L’enhancement di immagini mammografiche

Presentazione sul tema: "L’enhancement di immagini mammografiche"— Transcript della presentazione:

1 L’enhancement di immagini mammografiche
Applicazioni L’enhancement di immagini mammografiche

2 Caratteristiche dell’immagine mammografica
4624 x 2960 12-16 bpp Risoluzione: m 512 x 512

3 Masse e microcalcificazioni

4 selezione della regione di interesse (ROI)
Il sistema CADx Mammografia … selezione della regione di interesse (ROI) Denoising e enhancement Indice di malignità Texture (3D) Classificatore Estrazione delle caratteristiche Segmentazione Forma (2D)

5 Caratteristiche delle masse
Strutture rotondeggianti Luminosità crescente verso il centro

6 Enhancement per le masse

7 Caratteristiche delle microcalcificazioni
PROBLEMI Piccole dimensioni Rumore presente nell’immagine Luminosità OBIETTIVI Estrarre strutture di piccole dimensioni Distinguere queste strutture dal rumore presente nell’immagine

8 Cosa succede senza una fase di denoising

9 Caratteristiche del rumore
Il processo di formazione dell’immagine determina la natura dei fenomeni rumorosi: Fluttuazione del numero di fotoni in arrivo (rumore di Poisson dipendente dal segnale) Scattering fotonico (eliminabile) Rumore elettronico (gaussiano indipendente dal segnale)

10 Stima del rumore Wavelet denoising Edge detector Soglia Filtro
Original Image Edge detector Soglia Filtro Passa-Basso Signal Dependent Noise Variance Estimation Negative Robust Median estimator Negative

11 Caratteristiche del rumore stimato

12 Processamento Wavelet – schema generale
2) Elaborazione dei coefficienti E(x) W 1) Decomposizione Immagine W-1 3) Ricostruzione Immagine elaborata

13 Decomposizione GI(v) GII(v) GI(h) GII(h) H(v) H(h) GI(2v)
dI{v,1} dI{h,1} a1 dI{v,2} dI{h,2} dII{v,1} dII{h,1} dII{v,2} dII{h,2} H(2v)H(2) a2

14 Ricostruzione

15 Esempio

16 Schema specifico a doppia ricostruzione
Wavelet Decomposition First Gradient D=3 Reconstruction D=3 Denoising Second Gradient D=3 Enhancement Enhanced foreground background

17 Elaborazione dei coefficienti per il denoising

18 Elaborazione dei coefficienti per l’enhancement
G Th

19 Risultati per le microcalcificazioni
originale enhanced maschera

20 Valutazione di un algoritmo di enhancement
Il CII è dato dal rapporto tra il contrasto di una ROI nel mammogramma elaborato ed il contrasto della ROI nel mammogramma originale: Il contrasto C di una regione è definito come: in cui f e b sono rispettivamente i valori medi dei livelli di grigio di un particolare oggetto nella ROI (il foreground) e del suo sfondo (il background). Questa definizione di contrasto ha il vantaggio di essere indipendente dal range dei livelli di grigio dell’immagine.

21 La classificazione di segni tumorali Nelle immagini mammografiche
Applicazioni La classificazione di segni tumorali Nelle immagini mammografiche

22 Microcalcificazioni originale enhanced maschera

23 Masse tumorali enhanced originale maschera Immagine con contorno

24 Microcalcificazioni: benigne e maligne

25 Masse: benigne e maligne

26 Estrazione dei parametri
L’operazione di scelta dei parametri per la classificazione è estremamente difficile a causa della grande variabilità di: Dimensione, forma, distribuzione e colore delle microcalcificazioni e del cluster Dimensione, forma, distribuzione e colore delle masse tumorali. La scelta dei parametri può ovviamente influenzare ed eventualmente alterare la fase di classificazione. Questa fase verrà infatti valutata in termini di due parametri: sensitivity e specificity.

27 Sensitivity and Specificity
Un a regione segmentata è detta positiva se patologica o negativa se normale. Un algoritmo decisionale dice il vero se la decisione è corretta e dice il falso se la decisione è sbagliata. Un algoritmo che identifica oggetti o regioni (segmenta) potrà dare Ii seguenti risultati: vero positivo (TP) , vero negativo, (TN), falso positivo (FP), e falso negativo (FN). FN e FP sono due tipi di errori. Un FP significa che qualcosa di normale è stato segnalato come patologico. Un FN significa che una anomalia è stata segnalata come normale. Sensitivity (sinonimo di TP) e Specificity (sinonimo di TN) sono definite come Sensitivity=TPs/(TPs+FNs) specificity=TNs/(TNs+FPs).

28 Parametri di forma Caratteristiche geometriche
Singola microcalcificazione Standard deviation of Area: where Ak is the area (number of pixels) of kth microcalcification, A is the mean area, N is the number of microcalcifications in the cluster. Mean perimeter of microcalcifications p. Total area evaluated by the sum of the pixels representing the microcalcifications. Mean eccentricity. Values close to 1 means high circularity of the microcalcifications, whereas values close to 0 denote lengthened shape of microcalcifications. Mean circularity evaluated as where A and p are defined above.

29 Parametri di forma Caratteristiche geometriche
Microcalcifications cluster features Standard deviation of mutual distances. Cluster perimeter, where the cluster is represented by the convex hull as shown in figure Approximative cluster area evaluated by the area of the convex hull.

30 Parametri di texture Texture Features Haralick:
Haralick: Second angular moment, contrast, correlation, variance, inverse differential moment, sum of mean values, sum of variances, sum of entropy, entropy, differential variance, differential entropy, correlation measure information, maximum correlation coefficient Caratteristiche basate sull’istogramma Mean intensity value of microcalcifications Skew function that measures the asymmetry of the histogram of microcalcifications. Mean intensity value of the boundary of the microcalcifications Difference: Contrast:

31 Parametri di texture

32 Scelta delle caratteristiche
Caratteristiche discriminanti

33 Scelta delle caratteristiche
Caratteristiche non discriminanti

34 Estrazione dei parametri: masse
Caratteristiche geometriche Caratteristiche di texture (luminanza interna)

35 Caratteristiche di forma
Area e perimetro Statistica del raggio Raggi Centro Geometrico Entropia Circolarità Rettangolarità Eccentricità Zero crossing Area Boundary roughness Bounding Box

36 Caratteristiche di struttura
Secondo momento angolare Contrasto Correlazione Varianza Momento differenziale inverso Somma di media, varianza, entropia Varianza ed entropia differenziali Misura della correlazione Massimo coefficiente di correlazione Caratteristiche di Haralick:

37 Scelta delle caratteristiche
Istogramma non sovrapposto Istogramma sovrapposto Caratteristiche scelte: Circolarità Raggio normalizzato Entropia

38 Sviluppi: Selezione del set minimo di parametri: PCA ? Metodi Black Box Scelta del classificatore: Metodi diretti In fase iniziale Poche informazioni a priori Reti neurali Black box Non c’è possibilità di interazione Sistemi Fuzzy I valori delle variabili sono espressi con parole del linguaggio comune Il radiologo può capire il sistema ed interagire con esso