zeh sobrinho posted an update — Sep 09, 2024 10:10 AM EDT

Revisitando... o projeto Durante o Hack o foco foi apenas em imagens do pulmão, agora extendido para outros orgãos

Arquivos de Código para DULI - Versão 09/2024

1. README.md # Nome do Arquivo: README.md # Data: 09/09/2024 # Responsável: Zeh Sobrinho # Assinatura: ________________________

DULI - Detector Universal de Lesões por Imagens

Descrição:

O DULI é uma plataforma de Inteligência Artificial desenvolvida para auxiliar no diagnóstico médico de patologias respiratórias e outras doenças, como COVID-19, SARS, pneumonias, e outras patologias graves. Utilizando técnicas avançadas de Deep Learning, o DULI é treinado com uma ampla variedade de datasets para identificar doenças através de imagens de raio-X, tomografia computadorizada (TC), e outros inputs médicos, como sangue e ECG.

Objetivos:

• Desenvolver um sistema que seja capaz de classificar imagens médicas com precisão e sugerir possíveis diagnósticos de doenças.
• Garantir que o sistema seja acessível, não invasivo, simples e barato.
• Expandir a capacidade de diagnóstico para incluir diferentes órgãos além do pulmão, como rins, coração e cérebro.

Funcionalidades Principais:

• Classificação de patologias respiratórias, cardiovasculares e outras, a partir de imagens de raio-X, TC, e exames de sangue.
• Exibição de áreas afetadas por doenças através de máscaras 2D e 3D nas imagens.
• Acurácia dos diagnósticos com base no tipo de dataset e patologia.

Estrutura do Projeto:

├── /datasets                     # Contém datasets de diversas patologias
│   ├── /covid19/                 # Imagens e dados de COVID-19
│   │   ├── /lungs/               # Dataset focado no pulmão
│   │   │   ├── /ARDS/              # Imagens de Síndrome do Desconforto Respiratório Agudo (ARDS)
│   │   │   ├── /pneumonia/          # Imagens de COVID-19 com pneumonia
│   │   │   ├── /tomografia_comp/     # Tomografias computadorizadas de COVID-19
│   │   │   └── /normal/            # Imagens de pulmão normal
│   │   ├── /blood/               # Dataset com dados de sangue
│   │   ├── /kidneys/             # Dataset com foco em rins
│   │   ├── /brain/               # Dataset com foco no cérebro
│   │   └── /ct_scans/            # Tomografias Computadorizadas de COVID-19
│   ├── /sars/                    # Dataset SARS
│   │   └── /lungs/               # Imagens de Raio-X e TC de SARS
│   ├── /pneumonia/               # Diversos tipos de pneumonia
│   │   ├── /aspiracao/            # Pneumonia por aspiração
│   │   ├── /cavitante/            # Pneumonia cavitante
│   │   ├── /klebsiella/           # Pneumonia por Klebsiella
│   │   ├── /pneumococcal/          # Pneumonia pneumocócica
│   │   ├── /pneumocystis/          # Pneumonia por Pneumocystis (inclui jirovecii e carinii)
│   │   ├── /legionella/           # Pneumonia legionella
│   │   └── /streptococcus/          # Pneumonia Streptococcus
│   ├── /pneumocystis/            # Dataset específico para Pneumocystis 
│   │   └── /lungs/               # Imagens de Raio-X e TC de Pneumocystis
│   ├── /legionella/              # Dataset específico para Legionella
│   │   └── /lungs/               # Imagens de Raio-X e TC de Legionella
│   └── /streptococcus/           # Dataset específico para Streptococcus
│   │   └── /lungs/               # Imagens de Raio-X e TC de Streptococcus
├── /models                       # Modelos treinados
│   ├── duli_lungs_v1.h5          # Modelo focado em pulmões
│   ├── duli_blood_v1.h5          # Modelo focado em sangue
│   └── duli_multi_v1.h5          # Modelo multifuncional para diferentes órgãos
├── /scripts                      # Scripts para treinamento e teste
│   ├── train_duli_lungs.py       # Treinamento focado em pulmões
│   ├── train_duli_blood.py       # Treinamento focado em sangue
│   ├── test_duli.py              # Teste geral dos modelos
├── /results                      # Resultados de testes
│   └── accuracy_report_v1.txt    # Relatório de acurácia de todas as versões
├── /docs                         # Documentação técnica
│   ├── README.md                 # Documentação geral do projeto
│   └── versioning.md             # Histórico de versões
├── /ux_ui                        # Prototipação de UX/UI
│   └── /mobile_app/              # Protótipos da aplicação móvel
└── /test                         # Testes e avaliação do modelo
Use code with caution.
Bash
Datasets:
COVID-19:
Pulmão (Raio-X e TC):
IEEE 8023/covid-chestxray-dataset: https://github.com/ieee8023/covid-chestxray-dataset
COVID-Net Open Source Initiative: https://github.com/lindawangg/COVID-Net
COVID-CT-Dataset: https://github.com/UCSD-AI4H/COVID-CT-Dataset
National Institutes of Health: https://www.nih.gov/ - Procure por estudos específicos de imagem médica para COVID-19.
Datasets do Ministério da Saúde do Brasil: (buscar por dados de imagem e biomarcadores)
Sangue:
COVID-19 Global Forecasting Project: https://www.kaggle.com/c/covid19-global-forecasting
Rins:
The Kidney Image Segmentation Challenge (KiTS): https://kits19.grand-challenge.org/
PubMed: https://pubmed.ncbi.nlm.nih.gov/ - Use palavras-chave como "COVID-19" e "kidney imaging" para encontrar estudos relacionados.
Cérebro:
The COVID-19 Brain Research Initiative: https://www.nih.gov/news-events/news-releases/nih-launches-covid-19-brain-research-initiative - Procure por estudos específicos de imagem cerebral.
Open Access Series of Imaging Studies (OASIS): https://www.oasis-brains.org/
Pneumonia:
National Institutes of Health: https://www.nih.gov/ - Procure por estudos específicos de imagem médica para diferentes tipos de pneumonia.
JHU CSSE COVID-19 Data set: https://github.com/CSSEGISandData/COVID-19
Radiopaedia: https://radiopaedia.org/
SARS:
National Institutes of Health: https://www.nih.gov/ - Procure por estudos específicos de imagem médica para SARS.
JHU SARS Dataset: https://github.com/CSSEGISandData/SARS
WHO SARS Data: https://www.who.int/csr/sars/en/

