Elaine Parros Machado de Sousa.

Este projeto de pesquisa suplementar visa propor, explorar e desenvolver novos métodos e algoritmos a serem usados em processos de tomada de decisão para diagnóstico médico e prognóstico de pacientes no contexto da COVID-19. Estes métodos e algoritmos serão instanciados em sistemas e aplicativos que serão disponibilizados à comunidade científica para apoiar de modo rápido e preciso tal processo de tomada de decisão. Os desafios a serem sobrepujados começam na montagem de bases de dados e imagens provenientes de plataformas distintas e muitas vezes incompletas, e à aplicação da técnica de radiômica sobre imagens de Raio-X (RX) e tomografia computadorizada (TC), com a premissa de que características quantitativas e qualitativas massivas sobre imagens de RX podem trazer a informação necessária ao diagnóstico de COVID-19, do mesmo modo que a TC fornece. A vantagem dessa abordagem que será investigada é o custo menor e a maior disponibilidade de RX, permitindo que mais pacientes sejam beneficiados pelos resultados dessa proposta. Além de disponibilizar material curado e consistente para pesquisas e avanços na área de COVID-19. Além disso, bases de dados e imagens consistentes para pesquisa serão disponibilizadas para a comunidade da área.

This project aims at developing a computational platform to integrate climatic and remote sensor data obtained from several databases; and to propose computational methods to consist data, to fill absent data in the series, to identify new and useful patterns in order to improve the agricultural yield monitoring and forecasting models. The challenge for Computer Science comprehends the development of new algorithms to process, store, mine and analyze vast volumes of data (big data), as well as to propose a mechanism to provide autonomy for agricultural meteorologists to the access and parameterize datasets, to define new research needs, and to reformulate, intercompare and integrate agroenvironmental models. On the other hand, the scientific advance in Agrometeorology depends on a consistent, reliable and complete climatic database with spatial and temporal density (regular grades) for all country in order to generate models that can better support decisions in the agricultural business. Considering the climate change scenarios, the integration between computer scientists and agrometeorologists becomes essential, especially due to the increased amount of data generated by simulations of climate models, and from ground-based meteorological stations and remote sensors. In this context, improving computational methods for visual analytics, data mining, pattern recognition and visualization related to scientific workflow will allow upgrading models to analyze data in the current and future agroclimatic perspective. In an effort to better understand Climate Change and its impact on Agriculture, investigators of Embrapa Agricultural Informatics, ICMC-USP (São Carlos), Cepagri/UNICAMP, CPTEC/INPE, UFSCar, UFABC e UFU have been working together for several years, generating important contributions in both Computer Science and Agrometeorology fields. The validation of results will be done with economically and socially relevant agriculture crops in Brazil, such as sugar cane and coffee. Workshops and a virtual environment will be used to facilitate and support the integration, collaboration and communications among researchers in the project.

Os Sistemas de Gerenciamento de Bases de Dados (SGBD) baseados na Teoria Relacional foram desenvolvidos para atender às necessidades de armazenagem e recuperação de grandes volumes de dados representados por valores numéricos, datas e pequenas cadeias de caracteres, chamados genericamente ``dados escalares''. Com a evolução da tecnologia da informação, vem se tornando necessário organizar, armazenar e recuperar outros tipos de dados, a que nos referimos como ``dados complexos'', tais como imagens, vídeo, séries temporais, sequências genômicas, etc. As consultas por identidade ou por relação de ordem (RO), úteis para dados escalares, não são adequadas para dados complexos. Para eles, as consultas por similaridade têm sido a opção mais estudada, mas a sua disponibilidade em SGBD é ainda bastante restrita. Este projeto visa abordar a incorporação de recursos para recuperação de dados complexos por similaridade em SGBD Relacionais, desenvolvendo técnicas que cubram de maneira abrangente as principais necessidades dos módulos que constituem um SGBD, incluindo: a) integração da representação de consultas por similaridade em uma extensão da linguagem SQL; b) definição unificada dos operadores algébricos por similaridade segundo a teoria relacional, como operadores interoperáveis com os tradicionais; c) desenvolvimento de técnicas para otimização lógica e física dos planos de execução de consultas, e d:) desenvolvimento de técnicas para indexação e recuperação eficiente combinando operações de busca por similaridade, por identidade e por RO. O conhecimento e a tecnologia gerados poderão ser aplicados a muitas áreas de atividade humana, mas no projeto serão validadas em aplicações de apoio ao diagnóstico em medicina e em estudos de modelos climáticos, dando continuidade às atividades que já vem sendo realizadas pelo GBdI. Assim, além do grande potencial de inovação em tecnologia da informação inerente ao projeto, sua aplicação nessas áreas trará benefícios imediatos a toda a população.

Este projeto tem por objetivo desenvolver novos métodos computacionais para auxiliar na detecção de padrões e descoberta de conhecimento a fim de aprimorar o monitoramento agrometeorológico brasileiro. Mais especificamente, este projeto pretende desenvolver técnicas de detecção de anomalias e eventos extremos em séries temporais climáticas, a partir das mudanças de comportamento espaço-temporais. Além disso, pretende-se propor técnicas para classificação de séries temporais extraídas de imagens de satélite, visando o acompanhamento de culturas agrícolas ao longo do tempo. A abordagem a ser adotada é baseada, principalmente, em conceitos de Mineração de Séries Temporais e da Teoria de Fractais, a fim de identificar padrões e eventos climáticos extremos e seu impacto nas culturas da cana-de-açúcar e do café arábica.

O projeto tem por objetivo principal desenvolver técnicas de análise e mineração de data streams multidimensionais evolutivas, com aplicação em descoberta de conhecimento em dados agrometeorológicos, tais como: medidas climáticas reais coletadas de estações meteorológicas de superfície, medidas climáticas geradas por modelos de previsão de cenários climáticos e dados de sensoriamento remoto relacionados ao monitoramento agrícola. A abordagem inicial a ser adotada é baseada em conceitos da Teoria de Fractais, utilizados para análise de comportamento temporal. A aplicação em dados agrometeorológicos visa identificar eventos climáticos extremos, mudanças climáticas e o impacto desses eventos em áreas de plantio de café e cana-de-açúcar na região Sudeste do Brasil.

O aquecimento global e suas conseqüências trazem novos desafios para os pesquisadores do Século XXI. Apesar da comunidade científica não ter dúvidas sobre o aquecimento do planeta, é premente a identificação das causas do aumento da temperatura média global, bem como a quantificação desse aquecimento e suas consequências para os ecossistemas. Modelos matemáticos e estatísticos têm sido empregados para analisar os possíveis cenários futuros e consequentemente uma grande quantidade de dados tem sido gerada. Além disso, o avanço tecnológico tem propiciado melhorias nos diversos sensores utilizados para medições de dados climáticos e de imageamento da superfície terrestre, contribuindo para o aumento na quantidade e complexidade dos dados gerados. As pesquisas envolvendo grande volume e diversidade de dados remete a dois dos Grandes Desafios da Computação: a gestão da informação em grandes volumes de dados e a modelagem computacional de sistemas complexos. Neste contexto, este projeto de pesquisa propõe investigar e desenvolver técnicas e métodos computacionais para analisar os conjuntos de dados complexos utilizados por meteorologistas e agrometeorologistas, para auxiliá-los na pesquisa de impactos das mudanças climáticas na agricultura brasileira. Em linhas gerais, o objetivo deste projeto é desenvolver métodos para analisar os resultados dos modelos regionais de prognóstico de mudanças climáticas e compará-los com medidas reais coletadas pelas estações de superfície, a fim de avaliar a qualidade dos dados gerados e dar subsídios para a calibração dos modelos de previsão. Adicionalmente, pretende-se desenvolver novos métodos para filtrar, analisar e extrair padrões da associação entre dados climáticos e dados extraídos de sensores remotos para auxiliar nas pesquisas agrícolas. O projeto embasa-se na parceria de pesquisadores do Grupo de Bases de Dados e Imagens (GBdI) do ICMC-USP, da Embrapa Informática Agropecuária, do Centro de Pesquisas Meteorológicas e Climáticas.

O projeto tem dois objetivos. O primeiro é o desenvolvimento de tecnologia e pessoal qualificado para incluir operadores de busca e comparação por similaridade em ferramentas de apoio ao desenvolvimento de software, e mais especificamente, para a busca e comparação por similaridade do conteúdo de imagens de exames médicos em aplicações para a área da saúde. O segundo objeto é o desenvolvimento de técnicas de mineração de dados sobre objetos complexos, especialmente sobre imagens de exames médicos e sobre dados clínicos de pacientes, os quais envolvem informações temporais e o acompanhamento do paciente por longo período.

O volume de dados e imagens gerados nos hospitais e clínicas médicas cresce a um ritmo cada vez mais acelerado, devido ao barateamento do custo de coletar e armazenar tais informações. O diagnóstico baseado em imagens pode ser grandemente aprimorado se o especialista da área médica puder recuperar de modo rápido e pertinente informações que o apoiem na tomada de decisão. Por exemplo, recuperar casos parecidos com o que está sendo analisado, verificar o inter-relacionamento entre itens de dado e tratamentos/resultados alcançados, bem como visualizar num piscar de olhos a evolução de casos semelhantes e já diagnosticados por colegas especialistas. Este projeto visa o desenvolvimento de técnicas e algoritmos que constituirão o arcabouço teórico e prático para o desenvolvimento de ferramentas que possibilitem compreender o inter-relacionamento entre as características das imagens (que as representam) e seu significado semântico, de modo a obter os dados mais relevantes para serem utilizados para responder consultas por similaridade para apoiar o processo de decisão na elaboração de diagnósticos médicos. Os resultados alcançados por este projeto serão aplicados a sistemas de arquivamento e recuperação de imagens médicas (PACS), permitindo alcançar um patamar mais elevado em tais sistemas. Ou seja, sistemas PACS que já organizam as imagens e dados e pacientes, passarão a apoiar a tomada de decisão para suporte ao diagnóstico médico por imagens..

