Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Skip to main content
ABSTRACT Este artículo describe los proyectos desarrollados por los integrantes del Grupo de la Web Semántica en la Universidad Simón Bolívar en el contexto de la Nube de los Datos Abiertos Enlazados. Los principales retos abordados en... more
ABSTRACT Este artículo describe los proyectos desarrollados por los integrantes del Grupo de la Web Semántica en la Universidad Simón Bolívar en el contexto de la Nube de los Datos Abiertos Enlazados. Los principales retos abordados en estos proyectos son los siguientes: * Descomposicion de consultas SPARQL y técnicas de procesamiento para escalar a federaciones con una gran numero de fuentes de datos. * Estrategias para explotar anotaciones semanticas de ontologías medicas para mejorar la calidad del renderizado de imagenes médicas. * Tecnicas de ranking basadas en skyline para de forma eficiente identificar los recursos que satisfacen consultas multi-objetivo. * Tecnicas de limpieza en Datos Enlazados para identificar ambiguedades entre datos enlazados y sugerir posibles inconsistencias e incompletitudes. * Tecnicas de Minería de grafos para descubrir patrones entre grafos anotados. * Herramientas para la evaluacion de la calidad y el rendimiento de las maquinas de consultas SPARQL sobre documentos SPARQL. Finalmente, se presenta un resumen de los resultados de los estudios experimentales los cuales muestran la calidad de las estrategias desarrolladas y los casos de uso donde las arquitecturas propuestas han sido aplicadas.
SemVisM is a toolbox that combines medical informatics and computer graphics tools for reducing the semantic gap between low-level features and high-level semantic concepts/terms in the images. This paper presents a novel strategy for... more
SemVisM is a toolbox that combines medical informatics and computer graphics tools for reducing the semantic gap between low-level features and high-level semantic concepts/terms in the images. This paper presents a novel strategy for visualizing medical data annotated semantically, combining rendering techniques, and segmentation algorithms. SemVisM comprises two main components: i) AMORE (A Modest vOlume REgister) to handle input data (RAW, DAT or DICOM) and to initially annotate the images using terms de ned on medical ontologies (e.g., MesH, FMA or RadLex), and ii) VOLPROB (VOlume PRObability Builder) for generating the annotated volumetric data containing the classi ed voxels that belong to a particular tissue. SemVisM is built on top of the semantic visualizer ANISE.
Research Interests:
Research Interests: