Desenvolvimento de Método de Acesso Métrico com Calibração de Distância Perceptual para Consultas por Similaridade de Imagens Médicas

Abstract

Indexar e recuperar informações organizadas em bases de dados, de modo eficiente e preciso para responder às consultas solicitadas pelos usuários, são pilares do processo de engenharia e ciência de dados. No contexto médico, o tratamento e extração de semântica do dado complexo do tipo imagem, são fundamentais para tomadas de decisões. Esse tipo de tratamento demanda extrair a essência (características) desses dados e usualmente efetuar consultas por similaridade sobre tais características, em vez de usar o dado complexo em si. Os Métodos de Acesso Métrico (MAMs) foram desenvolvidos como ferramentas fundamentais para processar consultas por similaridade de modo eficiente apoiando os sistemas de gerenciamento de bases de dados. Os MAMs utilizam funções de distância fixas para realizar a construção da árvore métrica, o que por sua vez impede que um MAM consiga indexar os elementos utilizando duas ou mais funções de distância na mesma indexação. Em muitos casos, o uso de funções de distância tradicionais falha em oferecer respostas compatíveis com a percepção de distância dos usuários. Esta pesquisa em nível de Mestrado desenvolveu mecanismos para tratar esse problema, desenvolvendo uma abordagem que permita incluir funções de distâncias ponderadas para o processamento de consultas por similaridade em MAM. Um vetor de pesos corretamente aprendido, permite ponderar funções de distâncias e aprimorar a semântica dos dados, trazendo maior precisão ao processamento de consultas. Deve-se, para isso, utilizar recursos de Realimentação de Relevância (RR), visando capturar a percepção do usuário com relação à semelhança entre imagens. Este trabalho propõe dois métodos que tratam o aprimoramento do espaço de características e inclusão de funções de distância ponderadas no MAM Slim-Tree. O método Fusion Relevance Feedback (FRF) aplica um pré-processamento combinando extratores de características tradicionais e aprimorando o espaço de características utilizando RR, alcançando acurácias equivalentes e superiores em relação as técnicas de aprendizado profundo. O método Tuning Metrics Relevance Feedback (TMRF) infere vetores de pesos no MAM Slim-Tree e apresenta uma metodologia de reindexação que mantêm a estrutura otimizada com o espaço métrico aprimorando. As análises realizadas demonstram que o método TMRF aprimora o espaço métrico do conjunto de dados e mantém o MAM eficiente, sendo 70% mais rápida em relação a estratégias sequenciais, com ganhos expressivos em termos de acurácia de até 42% através de aprendizado por RR.