Daniel de Sousa Luz

Membros / Perfil

Daniel de Sousa Luz

Pesquisador IFPI - Picos

Publicações

2026

Conference

Optimizing Channel Selection for U-Net Segmentation in MIBI-TOF of Triple-Negative Breast Cancer

Victor Gabriel Pereira de Sousa; Daniel de Sousa Luz; Daniel Rodrigues de Sousa; Flávio Henrique Duarte de Araújo

Anais do XXVI Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2026), 2026

Resumo

<jats:p>Multiplexed ion-beam imaging enables simultaneous quantification of dozens of protein markers at subcellular resolution. In this paper, we investigate how channel selection impacts U-Net–based segmentation performance on a public triple-negative breast cancer MIBI-TOF dataset with 41 images each with 48 channels. Our experiments show that compact, data-driven marker subsets achieve higher Dice than the recommended panel, suggested by the dataset paper, while using fewer channels. In summary, our experiments show that it is possible to reduce from seven channels to one without losing segmentation accuracy: our best single-channel model (dsDNA) achieves 89.36% Dice, practically matching the 89.41% Dice obtained by the full recommended panel.</jats:p>

2025

Conference

Classificação Hierárquica de Células de Câncer de Mama Usando Imagens MIBI e Aprendizado de Máquina

Daniel de Sousa Luz; Mano Joseph Mathew; Thiago José Barbosa Lima; Romuere Rodrigues Veloso e Silva; Antonio Oseas de Carvalho Filho; Flávio Henrique Duarte de Araújo

Anais do XXV Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2025), 2025

Resumo

<jats:p>O câncer de mama é uma das principais causas de mortalidade feminina mundial, com diagnóstico frequentemente tardio. A detecção precoce é crucial para evitar estágios avançados da doença e melhorar o prognóstico. Subtipos agressivos, como o carcinoma triplo-negativo (TNBC), demandam terapias personalizadas baseadas no perfil tumoral. A análise do microambiente tumoral é desafiadora devido à complexidade na identificação dos componentes do tecido. Avanços em visão computacional e aprendizado profundo têm permitido o desenvolvimento de métodos para segmentação e classificação de imagens. Este estudo propõe um método para classificar células quanto ao tipo geral e à identidade imune. A abordagem foi testada em imagens de TNBC e apresentou resultados promissores de AUC para a classificação de células em tipos gerais (0,9998) e imunes (0,9994).</jats:p>

2024

Conference

Automatic Group Labeling with Decision Trees: A Comparative Approach

Manoel Messias P. Medeiros; Daniel de S. Luz; Rodrigo de Melo S. Veras

Anais do XXI Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2024), 2024

Resumo

<jats:p>The exponential growth in data volume demands efficient data analysis techniques, with data clustering being crucial but interpretation often posing a challenge. Automated group labeling using decision trees can alleviate this issue. This study compares four decision tree algorithms for automated group labeling, demonstrating that algorithm choice significantly influences performance. CHAID outperforms other algorithms in the Iris and Seeds datasets, while C4.5 excels in the Wine and Glass datasets. The proposed model’s validity is confirmed, highlighting the importance of careful algorithm selection. These findings underscore the potential of automated group labeling models and emphasize the need for further research to refine and expand their applications across various domains.</jats:p>

Conference

Quantifying the effects of segmentation in image classification for melanoma recognition

Rafael Luz Araújo; Daniel de S. Luz; Bruno Vicente de Lima; Júlio V. M. Marques; Rodrigo de M. S. Veras; Antônio O. de C. Filho; Flávio H. D. Araújo; Romuere Rodrigues Veloso e Silva

Anais do XXI Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2024), 2024

Resumo

<jats:p>Melanoma remains the leading cause of skin cancer-related deaths worldwide, emphasizing the critical need for early detection to enhance survival rates. Computational methods are pivotal in aiding its diagnosis through medical imaging, necessitating accurate lesion segmentation to facilitate effective interpretation. Our study investigates the comparative efficacy of skin lesion classification with and without segmentation, leveraging pre-trained convolutional neural networks (CNNs) and CapsNet architectures. Findings underscore CNNs’ superiority, highlighting segmentation’s beneficial impact on their classification performance, while CapsNet exhibits a degree of independence from segmentation.</jats:p>

2023

Journal

Automatic classification of pulmonary nodules in computed tomography images using pre-trained networks and bag of features

Thiago Lima; Daniel Luz; Antonio Oseas; Rodrigo Veras; Flávio Araújo

Multimedia Tools and Applications, p. 1-17, 2023

Conference

Detecção de COVID-19 em Imagens de Raio-X de Tórax através de Seleção Automática de Pré-processamento e de Rede Neural Convolucional

João O. B. Diniz; Darlan B. P. Quintanilha; Antonio O. de Carvalho Filho; Daniel L. Gomes Jr.; Aristófanes C. Silva; Geraldo Braz Jr.; Anselmo C. de Paiva; Daniel de S. Luz

Anais do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde, p. 162-173, 2023