Documentação:
Este README.md serve como documentação geral do projeto DULI, descrevendo seus objetivos, funcionalidades, estrutura, datasets e próximos passos.

Log in or sign up for Devpost to join the conversation.

zeh sobrinho posted an update — Jan 21, 2023 07:15 AM EST

Janeiro 2022: Fase II

Como CEO da empresa "Humanizare", é um imenso prazer estar aqui hoje, em nossa oferta pública inicial na NASDAQ.

Quero começar agradecendo a todos os nossos investidores, colaboradores e pacientes pelo apoio constante e confiança em nosso negócio.

Quando começamos essa jornada há cinco anos, tínhamos uma missão clara em mente: promover a saúde e bem-estar dos pacientes, proporcionando cuidados personalizados e humanizados com respeito, empatia e atenção às necessidades individuais. Nossa visão era ser reconhecida como referência em saúde humanizada e inclusiva, proporcionando cuidados personalizados e empatéticos para todos, independentemente de sua idade ou condição.

Com o trabalho duro e dedicação de nosso incrível time de fundadores, incluindo Zeh Sobrinho (CEO), Ale Adoni (RI), Gabriel Cruz (MKT), Paulo Manuel (CFO), Nery, Naomi e Kuek (Machine Learning), e Vando (P&D Sensores Grafeno), conseguimos transformar essa missão e visão em realidade. Nossa plataforma de telemedicina permitiu que pac

ientes de todo o mundo, incluindo aqueles do Japão, tivessem acesso a consultas médicas remotas, exames de diagnóstico e orientações de tratamento, além de recursos adicionais, como acompanhamento de pacientes crônicos e monitoramento remoto de pacientes com doenças graves.

