Sistema de multiprocessamento para simulação de N-corpos em FPGA

Trabalho Final de Mestrado para obtenção do grau de Mestre em Engenharia de Electrónica e Telecomunicações

Diagnóstico de estruturas de madeira em serviço num palacete do século XIX

Dissertação para obtenção do grau de Mestre em Engenharia Civil na Área de Especialização em Edificações

Estratégias e internacionalização na manutenção e produção

Trabalho Final de Mestrado para obtenção do grau de Mestre em Engenharia Mecânica

Automatic diagnosis of liver steatosis by ultrasound using autoregressive tissue characterization

Liver steatosis is mainly a textural abnormality of the hepatic parenchyma due to fat accumulation on the hepatic vesicles. Today, the assessment is subjectively performed by visual inspection. Here a classifier based on features extracted from ultrasound (US) images is described for the automatic diagnostic of this phatology. The proposed algorithm estimates the original ultrasound radio-frequency (RF) envelope signal from which the noiseless anatomic information and the textural information encoded in the speckle noise is extracted. The features characterizing the textural information are the coefficients of the first order autoregressive model that describes the speckle field. A binary Bayesian classifier was implemented and the Bayes factor was calculated. The classification has revealed an overall accuracy of 100%. The Bayes factor could be helpful in the graphical display of the quantitative results for diagnosis purposes.

Projeto de uma instalação de climatização para um edifício hospitalar

Trabalho Final de Mestrado para obtenção do grau de Mestre em Engenharia Mecância

Análise de risco e inspeções de segurança em elevadores, escadas mecânicas e tapetes rolantes

Trabalho Final de Mestrado para obtenção do grau de Mestre em Engenharia Mecânica

Contribuição para a definição de procedimentos de inspeção de edifícios correntes após um sismo

Trabalho Final de Mestrado para obtenção do grau de Mestre em Engenharia Civil

Aparelhos de apoio em pontes: vida útil e procedimentos de substituição

Dissertação de Natureza Científica para obtenção do grau de Mestre em Engenharia Civil Perfil Estruturas

Corrosão das armaduras do betão armado: causas, consequências, prevenção e projeto de durabilidade

Trabalho Final de Mestrado para obtenção do grau de Mestre em Engenharia Civil

Controlo fotogramétrico da condição de estruturas quebra-mar

Dissertação de natureza Científica para obtenção do grau de Mestre em Engenharia Civil

Trabalho final de estágio no âmbito da reabilitação de edifícios de serviços do Ministério da Saúde

Relatório de Estágio para obtenção do grau de Mestre em Engenharia Civil

Inspeção e manutenção de torres de radiocomunicações

Relatório de Estágio para obtenção de grau de Mestre em Engenharia Civil Área de Especialização de Edificações

Reabilitação do Centro de Saúde de Caldas da Rainha, do Ministério da Saúde

Relatório de Estágio para obtenção do grau de Mestre em Engenharia Civil Perfil de Edificações

Acompanhamento da construção de uma moradia unifamiliar

Relatório de Estágio para obtenção do grau de Mestre em Engenharia Civil na Área de Especialização em Edificações

Fatty liver automatic diagnosis from ultrasound images

In this paper an automatic classification algorithm is proposed for the diagnosis of the liver steatosis, also known as, fatty liver, from ultrasound images. The features, automatically extracted from the ultrasound images used by the classifier, are basically the ones used by the physicians in the diagnosis of the disease based on visual inspection of the ultrasound images. The main novelty of the method is the utilization of the speckle noise that corrupts the ultrasound images to compute textural features of the liver parenchyma relevant for the diagnosis. The algorithm uses the Bayesian framework to compute a noiseless image, containing anatomic and echogenic information of the liver and a second image containing only the speckle noise used to compute the textural features. The classification results, with the Bayes classifier using manually classified data as ground truth show that the automatic classifier reaches an accuracy of 95% and a 100% of sensitivity.