Diagnóstico Assistido por Computador

Código:

M.BIO001

Sigla:

DACO

Áreas Científicas
Classificação	Área Científica
OFICIAL	Engenharia Biomédica

Ocorrência: 2025/2026 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Eletrotécnica e de Computadores
Curso/CE Responsável:	Mestrado em Bioengenharia

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
M.BIO	60	Plano de estudos oficial	1	-	6	39	162
MEB	5	Plano de estudos oficial	1	-	6	39	162

Língua de trabalho

Inglês

Objetivos

O diagnóstico assistido por computador pode ser definido como sendo a opinião emitida por um radiologista, que é assistido por um sistema computacional de análise de imagem médica, que emite uma segunda opinião. O desenvolvimento deste sistemas é fortemente baseado em machine learning.

Esta Unidade Curricular tem por objetivo apresentar alguns dos tópicos centrais em aprendizagem computacional, dos fundamentais ao estado da arte, necessários no desenvolvimento de sistemas CAD. Será colocado especial ênfase nos conceitos teóricos e em exemplos práticos e projetos laboratoriais. Cada exercício será cuidadosamente escolhido para reforçar os conceitos explicados nas aulas teóricas e desenvolver e generalizá-los em diversas direções. Os estudantes que concluam com sucesso devem ter a:

-Capacidade de trabalhar em equipa, organização e planeamento.

-Capacidade de analisar e sintetizar conhecimento.

-Capacidade de desenvolver sistemas simples de aprendizagem computacional de acordo com as necessidades existentes e aplicar as ferramentas tecnológicas mais apropriadas.

-Conhecer os fundamentais das técnicas de aprendizagem.

-Adquirir capacidades de aprendizagem que permitam continuar a estudar de uma forma autónoma.

Resultados de aprendizagem e competências

 

Esta UC pretende contribuir para o desenvolvimento de competências relacionadas com a preparação e realização de apresentações orais, com a realização de análises bibliográficas e a preparação de relatórios sobre temas selecionados, fomentando simultaneamente o trabalho autónomo e em grupo dos estudantes.

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

Conhecimentos prévios:
Análise Computacional de Imagem Biomédica e Processamento de Sinal, Programação de computadores

Programa

 Parte 1: Diagnóstico assistido por computador (DAC): visão geral

1.     Introdução
2.     Organização típica de um sistema DAC
3.     Desenvolvimentos em sistemas DAC
 Parte 2: Metodologias

 

1. Introdução à Teoria da aprendizagem.
Conceitos matemáticos relevantes.
2. Modelos Lineares para Regressão (Critérios; equações normais; processos de optimização iterativos; regressão Ridge e Lasso;
Kalman filtering. Online learning.
3. Modelos generativos para classificação (decisão ótima Bayesiana; Analise discriminante linear; independência condicional e classificador Naïve Bayes; estimação não paramétrica de densidade: método das janelas de parzen)
4. Classificadores não generativos [regressão logística; discriminante de fisher]
Aplicações em CAD.
5. Seleção e avaliação de modelos
6. Introdução às redes neuronais e redes neuronais profundas.
7. Introdução às redes neuronais convolucionais.
Aplicações em CAD.
8. Aprendizagem não-supervisionada – Clustering [algoritmos de Clustering; Kmeans, kmedoids, soft kmeans; mistura de Gaussianas; aprendizagem de Manifolds (PCA, MDA, ISOMAP and LLE)]
Aplicações em CAD.


Parte 3: Aplicações

Exemplos de aplicação 

Bibliografia Obrigatória

Sergios Theodoridis; Machine Learning: A Bayesian and Optimization Perspective, Academic Press/Elsevier, 2020 (segunda edição)

Bibliografia Complementar

Bishop Christopher M.; Pattern recognition and machine learning. ISBN: 978-0-387-31073-2
Duda Richard O.; Pattern classification. ISBN: 0-471-05669-3

Métodos de ensino e atividades de aprendizagem

Palestras participativas, seminários e conferências, aprendizagem com base na resolução de casos práticos e projetos, trabalho autônomo e estudo independente pelos estudantes, trabalho em grupo e aprendizagem cooperativa.

Os assuntos serão abordados em palestras participativas, onde os alunos terão a oportunidade de implementar métodos por si próprios. Durante a parte da palestra, os tópicos do curso serão apresentados e discutidos. Os períodos práticos / laboratoriais serão usados para resolver exercícios e para o desenvolvimento dos trabalhos de avaliação.

Os alunos receberão tarefas de casa individuais periódicos durante toda a duração do curso, envolvendo exercícios, leituras e sumarização de textos selecionados. Esta componente será responsável por 30% da nota final. O trabalho prático consistirá num projeto cobrindo os tópicos do curso. Isso representará 30% da nota final. O exame final será responsável por 40% da nota final.

Software

Matlab

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	40,00
Trabalho laboratorial	30,00
Participação presencial	30,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Elaboração de projeto	40,00
Estudo autónomo	70,00
Frequência das aulas	52,00
Total:	162,00

Obtenção de frequência

Irão ser atribuídos trabalhos semanais durante a duração da unidade curricular, envolvendo exercícios, leituras e resumos de textos selecionados. Os trabalhos periódicos terão um peso de 30% na nota final. O trabalho de projecto a desenvolver consistirá na abordagem de um tópico do curso e terá um peso de 30%.

Fórmula de cálculo da classificação final

Irão ser atribuidos trabalhos a cada duas semanas durante a duração da unidade curricular, envolvendo exercícios, leituras e resumos de textos seleccionados. Os trabalhos periódicos terão um peso de 30% na nota final. O trabalho de projecto a desenvolver consistirá na abordagem de um tópico do curso e terá um peso de 30%. O exame final terá um peso de 40% da nota final.

A Nota Final só é válida caso o estudante obtenha pelo menos 40% da nota máxima possível na componente exame final.

Avaliação especial (TE, DA, ...)

Os estudantes serão submetidos ao mesmo tipo de provas e à mesma regra de obtenção da classificação final dos estudantes em regime normal.

Melhoria de classificação

No mesmo ano letivo, os estudantes podem melhorar apenas a componente escrita realizada no exame.