Com nossa equipe altamente capacitada e comprometida com a saúde humanizada e inclusiva, conseguimos alcançar um ROI de 50% e um faturamento de US$ 1 bilhão no 5º ano, e estamos ansiosos para continuar crescendo e expandindo nosso negócio. Além disso, nossa estratégia de pagamento de dividendos regulares semestrais permanentes permite que nossos investidores participem do sucesso da empresa.

Estamos honrados em estar aqui hoje, e agradecemos a todos os nossos investidores por se juntarem a nós nesta emocionante jornada. Acreditamos que, juntos, podemos continuar a promover a saúde e bem-estar dos pacientes ao redor do mundo.

Log in or sign up for Devpost to join the conversation.

zeh sobrinho posted an update — May 24, 2020 05:55 AM EDT

Sexta-feira, 20 de julho de 2018

NIH Clinical Center libera conjunto de dados de 32.000 imagens de TC

O Centro Clínico do National Institutes of Health disponibilizou publicamente um conjunto de dados em larga escala de imagens de TC para ajudar a comunidade científica a melhorar a precisão na detecção de lesões. Enquanto a maioria dos conjuntos de dados de imagens médicas publicamente disponíveis tem menos de mil lesões, esse conjunto de dados, chamado DeepLesion, possui mais de 32.000 lesões anotadas identificadas nas imagens de tomografia computadorizada.

As imagens, que foram completamente anonimizadas, representam 4.400 pacientes únicos, parceiros na pesquisa do NIH.

Quando um paciente sai de um tomógrafo, as imagens correspondentes são enviadas a um radiologista para interpretação. Os radiologistas do Centro Clínico medem e marcam achados clinicamente significativos com uma ferramenta de marcador eletrônico. Semelhante a um marcador físico, os radiologistas salvam seu lugar e marcam descobertas significativas para poder voltar mais tarde. Esses indicadores são complexos - fornecem setas, linhas, diâmetros e texto que podem indicar a localização exata e o tamanho de uma lesão, para que os especialistas possam identificar crescimento ou nova doença.

Os marcadores, abundantes em dados médicos retrospectivos, são o que os cientistas usaram para desenvolver o conjunto de dados DeepLesion. O DeepLesion é diferente da maioria dos conjuntos de dados de imagens médicas de lesões atualmente disponíveis, que podem detectar apenas um tipo de lesão. O banco de dados possui grande diversidade - contém todos os tipos de achados radiológicos críticos em todo o corpo, como nódulos pulmonares, tumores hepáticos, linfonodos aumentados etc.

Os métodos convencionais para coletar rótulos de imagens, como um mecanismo de pesquisa, não podem ser aplicados no domínio da imagem médica. As anotações de imagens médicas requerem ampla experiência clínica. Mas isso pode mudar. O conjunto de dados liberado é grande o suficiente para treinar uma rede neural profunda - poderia permitir à comunidade científica criar um detector universal de lesões em larga escala com uma estrutura unificada.

Com o lançamento do conjunto de dados, os pesquisadores esperam que os outros sejam capazes de:

[DERIVAÇÃO E ENTREGA DO PROJETO MELLIERI HUMAN] Desenvolva um detector universal de lesões que ajudará os radiologistas a encontrar todos os tipos de lesões. Pode abrir a possibilidade de servir como uma ferramenta de triagem inicial e enviar seus resultados de detecção para outros sistemas especializados treinados em certos tipos de lesões. Explorar e estudar a relação entre diferentes tipos de lesões. No DeepLesion, vários achados são frequentemente marcados em uma imagem de exame de tomografia computadorizada. Os pesquisadores são capazes de analisar seu relacionamento para fazer novas descobertas. Mede com mais precisão e automaticamente o tamanho de todas as lesões que um paciente possui, permitindo a avaliação de todo o corpo da carga do câncer. Em 2017, o hospital de pesquisa divulgou imagens de raio-x do tórax anônimas e seus dados correspondentes.

No futuro, o NIH Clinical Center espera continuar melhorando o conjunto de dados DeepLesion coletando mais dados, melhorando assim a precisão da detecção. A capacidade universal de detecção de lesões se tornará mais confiável quando os pesquisadores puderem aproveitar informações 3D e do tipo de lesão. Pode ser possível estender ainda mais o DeepLesion a outras modalidades de imagem, como ressonância magnética, e combinar dados de vários hospitais.

