Mineração de Dados em Grandes Coleções de Imagens Médicas

Resumo

O crescimento da quantidade de dados armazenados em grandes bases de dados torna a extração de conhecimento utilizando técnicas de mineração de dados uma tarefa ao mesmo tempo fundamental para aproveitar bem esses dados na tomada de decisões estratégicas, mas de alto custo computacional e de gerenciamento complexo para o analista. A complexidade decorre da variedade de tarefas que podem ser aplicadas na análise dos dados e da quantidade de alternativas que existem para se executar as análises. As tarefas mais comuns de mineração de dados incluem classificação e agrupamento de dados, identificação de erros de medida e de casos de exceção, inferência de dados faltantes e seleção de atributos mais significativos. O custo computacional vem da necessidade de se explorar uma grande quantidade de casos de estudo, em diferentes combinações, para se obter a informação desejada. Usualmente, os dados que devem ser explorados são representados como atributos numéricos ou categóricos em uma tabela, que representa em cada tupla um caso de teste do conjunto sob análise. Embora as mesmas tarefas desenvolvidas para dados tradicionais sejam também necessárias para imagens, a complexidade das análises e o custo computacional aumentam significativamente, inviabilizando a maior parte delas. Assim, técnicas de mineração especiais precisam ser desenvolvidas para aplicação em grandes coleções de imagens. O presente projeto prevê o desenvolvimento de técnicas de mineração de dados para conjuntos de imagens, em particular para as tarefas de classificação e agrupamento. Para isso, os principais fatores que distingüem imagens de dados tradicionais, no que diz respeito ao seu impacto nas tarefas de mineração de dados, serão analisados e tratados à luz da teoria dos fractais. A teoria dos fractais têm sido usada com bons resultados tanto na análise de imagens individuais quanto na análise de conjuntos de dados tradicionais, mas não na análise de grandes conjuntos de imagens. Dessa maneira, este projeto corresponde à uma vertente de pesquisa inédita, a qual, baseada nas atividades e experimentos já realizados pelo grupo de pesquisa envolvido, tem boas perspectivas de alcançar resultados interessantes e úteis.