Browsing by Issue Date, starting with "2025-10-24"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Machine Learning in MRI Brain Imaging: A Review of Methods, Challenges, and Future DirectionsPublication . Ottoni, Martyna; Kasperczuk, Anna; Tavora, Luis M. N.In recent years, machine learning (ML) has been increasingly used in many fields, including medicine. Magnetic resonance imaging (MRI) is a non-invasive and effective diagnostic technique; however, manual image analysis is time-consuming and prone to human variability. In response, ML models have been developed to support MRI analysis, particularly in segmentation and classification tasks. This work presents an updated narrative review of ML applications in brain MRI, with a focus on tumor classification and segmentation. A literature search was conducted in PubMed and Scopus databases and Mendeley Catalog (MC)—a publicly accessible bibliographic catalog linked to Elsevier’s Scopus indexing system—covering the period from January 2020 to April 2025. The included studies focused on patients with primary or secondary brain neoplasms and applied machine learning techniques to MRI data for classification or segmentation purposes. Only original research articles written in English and reporting model validation were considered. Studies using animal models, non-imaging data, lacking proper validation, or without accessible full texts (e.g., abstract-only records or publications unavailable through institutional access) were excluded. In total, 108 studies met all inclusion criteria and were analyzed qualitatively. In general, models based on convolutional neural networks (CNNs) were found to dominate current research due to their ability to extract spatial features directly from imaging data. Reported classification accuracies ranged from 95% to 99%, while Dice coefficients for segmentation tasks varied between 0.83 and 0.94. Hybrid architectures (e.g., CNN-SVM, CNN-LSTM) achieved strong results in both classification and segmentation tasks, with accuracies above 95% and Dice scores around 0.90. Transformer-based models, such as the Swin Transformer, reached the highest performance, up to 99.9%. Despite high reported accuracy, challenges remain regarding overfitting, generalization to real-world clinical data, and lack of standardized evaluation protocols. Transfer learning and data augmentation were frequently applied to mitigate limited data availability, while radiomics-based models introduced new avenues for personalized diagnostics. ML has demonstrated substantial potential in enhancing brain MRI analysis and supporting clinical decision-making. Nevertheless, further progress requires rigorous clinical validation, methodological standardization, and comparative benchmarking to bridge the gap between research settings and practical deployment.
- Deteção automática da espécie Acacia dealbata em imagens recolhidas com dronesPublication . Romão, João Pedro Azenha; Pereira, António Manuel Jesus; Grilo, Carlos Fernando de Almeida; Correia, Luís Filipe JesusEsta dissertação tem como objetivo principal o desenvolvimento e validação de uma arquitetura baseada em Redes Neuronais Convolucionais (CNN, do inglês Convolutional Neural Network) para o reconhecimento automático da espécie invasora Acacia dealbata em ambientes florestais, recorrendo a imagens capturadas por Veículos Aéreos Não Tripulados (VANTs). A Acacia dealbata é uma árvore que possui um crescimento rápido, originária do sudeste da Austrália, que pode atingir cerca de 30 metros de altura e distingue-se pelas suas flores amarelas. Para tal, foram definidos objetivos específicos, como a automação do pré-processamento de dados através de scripts dedicados à extração, segmentação e rotulagem de imagens de vídeos de VANTs. Para o processo de desenvolvimento da CNN, foram exploradas diversas arquiteturas. Os testes iniciais com VGG16 revelaram limitações, especialmente devido ao elevado tamanho e quantidade de imagens semelhantes do dataset, que resultava em valores de Accuracy e F1-Score baixos. A transição para a arquitetura ResNet50V2 trouxe algumas melhorias com um desempenho geral superior. No entanto, o avanço mais significativo foi alcançado com o desenvolvimento de uma CNN criada de raiz, aliado a um dataset mais otimizado. A avaliação do desempenho do modelo demonstrou a sua eficácia e robustez. O modelo final, obtido dos testes com a CNN de raiz e o segundo dataset, apresentou uma capacidade de generalização na deteção da Acacia dealbata que foi confirmada pelos resultados da Accuracy de 0.8178 e F1-Score de 0.8459. Tais conclusões validam o potencial das CNNs na classificação de espécies em ambientes florestais e são uma contribuição significativa para a gestão ambiental. No seguimento do estudo efetuado pode proceder-se à expansão e diversificação do dataset com novas gravações e em diferentes localizações geográficas e condições atmosféricas, visando também uma maior variedade de espécies. Poderá ainda ser explorada a adaptação do modelo para uma classificação multi-classe, permitindo a identificação de múltiplas espécies.