Desenvolvimento de tecnicas hibridas para identificacao de agrupamentos em bases de dados de imagens medicas: estudo de casos e aplicacao em um hospital escola.

• Processo: 06/55602-1
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de outubro de 2006
• Data de Término da vigência: 28 de janeiro de 2008
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Agma Juci Machado Traina
• Beneficiário: Maria Camila Nardini Barioni
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Mineração de dados
• Palavra(s)-Chave do Pesquisador: Bases De Imagens | Deteccao De Agrupamentos | Metodos De Indexacao Metricos | Mineracao De Dados

Resumo

Um dos recursos mais importantes de análise de dados é a capacidade de se abstrair dados, inferindo conhecimento pela síntese do que é comum a grandes porções de dados. Dentre os processos utilizados em mineração de dados, para auxílio à análise de dados por síntese, está o processo de Detecção de Agrupamentos. Esse processo visa à identificação de grupos de instâncias em uma massa de dados, de tal forma que, ao mesmo tempo em que todas as instâncias de um mesmo grupo apresentem características semelhantes, as instâncias de grupos distintos apresentem características marcantemente diferentes. Os métodos de agrupamento são muito caros do ponto de vista do volume de processamento que eles requerem, em geral de ordem quadrática ou pior sobre o número de instâncias na base de dados. Por isso, muitas técnicas de agrupamento trabalham com uma amostra reduzida do conjunto de dados para executar os passos mais caros do processamento. Este trabalho pretende utilizar técnicas de indexação de dados métricos (Metric Access Methods) para auxiliar tanto a geração de amostras quanto para agilizar os passos de refinamento dos algoritmos de agrupamento. Com isso, pretende-se reduzir a complexidade dos algoritmos de agrupamento ao mesmo tempo em que se preserva a qualidade dos agrupamentos gerados, permitindo obter técnicas de agrupamento escaláveis para tratar volumes de dados muito grandes. (AU)