Dimas Xavier de Moura DIMASXAVIERDEMOURA

Bibliografia Técnica – Made_in_Brazil Team (GitHub Works) 1. Segmentação e Processamento de Imagens Médicas Moura, D. X. (2026). Plataforma de Segmentação de Imagens Médicas. GitHub. Implementação de pipelines de deep learning para segmentação de tumores cerebrais e estruturas anatômicas. Uso de PyTorch/TensorFlow, arquiteturas U-Net, nnU-Net e variantes com atenção espacial. Avaliação com métricas Dice Similarity Coefficient (DSC), Hausdorff Distance (HD95) e Precision/Recall. Moura, D. X. (2026). Método Customizado de Segmentação de Imagens Médicas. GitHub. Desenvolvimento de algoritmos híbridos combinando CNNs e transformers visuais (ViTs). Aplicação em datasets públicos como BraTS, TCIA (CBIS-DDSM, BraTS-PEDs). Ênfase em generalização cross-domain e robustez em dados heterogêneos. 2. Visão Computacional Clássica e Pré-processamento Moura, D. X. (2026). Filtro de Bordas Sobel – Python + OpenCV. GitHub. Implementação de operadores de gradiente para realce de bordas em imagens biomédicas. Comparação com outros filtros (Canny, Laplaciano) em termos de Signal-to-Noise Ratio (SNR). Moura, D. X. (2026). Projeto HARDCORE de Processamento de Imagens. GitHub. Exploração de técnicas clássicas de morfologia matemática e transformadas de Fourier. Aplicações em pré-processamento de imagens histopatológicas e radiológicas. 3. Reconhecimento e Detecção Facial Moura, D. X. (2026). Detecção e Reconhecimento Facial com TensorFlow. GitHub. Implementação de CNNs para reconhecimento facial. Uso de datasets como LFW (Labelled Faces in the Wild). Avaliação com métricas de ROC-AUC e EER (Equal Error Rate). Moura, D. X. (2026). Detecção de Faces Humanas. GitHub. Algoritmos baseados em Haar Cascades e HOG + SVM. Comparação com métodos modernos baseados em deep learning. 4. Bioinformática e Inteligência Artificial Aplicada HelixMind BioAI (2026). helixmind-bioai. GitHub. Framework inicial para integração de IA biomédica e bioinformática. Estrutura modular para análise de dados genômicos e imagens médicas. Potencial de expansão para aprendizado federado e multi-omics integration. 🔬 Notas Técnicas Todos os projetos seguem boas práticas de reprodutibilidade científica: Containers Docker para padronização de ambientes. Scripts de pré-processamento e pipelines documentados. Uso de datasets públicos com referência a TCIA, BraTS, CBIS-DDSM. Principais áreas de impacto: Neurooncologia (tumores cerebrais, BraTS). Radiologia digital (mamografia, CBIS-DDSM). Histopatologia computacional (gliomas, análise de heterogeneidade).

São Caetano do Sul

Engenheiro de IA e Machine Learning

Desenvolvimento de IA e Machine Learning

Desenvolvimento de IA e Machine Learning