Quem Ronald M. Summers , MD, Ph.D., Pesquisador Sênior do Serviço de Processamento de Imagens Clínicas no Laboratório de Biomarcadores de Imagem e Diagnóstico Assistido por Computador do Departamento de Radiologia e Ciências do NIH Clinical Center, está disponível para entrevistas.

Onde Ke Yan, Xiaosong Wang, Le Lu e Ronald M. Summers. DeepLesion: mineração automatizada de anotações de lesões em larga escala e detecção universal de lesões com aprendizado profundo. Journal of Medical Imaging (2018). https://doi.org/10.1117/1.JMI.5.3.036501(link is external)

As imagens estão disponíveis via Box: https://nihcc.box.com/v/DeepLesion(link is external)

Sobre o NIH Clinical Center: O NIH Clinical Center é o hospital de pesquisa clínica do National Institutes of Health. Através de pesquisas clínicas, clínicos-pesquisadores traduzem descobertas de laboratório em melhores tratamentos, terapias e intervenções para melhorar a saúde do país. Mais informações: https://clinicalcenter.nih.gov .

Sobre os Institutos Nacionais de Saúde (NIH): O NIH, a agência de pesquisa médica do país, inclui 27 institutos e centros e é um componente do Departamento de Saúde e Serviços Humanos dos EUA. O NIH é a principal agência federal que conduz e apóia pesquisas médicas básicas, clínicas e translacionais e está investigando as causas, tratamentos e curas para doenças comuns e raras. Para mais informações sobre o NIH e seus programas, visite www.nih.gov .

NIH… Transformando descoberta em saúde ®

Log in or sign up for Devpost to join the conversation.

zeh sobrinho posted an update — May 23, 2020 11:17 PM EDT

para joseph

dear cohen I'm scooby channel activator # d090 on hackcovid19 https://devpost.com/software/covid-19-detect-ii

we train a model that includes several datasets including yours. congratulations for the work and my thanks. we noticed a better result by including 19 class of pathologies. our goal now is to refine the model by including at least 1000 images of each pathology. can you help us to join this base or where can we find them in a joint work with due credits? https://teachablemachine.withgoogle.com/models/1f9ATyXbr

thank you

Zeh S Sobrinho +55 11 974869327

Log in or sign up for Devpost to join the conversation.

zeh sobrinho posted an update — May 23, 2020 11:16 PM EDT

Z Sobrinho sobrinhosj@gmail.com 00:14 (há 1 minuto) para m.manych, soniafrancine, rp, smads, saude, EricaMalunguinho, Eduardo, vereadora, deputadorodrigomoraes, rederua, cisartesociocultural, SMDHC, Wesley, vando.ribeiro, derick

Dear Matthias Manych

And I'm a scooby activator for channel # d090 on hackcovid19, a challenge from civil society to overcome the coronavirus pandemic in Brazil.

We trained a model to detect covid-19 and did a test using images from the story https://www.siemens-healthineers.com/news/mso-x-ray-imaging-for-COVID-19.html This is the Mellieri Human MCD19 model.

https://teachablemachine.withgoogle.com/models/1f9ATyXbrOs Make a test with the images of the material that you sign, collect feed back with Siemens and Dr. Cohen.

Based on the results, we are going to set up a pilot project with a partner partner, in this case Siemens, for thirty terms in 8 mobile units for people on the streets in SP and other vulnerable groups.

Our pitch https://devpost.com/software/covid-19-detect-ii

regards

Scooby +55 11 974869327

Log in or sign up for Devpost to join the conversation.

zeh sobrinho posted an update — May 23, 2020 10:11 PM EDT

Imagem de raios X para pacientes com COVID-19 Matthias Manych | 14 de maio de 2020

Em dezembro de 2019, uma nova forma de coronavírus, o SARS-CoV-2, infectou humanos em Wuhan, na província chinesa de Hubei. A doença respiratória chamada COVID-19 se tornou uma pandemia que agora está se espalhando muito rapidamente. Os procedimentos de imagem são cruciais na pandemia do COVID-19 quando se trata de avaliar casos suspeitos e o curso da doença. Com base nas mais recentes evidências científicas, consideramos o papel da radiografia na situação atual.

Fotos: Imagem cortesia de Medizinisches Versorgungszentrum Prof. Dr. Uhlenbrock & Partner, Dortmund, Alemanha

O teste primário para o diagnóstico de infecção por SARS-CoV-2 é um teste de reação em cadeia da polimerase em tempo real (RT-PCR) de swabs ou escarro na garganta [1]. No entanto, como períodos de incubação de até 14 dias são possíveis [2], no estágio inicial, a possibilidade de achados negativos de RT-PCR deve ser levada em consideração. Nos primeiros dias após o início dos sintomas, a tomografia computadorizada (TC) pode confirmar casos suspeitos e facilitar o prognóstico de casos graves [3, 4]. A TC capta alterações nos pulmões de pacientes com COVID-19 em alta frequência. Essa sensibilidade pode atingir 97% [5].

O que a radiografia pode fazer? Estudos de exames de raio-x do tórax encontraram uma sensibilidade mais baixa para sombreamento pulmonar relacionado ao COVID-19 de 25 a 69% [6, 7]. Por outro lado, a capacidade de identificar a doença corretamente - a especificidade - pode ser de 90% [6]. Nos estudos, todos os casos de COVID-19 foram confirmados com RT-PCR. O baixo número de participantes (17 em [6] e 64 em [7]) pode ter contribuído para as discrepâncias na sensibilidade.

Um fator importante na confiabilidade dos achados radiológicos pode ser o tempo decorrido entre o aparecimento dos sintomas iniciais e o procedimento de imagem. Embora nenhum sinal da doença fosse ainda visível nos raios X nos primeiros três dias após o início da tosse e febre, eles eram mais óbvios após 10 a 12 dias [7]. Um estudo italiano com 72 pacientes sintomáticos publicado em meados de abril de 2020 parece confirmar esse fator de tempo. No momento em que o procedimento de imagem foi realizado, todos os pacientes já estavam em quarentena em casa e foram ao hospital porque seus sintomas pioraram. A sensibilidade da radiografia de tórax foi de 69% (não foram fornecidos detalhes de especificidade) [8].

Em um webinar publicado pela Siemens Healthineers em 13 de abril, Stuart Cohen, MD, radiologista da Northwell Health (Nova York, EUA), apontou que os achados de raios-X nos pulmões também devem ser avaliados em conjunto com a prevalência local de SARS-CoV-2 e o provável risco de exposição do paciente.

Sinais característicos Embora o número de casos cobertos por estudos individuais de raio X do COVID-19 seja comparativamente baixo, um conjunto característico de descobertas está se reunindo [6, 8, 9]:

As alterações mais comuns no pulmão incluem

• consolidação, em outras palavras, acúmulos de líquido e / ou tecido nos alvéolos pulmonares, impedindo trocas gasosas,
• opacidade em vidro fosco e
• sombreamento nodular. Eles afetam principalmente áreas periféricas e inferiores dos pulmões. Imagem de raios X nas recomendações atuais Sociedades médicas e órgãos de especialistas estão tentando fornecer orientação à luz da situação volátil dos dados. Dada essa situação de dados, eles tratam principalmente da TC. Em uma declaração de consenso de especialistas, a Sociedade Radiológica da América do Norte (RSNA) enfatiza que atualmente não é recomendada uma TC de rastreamento para diagnosticar ou excluir COVID-19 [10]. Em sua declaração, a Fleischner Society confirma que os raios X do tórax são insensíveis nos estágios iniciais da doença. No entanto, se forem examinados pacientes em quarentena cujos sintomas já estão avançados, a radiografia revela frequentemente alterações nos pulmões. Na visão da Fleischner Society, as radiografias de tórax podem ser apropriadas para pacientes que já recebem atendimento hospitalar para avaliar o curso da doença e pneumonia por outras causas [11]. Além disso,

Já existem recomendações de consenso para imagens em crianças com COVID-19 [13]. Segundo essas recomendações, os exames de raios X podem ser considerados se uma criança suspeita de COVID-19 apresentar sintomas moderados a graves de doença respiratória aguda. Se o raio X inicial do tórax apresentar sinais concretos de COVID-19, exames repetidos de raio X podem ser apropriados para monitorar o curso da doença. De acordo com as recomendações, isso também seria justificado se o estado de saúde do paciente se deteriorar.

