Túlio Augusto Alves Macedo
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Túlio Augusto Alves Macedo has a total of 15 co-authors. Here are the top co-authors by number of shared publications:
- Manoel de Souza Rocha
Universidade de São Paulo (FMUSP), Brazil
2 shared publications Ana Claudia Patrocinio
Universidade Federal de Uberlândia
1 shared publication- Ana Claudia Patrocinio
Federal University of Uberlândia
1 shared publication - Ana Maria Marques da Silva
Medical Image Computing Laboratory, Pontifical Catholic University of Rio Grande do Sul, Porto Alegre, Brazil
1 shared publication - Carlos Alberto da Costa Junior
Biomedical Lab, Faculty of Electrical Engineering, Federal University of Uberlândia, Uberlândia, Brazil
1 shared publication - Christian Mattjie
Medical Image Computing Laboratory, Pontifical Catholic University of Rio Grande do Sul, Porto Alegre, Brazil
1 shared publication
Latest Publications
- Open Access
- 1 January 2024
- Published by FapUNIFESP (SciELO) in Radiologia Brasileira
- Vol. 57, e1en
A radiologia na era da inteligência artificial: desafios e oportunidades
Em uma era marcada por avanços tecnológicos sem precedentes, a inteligência artificial (IA) emerge como uma força transformadora em várias áreas, incluindo a medicina.
- 1 January 2024
- Published by FapUNIFESP (SciELO) in Radiologia Brasileira
- Vol. 57, e1en
Open AccessA radiologia na era da inteligência artificial: desafios e oportunidades
Em uma era marcada por avanços tecnológicos sem precedentes, a inteligência artificial (IA) emerge como uma força transformadora em várias áreas, incluindo a medicina.
- Open Access
- 1 January 2024
- Published by FapUNIFESP (SciELO) in Radiologia Brasileira
- Vol. 57, e1en
Radiology in the age of artificial intelligence: challenges and opportunities
In an era marked by unprecedented technological advances, artificial intelligence (AI) is emerging as a transformative force in many areas, including the field of medicine.
- 1 January 2024
- Published by FapUNIFESP (SciELO) in Radiologia Brasileira
- Vol. 57, e1en
Open AccessRadiology in the age of artificial intelligence: challenges and opportunities
In an era marked by unprecedented technological advances, artificial intelligence (AI) is emerging as a transformative force in many areas, including the field of medicine.
- Open Access
- 27 March 2022
- Published by Research, Society and Development in Research, Society and Development
- Vol. 11 (5)
Towards a Classification Model using CNN and Wavelets applied to COVID-19 CT images
In late 2019, a new type of coronavirus emerged in China and was named SARS-CoV-2. It first impacted the country where it emerged and then spread around the world. SARS-CoV-2 is the cause of COVID-19 disease that leaves characteristic impressions on chest CT images of infected patients. In this article, we propose a classification model, based on CNN and wavelet transform, to classify images of COVID-19 patients. It was named WCNN-COVID. The model was applied and tested in open and private TC image repositories. A total of 25534 images of 200 patients were processed. The confusion matrix was generated by calculating Accuracy (ACC), Sensitivity (Sen) and Specificity (Sp). The Receiver Operating Characteristic (ROC) curve and Area Under the Curve (AUCs) were also plotted and used for evaluation. Metric results were ACC = 0.9950, Sen = 99.16% and Sp = 99.89%.
- 27 March 2022
- Published by Research, Society and Development in Research, Society and Development
- Vol. 11 (5)
Open AccessTowards a Classification Model using CNN and Wavelets applied to COVID-19 CT images
In late 2019, a new type of coronavirus emerged in China and was named SARS-CoV-2. It first impacted the country where it emerged and then spread around the world. SARS-CoV-2 is the cause of COVID-19 disease that leaves characteristic impressions on chest CT images of infected patients. In this article, we propose a classification model, based on CNN and wavelet transform, to classify images of COVID-19 patients. It was named WCNN-COVID. The model was applied and tested in open and private TC image repositories. A total of 25534 images of 200 patients were processed. The confusion matrix was generated by calculating Accuracy (ACC), Sensitivity (Sen) and Specificity (Sp). The Receiver Operating Characteristic (ROC) curve and Area Under the Curve (AUCs) were also plotted and used for evaluation. Metric results were ACC = 0.9950, Sen = 99.16% and Sp = 99.89%.