Resumo

<jats:p>A COVID-19, mesmo com diminuição dos casos, é considerado um problema global, a detecção precoce ainda é relevante e pode ser crucial para salvar vidas. Este artigo apresenta um método para detecção automática de COVID-19 em raio-X de tórax usando seleção automática de melhoria de imagem e rede neural convolucional. O método usa pré-processamento de imagem para melhorar as características distintivas da COVID-19 em raio-X e seleciona uma rede neural convolucional para classificar as imagens. Os resultados mostram métricas relevantes com uma acurácia de 99,39% e F1 − Score de 98,71%. Essa abordagem pode ser valiosa para a triagem eficaz da doença, melhorando o tratamento e reduzindo as mortes relacionadas à COVID-19.</jats:p>

Journal

Malignant breast lesions detection in histopathological images based on the combination of bioinspired texture descriptors and deep features

Daniel Luz; Tomaz Bisneto; Thiago Lima; Mano Mathew; Flavio Araujo

Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization, p. 1-8, 2023

Conference

Detection of COVID-19 lesions based on computed tomography using U-Net 2.5 D and GAN

José Anatiel Landim; Edson Carvalho; Joao Otávio Diniz; Alcilene Sousa; Daniel Luz

Anais do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde, p. 83-94, 2023

Resumo

<jats:p>This paper proposes a computational method for automatically detecting suspected regions of COVID-19 from CT scans. COVID-19 has spread rapidly worldwide, infecting over 462 million people and causing over 6 million deaths. There are various methods to diagnose COVID-19, including imaging. The proposed method has five stages, including image acquisition, pre-processing, lung extraction, segmentation of suspected regions using U-Net 2.5D and Pix2Pix architectures, and result validation. The method achieved promising results, with 92% Dice for lung parenchyma segmentation, 82% Dice for suspected region segmentation using U-Net, and 71% Dice using Pix2Pix. It could potentially be integrated into clinical environments as a real aid system.</jats:p>

Conference

EfficientBacillus: uma arquitetura profunda para detecção dos bacilos de Koch

Patrick Ryan Sales dos Santos; Vitória de Carvalho Brito; Antonio Oseas de Carvalho Filho; Alcilene Dalília de Sousa; João Otávio Bandeira Diniz; Daniel de Sousa Luz

Anais do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2023), 2023

Resumo

<jats:p>A tuberculose é uma infecção bacteriana causada pelo bacilo de Koch e é transmitida pelo ar. A doença afeta principalmente os pulmões e é considerada a segunda principal causa de morte por infecção no mundo. Apesar disso, a tuberculose tem cura e o diagnóstico precoce é de suma importância para o sucesso do tratamento e para evitar a disseminação da doença. Tradicionalmente, a baciloscopia de esfregaço de escarro tem sido o principal método para o diagnóstico e monitoramento do tratamento da tuberculose. Nesse contexto, diversas abordagens computacionais têm sido desenvolvidas para auxiliar no diagnóstico da tuberculose, através da análise das imagens de baciloscopia. Neste trabalho, propomos a utilização da EfficientDet, explorando cada um dos seus backbones na tarefa de identificação dos bacilos. Também avaliamos 4 representações de cor diferentes e aplicamos uma validação cruzada com k-fold = 5. Os resultados mostraram-se promissores, com IoU de 0,523, recall de 0,925, precision de 0,694 e f1-score de 0,774. Os resultados alcançados evidenciaram o potencial do método na detecção dos bacilos, podendo auxiliar no diagnóstico da tuberculose.</jats:p>

2022

Journal

Automatic detection metastasis in breast histopathological images based on ensemble learning and color adjustment

Daniel S. Luz; Thiago J. B. Lima; Romuere R. V. Silva; Deborah M. V. Magalhães; Flavio H. D. Araujo

Biomedical Signal Processing and Control, v. 75, art. 103564, 2022

2021

Conference

Automatic Identification of Metastasis in Histopathological Images Using Deep Learning

Daniel S. Luz; Renesio J. O. Costa; L. Rabêlo Ricardo de Andrade; Joel J. P. C. Rodrigues; Flavio H. D. Araujo

2020 IEEE International Conference on E-health Networking, Application & Services (HEALTHCOM), p. 1-6, 2021

2020

Book Chapter

P-FideNet: Plasmodium Falciparum Identification Neural Network

Daniel Cruz; Maíla Claro; Rodrigo Veras; Luis Vogado; Helano Portela; Nayara Moura; Daniel Luz

Advances in Visual Computing: 15th International Symposium, ISVC 2020, p. 369-380, 2020

Conference

Classificação de Nódulos Pulmonares Utilizando Redes Neurais Convolucionais 3D

Thiago Lima; Daniel Luz; Rodrigo Veras; Flavio Araújo

Anais do XX Simpósio Brasileiro de Computação Aplicada à Saúde, p. 120-130, 2020

Resumo

<jats:p>O câncer de pulmão é o segundo mais comum no Brasil. A detecção precoce de nódulos pulmonares é essencial para a sobrevivência do paciente. Neste trabalho propomos um algoritmo baseado na Rede Neural Convolucional 3D para classificar nódulos pulmonares como benignos ou malignos em imagens da tomografia computadorizada. A arquitetura proposta possui dois blocos de camadas convolucionais seguidos por uma camada de pooling, duas camadas totalmente conectadas e uma softmax. O uso de aumento de dados para balanceamento do conjunto de treino produziu resultados promissores, com acurácia de 0,9077, kappa de 0,7774, sensibilidade de 0,8481, especificidade de 0,9322 e AUC de 0,8901, na classificação de nódulos pulmonares.</jats:p>