Usando imagem de raios X A contaminação do equipamento deve ser sistematicamente evitada, especialmente na situação atual. Os sistemas de raios-X são mais fáceis de desinfetar do que os equipamentos de TC. Em pacientes com sintomas pronunciados, as imagens podem ser avaliadas em 2D para triagem daqueles com COVID-19. Isso liberaria recursos para tomografias computadorizadas. Como uma radiografia de tórax pode ser feita com o paciente em pé ou deitado, ela pode ser usada para examiná-los na cama em um quarto designado especificamente para esse fim.

O equipamento móvel de raio-X tem a vantagem adicional de poder ser levado diretamente para a cabeceira do paciente. Como a Fleischner Society resume, o risco de transmissão do COVID-19 que existe enquanto um paciente está a caminho da TC é descartado com eficácia [11]. Se possível, sistemas móveis são recomendados, principalmente para reduzir os desafios da descontaminação de equipamentos [14].

Sobre o autor Matthias Manych, biólogo com sede em Berlim, trabalha como jornalista científico freelancer, editor e autor especializado em medicina. Seus textos aparecem principalmente em periódicos especializados, mas também em jornais e online.

Log in or sign up for Devpost to join the conversation.

zeh sobrinho posted an update — May 23, 2020 07:10 AM EDT

Traçamos três cenários que refletem a adoção da Estratégia Mellieri Human de combate a Subnotificação Oficial, que presume o diagnóstico e classificação exclusiva da patologia Corona Virus, DESCONHECIDA, ignorando patologias conhecidas, as verdadeiras causadoras dos óbitos, porém tratáveis, o que explica historicamente o fato de equívocos humanos serem responsáveis por mais óbitos que o vírus em si.

Pandemia_Futuro_Passado = Prophet(interval_width=0.95) m.fit(mortes) futuro = m.make_future_dataframe(periods=dias) futuro.tail(dias)

previsao[['ds','yhat_lower','yhat','yhat_upper']].tail(dias)

ds yhat_lower yhat yhat_upper 121 2020-05-22 339659.986967 3.421672e+05 3.448013e+05 122 2020-05-23 344215.955703 3.468970e+05 3.495885e+05 123 2020-05-24 348224.450626 3.512063e+05 3.541562e+05 124 2020-05-25 352754.741875 3.556946e+05 3.588129e+05 125 2020-05-26 356953.824883 3.608009e+05 3.649831e+05 ... ... ... ... ... 482 2021-05-18 397877.609478 2.148542e+06 3.840653e+06 483 2021-05-19 395309.997664 2.154024e+06 3.855384e+06 484 2021-05-20 391968.254257 2.159426e+06 3.867596e+06 485 2021-05-21 389699.523457 2.164962e+06 3.883429e+06 486 2021-05-22 383421.563670 2.169692e+06 3.896782e+06

confirmed_forecast_plot = m.plot(previsao)

Fonte: https://www.kaggle.com/jossoaressobrinho/coronavirus-presente-futuro?scriptVersionId=34618039

Log in or sign up for Devpost to join the conversation.

zeh sobrinho posted an update — May 17, 2020 11:42 PM EDT

Gratidão!!! A todo time de mentores, ativadores, hacker e staff!!

No +++++ :

mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:3:mask-parrot:

3No +++++

Log in or sign up for Devpost to join the conversation.

zeh sobrinho posted an update — May 11, 2020 03:35 AM EDT

Treinamos modelos usando datasets de imagenas de raio x e ct globais, testamos em datasets locais e identificamos covid-19 e outras patologias associadas ao covid-19. Treinamos modelos usando datasets de clinical notes globais, testamos em datasets locais para identificar pacientes contágiados pelo covid-19. A combinação dos modelos permite prever expansão e contração epidêmica geográfica.

Log in or sign up for Devpost to join the conversation.

zeh sobrinho started this project — May 07, 2020 09:30 PM EDT

Leave feedback in the comments!

Log in or sign up for Devpost to join the conversation.