Avançar no conhecimento e na implementação de modelos fundacionais em imagem médica a partir de bases de dados da comunidade científica e próprias do projeto para estudos de imagem de radiologia 2D e 3D e imagens médicas não radiológicas. Existem múltiplas modalidades distintas de imagem médica e não é evidente como processar a informação, se de maneira conjunta ou separada por modalidade, por órgão etc.

Investigar sobre os diferentes métodos de aprendizado auto-supervisionado que permitem otimizar o desempenho dos modelos fundacionais. Embora essa tecnologia tenha sido frequentemente empregada em visão computacional, seu uso em imagem médica não é tão explorado e os limites da tecnologia nesse contexto não são muito conhecidos, considerando as particularidades da imagem médica.

Investigar diferentes métodos para realizar de maneira adequada o fine-tuning de modelos fundacionais de imagem para tarefas específicas (prediagnóstico de câncer de próstata, diagnóstico de patologias respiratórias e doenças oftalmológicas) e em sua explicabilidade para oferecer maior confiança ao clínico.

Investigar diferentes métodos de geração sintética de imagens médicas, incluindo os mais novos modelos de difusão e a inclusão de condicionamento (por exemplo, por texto) durante a geração. Avançar na definição e estabelecimento de métricas apropriadas e específicas para avaliar a validade das imagens médicas sintéticas.

Ampliar o conhecimento nos modelos visão-linguagem, capazes de processar informações médicas multimodais (imagem+texto) para resolver grande variedade de tarefas como a geração automática de relatórios a partir de imagem