...

EN

ES

Search
Close this search box.
Search
Close this search box.

Uern conquista mais uma patente de invenção pelo INPI

A Universidade do Estado do Rio Grande do Norte (Uern) conquistou mais uma patente de invenção pelo Instituto Nacional da Propriedade Industrial (INPI), órgão responsável por gerir o sistema brasileiro de concessão de patentes. Desta vez, tendo o Departamento de Informática da Faculdade de Ciências Exatas e Naturais (DI/Fanat), Campus Mossoró, como titular.

De autoria dos professores Dr. Harold Ivan Angulo Bustos, Dr. Dario José Aloise e o pesquisador Me. Samuel Alves Araújo (ex-aluno do DI/Fanat), a patente de invenção é intitulada “Um método de previsão de séries temporais multivariadas com árvores de decisão no domínio da frequência”.

Trata-se de um novo método de aprendizado de máquina que age como um filtro inteligente preditivo multidimensional, usado para predizer ou prever o comportamento de uma imagem dinâmica em movimento, com base em uma série de sequências de imagens do histórico da série temporal.

Assim como para previsão do tempo, se calcula a probabilidade de chuva em determinadas regiões com base na dinâmica da atmosfera. No caso do modelo patenteado, os pesquisadores calcularam um modelo de previsão de imagem futuro com base no comportamento do histórico da série temporal de ditas imagens. No caso, os dados de treinamento do método patenteado está representado no domínio espectral da frequência híbrida Wavelet/DCT.

A vantagem dessa técnica é que ela não fica restrita à detecção apenas local do movimento dos objetos, ou seja, o método é sensível e detecta simultaneamente complexas correlações espaço-temporais do movimento de objetos intra e inter quadros da cena em movimento, acontecendo em regiões bem distantes uma da outra dentro da própria cena da imagem em movimento.

Outra vantagem importante que o método traz é que ele permite lidar com grande volumes de dados (Big Data), uma vez que os dados brutos são treinados em um espaço altamente compacto gerado pelas transformadas híbridas Wavelets e DCT-Discreta Cosseno Transform.

Ambas transformadas quando aplicadas aos dados brutos geram coeficientes de energia espectral produzindo uma compactação muito grande. Tais coeficientes de energia compactados, são treinados de uma forma muito mais eficiente, pelo algoritmo do método, de uma maneira a lidar melhor com grandes volumes de dados.

“Por outro lado o método permite modelar e rastrear simultaneamente ao longo do tempo objetos com movimentos de rotações, translações, crescimento/decrescimento de regiões. Um dos pontos deste método proposto que permitiu obter a concessão da carta patente do INPI é sua forma diferenciada de agir como filtro preditivo rastreador de objetos em movimento, uma vez que ele estima modelos futuros de uma imagem em movimento, mudando simultaneamente no tempo de posição, rotação, translação, intensidade de cor, textura e morfometria dos objetos contidos na cena”, detalhou o professor Harold Bustos.

O método foi avaliado e validado usando dados de uma série temporal de imagens de tomografia 4D de um tumor de câncer de pulmão, obtidos de uma base de dados públicas do NIH-National Institute Health / USA, com o intuito de estimar e prever o comportamento dinâmico da evolução do tumor no futuro.

Também se mostrou eficiente e robusto para modelar a dinâmica do crescimento e decrescimento de uma neoplasia/tumor sob monitoramento, sinalizando o potencial que tem o método para ser aplicado na área de oncologia como uma nova tecnologia de informática médica para dar auxílio e suporte aos radiologistas. Esta tecnologia computacional patenteada, quando utilizada em conjunto com técnicas de imageamento médico, tais como tomografia, ressonância, ultra-sonografia, etc, pode estabelecer, na prática, um sistema capaz de dar suporte a radiologistas na tomada de decisão, se podendo transformar em uma nova ferramenta de “radioquimioterapia preditiva guiada por imageamento, em tempo de lapso, baseado em aprendizado de máquina”, diz.

Conforme Harold Bustos, o método pode ser aplicado em quaisquer situações onde se tenha uma série temporal de dados de qualquer natureza e seu objetivo é estimar um modelo de previsão numérico futuro dos dados contidos na cena em movimento.

Page Reader Press Enter to Read Page Content Out Loud Press Enter to Pause or Restart Reading Page Content Out Loud Press Enter to Stop Reading Page Content Out Loud Screen Reader Support