Auxílio Integrado à Pesquisa do CNPq, Projeto Nº 472602/2007-1.

O Projeto Memória Virtual de São Carlos tem como objetivo principal estabelecer a infra-estrutura computacional necessária para a informatização dos acervos históricos do município de São Carlos e região, de maneira a viabilizar acessibilidade, organização e preservação do patrimônio histórico e cultural das fazendas e museus da região de São Carlos. Os acervos disponíveis abrangem informações e bens de natureza diversa, como os acervos documentais, coleções bibliográficas, objetos museológicos, bens arquitetônicos, bens naturais, além de materiais
multimeios, de valor histórico relevante. Dessa forma, pretende-se integrar e disponibilizar acervos do município dispersos fisicamente, utilizando ferramentas de software livre para a implementação e implantação de um sistema Web para acesso a esses acervos. Processo FAPESP 2003/06434. Período do Projeto: abril de 2004 a maio de 2008. Participação da pesquisadora como colaboradora a partir de junho de 2006.

Este projeto visa propor e implementar novas técnicas e ferramentas que permitam extrair o conhecimento inerente a exames médicos por imagens, aumentando a funcionalidade de um sistema PACS em desenvolvimento (cbPACS). O ferramental a ser desenvolvido depende de quatro vertentes de pesquisa, desde o suporte básico do desenvolvimento de técnicas de extração de características de imagens de modo a propiciar sua recuperação por conteúdo e efetuar consultas por similaridade; o desenvolvimento e aprimoramento de métodos de acesso eficientes para processar tais consultas de modo rápido e efetivo; o desenvolvimento de técnicas de mineração de dados através de regras de associação e seleção de atributos. Tais atividades serão suportadas por técnicas de visualização de dados que serão propostas e implementadas visando auxiliar o desenvolvimento e afinamento dos algoritmos das vertentes anteriores. A recuperação de imagens por conteúdo vale-se da extração de características das imagens, porém as características extraídas individualmente têm pouco significado de forma isolada para a busca de imagens específicas. Assim, para que as consultas por similaridade recuperem imagens significativas em aplicações destinadas ao usuário final, é necessário que as consultas especifiquem detalhadamente como as características devem ser comparadas, integrando diversas características na mesma consulta. Este projeto objetiva também disponibilizar ferramental para auxiliar o preparo das consultas que serão embutidas em aplicativos para o usuário final. Para atingir tal meta, o projeto deve explorar a utilização de maneira integrada de quatro recursos: sistemas de bancos de dados relacionais; indexação de dados em domínios métricos; consultas por similaridade; e mineração de imagens.

Quando é necessário manipular informações complexas e volumosas, como são as imagens de exames médicos, um dos problemas a serem tratados é o de como armazenar e recuperar tais informações de maneira rápida e precisa. Uma técnica usual é a extração de características (parâmetros) da imagem, que idealmente possibilitem a identificação da mesma de forma inequívoca, ou com a menor ambiguidade possível. Muitas vezes esse processo é baseado na redução da dimensionalidade dos dados: parâmetros são extraídos das imagens e a seguir utilizados para indexá-las agilizando sua busca e recuperação. As estruturas de indexação são ferramentas fundamentais nos sistemas de gerenciamento de bancos de dados, pois habilitam os sistemas gerenciadores de dados a armazenar e recuperar eficientemente os dados de interesse dentre um grande volume de dados. Este projeto propõe construir um Subsistema de Recuperação de Imagens Baseada em Conteúdo (SiRIC), utilizando duas grandes frentes de atuação. Esse subsistema servirá como base para um sistema de armazenagem e recuperação de imagens médicas que será utilizado no núcleo de um protótipo de um sistema PACS, chamado cb-PACS. A primeira frente de atuação corresponde à construção do módulo de indexação de imagens, o qual utilizará uma estrutura de indexação métrica adequada. Para isso iremos utilizar a Slim-tree, devido às suas características de ser dinâmica e possibilitar a otimização de acessos a disco necessários para responder consultas por similaridade. Um tratamento adicional, para minimizar também o cálculo de distâncias na Slim-tree, deverá ser realizado no escopo do projeto proposto. A segunda grande frente de atuação refere-se ao desenvolvimento do módulo de extração de características (parâmetros) das imagens a serem indexadas.