- 1 December 2021
- Published by Elsevier in Clinical Nutrition
- Vol. 40 (12) , 5742-5750
Nutritional state assessed by ultrasonography, but not by bioelectric impedance, predicts 28-day mortality in critically ill patients. Prospective cohort study
- 1 December 2021
- Published by Elsevier in Clinical Nutrition
- Vol. 40 (12) , 5742-5750
Nutritional state assessed by ultrasonography, but not by bioelectric impedance, predicts 28-day mortality in critically ill patients. Prospective cohort study
- Open Access
- 23 February 2016
- Published by Revista Brasileira de Inovacao Tecnologica em Saude (R-BITS) in Revista Brasileira de Inovação Tecnológica Em Saúde
- Vol. 5 (4)
COMPARAÇÃO ENTRE TÉCNICAS PARA SEGMENTAÇÃO AUTOMÁTICA DE FÍGADO UTILIZANDO CRESCIMENTO DE REGIÃO
O câncer de fígado é de alta complexidade para ser diagnosticado e tratado. A taxa de sobrevida em pacientes com esse tipo de câncer em estágios avançados em cinco anos foi de apenas 15%, porém essa taxa aumenta para 60-70% caso seja detectado nos estágios iniciais. Desta forma a melhor maneira para reduzir a mortalidade por câncer é realizando a detecção precoce. Nas tecnologias de detecção e diagnóstico por imagens, geralmente a segmentação é a primeira etapa aplicada. Neste trabalho é proposta a comparação de duas técnicas desenvolvidas para a automatização da segmentação utilizando o algoritmo de crescimento de região. São utilizadas 2977 fatias de TC da região abdominal da fase arterial, o que correspondem a 19 exames. Estas imagens são janeladas e em sequência é aplicado o filtro de média aritmética associado com a transformação gama, e em paralelo é aplicado o filtro de Wiener com a transformação gama. Nas fatias que foram pré-processadas, foram desenvolvidas duas técnicas para realizar o lançamento automático de semente, a primeira técnica utiliza o Lançamento de Semente em Região Retangular (LSRR) e a segunda técnica utiliza Lançamento de Semente em Região Circular (LSRC), ambas as técnicas buscam por pontos de sementes considerando o nível de intensidade de cinza esperado para o fígado, após a segmentação é calculado o volume do fígado a paritr de todas as fatias que compreendem o exame. Foi também realizado a segmentação manual por especialista para realizar comparação com a segmentação automática. Aplicando essas técnicas, a técnica LSRR obteve 66,08% enquanto a técnica LSRC obteve 92,92%, isso para as fatias pré-processadas com filtro de média aritmética associada com transformação gama. Como a técnica LSRC obteve um resultado muito aquém do desejado, foi utilizado apenas a técnica LSRC nas fatias pré-processadas com filtro de Wiener associado com transformação gama, que teve 94,14% de taxa de acerto. Com isso é observado a superioridade da técnica LSRC frente a LSRR, permitindo a segmentação automática do fígado utilizando crescimento de região.
- 23 February 2016
- Published by Revista Brasileira de Inovacao Tecnologica em Saude (R-BITS) in Revista Brasileira de Inovação Tecnológica Em Saúde
- Vol. 5 (4)
Open AccessCOMPARAÇÃO ENTRE TÉCNICAS PARA SEGMENTAÇÃO AUTOMÁTICA DE FÍGADO UTILIZANDO CRESCIMENTO DE REGIÃO
O câncer de fígado é de alta complexidade para ser diagnosticado e tratado. A taxa de sobrevida em pacientes com esse tipo de câncer em estágios avançados em cinco anos foi de apenas 15%, porém essa taxa aumenta para 60-70% caso seja detectado nos estágios iniciais. Desta forma a melhor maneira para reduzir a mortalidade por câncer é realizando a detecção precoce. Nas tecnologias de detecção e diagnóstico por imagens, geralmente a segmentação é a primeira etapa aplicada. Neste trabalho é proposta a comparação de duas técnicas desenvolvidas para a automatização da segmentação utilizando o algoritmo de crescimento de região. São utilizadas 2977 fatias de TC da região abdominal da fase arterial, o que correspondem a 19 exames. Estas imagens são janeladas e em sequência é aplicado o filtro de média aritmética associado com a transformação gama, e em paralelo é aplicado o filtro de Wiener com a transformação gama. Nas fatias que foram pré-processadas, foram desenvolvidas duas técnicas para realizar o lançamento automático de semente, a primeira técnica utiliza o Lançamento de Semente em Região Retangular (LSRR) e a segunda técnica utiliza Lançamento de Semente em Região Circular (LSRC), ambas as técnicas buscam por pontos de sementes considerando o nível de intensidade de cinza esperado para o fígado, após a segmentação é calculado o volume do fígado a paritr de todas as fatias que compreendem o exame. Foi também realizado a segmentação manual por especialista para realizar comparação com a segmentação automática. Aplicando essas técnicas, a técnica LSRR obteve 66,08% enquanto a técnica LSRC obteve 92,92%, isso para as fatias pré-processadas com filtro de média aritmética associada com transformação gama. Como a técnica LSRC obteve um resultado muito aquém do desejado, foi utilizado apenas a técnica LSRC nas fatias pré-processadas com filtro de Wiener associado com transformação gama, que teve 94,14% de taxa de acerto. Com isso é observado a superioridade da técnica LSRC frente a LSRR, permitindo a segmentação automática do fígado utilizando crescimento de região.