Download foto HD

Sobre

Carlos Ferreira é apaixonado por saúde, tecnologia e empreendedorismo desde tenra idade. Nesse sentido, ingressou em Bioengenharia na FEUP em 2012, acabando o mesmo em 2017. Durante o mestrado teve incursões por grupos de investigação do INESC TEC e do I3S. Paralelamente fundou o student branch chapter do EMBS na U. Porto em 2015, sendo o chair do mesmo durante dois ano, e foi vice-presidente do NEB FEUP/ICBAS durante 2016/2017. Em 2017, trabalhou na U. Porto Inovação como analista de tecnologia antes de se juntar definitivamente no INESC TEC como investigador na área de análise de imagem médica para classificação de nódulos pulmonares com tomografias computadorizadas. Desde 2018 é tesoureiro da secção portuguesa do IEEE EMBS. Em 2019, recebeu financiamento da FCT para realizar doutoramento e tornou-se Business Development Manager do TEC4Health no INESC TEC.

Tópicos
de interesse
Detalhes

Detalhes

002
Publicações

2020

Automatic Lung Reference Model

Autores
Machado, M; Ferreira, CA; Pedrosa, J; Negrão, E; Rebelo, J; Leitão, P; Carvalho, AS; Rodrigues, MC; Ramos, I; Cunha, A; Campilho, A;

Publicação
IFMBE Proceedings - XV Mediterranean Conference on Medical and Biological Engineering and Computing – MEDICON 2019

Abstract

2020

Automatic lung nodule detection combined with gaze information improves radiologists' screening performance

Autores
Aresta, G; Ramos, I; Campilho, A; Ferreira, C; Pedrosa, J; Araujo, T; Rebelo, J; Negrao, E; Morgado, M; Alves, F; Cunha, A;

Publicação
IEEE Journal of Biomedical and Health Informatics

Abstract

2020

Classification of Lung Nodules in CT Volumes Using the Lung-RADS™ Guidelines with Uncertainty Parameterization

Autores
Ferreira, CA; Aresta, G; Pedrosa, J; Rebelo, J; Negrão, E; Cunha, A; Ramos, I; Campilho, A;

Publicação
17th IEEE International Symposium on Biomedical Imaging, ISBI 2020, Iowa City, IA, USA, April 3-7, 2020

Abstract
Currently, lung cancer is the most lethal in the world. In order to make screening and follow-up a little more systematic, guidelines have been proposed. Therefore, this study aimed to create a diagnostic support approach by providing a patient label based on the LUNG-RADS™ guidelines. The only input required by the system is the nodule centroid to take the region of interest for the input of the classification system. With this in mind, two deep learning networks were evaluated: a Wide Residual Network and a DenseNet. Taking into account the annotation uncertainty we proposed to use sample weights that are introduced in the loss function, allowing nodules with a high agreement in the annotation process to take a greater impact on the training error than its counterpart. The best result was achieved with the Wide Residual Network with sample weights achieving a nodule-wise LUNG-RADS™ labelling accuracy of 0.735\pm 0.003. © 2020 IEEE.

2019

Wide Residual Network for Lung-Rads™ Screening Referral

Autores
Ferreira, CA; Aresta, G; Cunha, A; Mendonca, 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; Mendonca, AM;

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

Abstract