BOOTCAMP
DEEP VISION 3D
Construa um Sistema de Detecção de Câncer em Tomografias Computadorizadas 3D.
Chega de "toy datasets". Trabalhe com 200GB de dados reais e domine o pipeline completo de Visão Computacional Médica.
PROJECT OUTPUT
Lung Cancer Detection System
ACCURACY
94.8%
O MUNDO REAL É SUJO E CAÓTICO
Cursos tradicionais te dão dados limpos (MNIST, Iris). O mercado te dá dados ruidosos, desbalanceados e gigantes. Aqui você aprende a sobreviver.
200GB de Dados
Nada de CSV de 5MB. Você vai baixar e processar o dataset LIDC-IDRI completo, lidando com problemas reais de I/O e memória.
Classes Desbalanceadas
Tumores são raros. Aprenda técnicas avançadas de amostragem e funções de perda (Dice, Focal Loss) para não enviesar o modelo.
Visão 3D (Voxels)
O mundo não é 2D. Aprenda a manipular volumes 3D (Voxels), usar convoluções 3D e entender o formato DICOM médico.
O QUE VAMOS CONSTRUIR
PyTorch & Arquiteturas de Segmentação
Construção da base sólida. Entenda tensores, autograd, CNNs modernas (ResNet) e a arquitetura U-Net, padrão-ouro para segmentação médica.
Processamento de Imagens Médicas (DICOM)
Mergulho no formato DICOM. Aprenda a converter Hounsfield Units, normalizar volumes 3D e extrair patches para treinamento.
Treinamento & Otimização
Implementação do loop de treinamento. Data Augmentation 3D, métricas de avaliação (Dice Score) e estratégias para lidar com desbalanceamento.
Deploy em Produção com Gradio
Não adianta o modelo ficar no notebook. Vamos criar uma interface web completa onde o médico faz upload do exame e recebe o diagnóstico.
Carlos Melo
COMPUTER VISION ENGINEER
Co-fundador da STAR Research e reconhecido com o visto EB1A (Habilidades Extraordinárias) pelo governo americano. Já formou mais de 6.000 alunos e atua na fronteira entre pesquisa e aplicação industrial de IA.
PRONTO PARA O PRÓXIMO NÍVEL?
Garanta sua vaga na primeira turma. Acesso vitalício às gravações, código-fonte completo e certificado de conclusão.
