La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA.

Presentazioni simili


Presentazione sul tema: "APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA."— Transcript della presentazione:

1 APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA

2 RETE AUTOORGANIZZANTE PER LA SEGMENTAZIONE DI IMMAGINI DIAGNOSTICHE

3 SEGMENTAZIONE IN IMMAGINI CLINICHE Il riconoscimento automatico di regioni anatomiche è un importante aiuto al decision-making clinico Scopi diagnostici, terapeutici, chirurgici E importante avere strumenti che lavorino in tempo reale

4 SEGMENTAZIONE IN IMMAGINI CLINICHE Nel caso chirurgico, immagini TAC o RM vengono convertite in simulazioni 3D usate dal chirurgo in tempo reale per localizzare la regione da operare E necessario segmentare limmagine per confrontarla con un atlante funzionale in modo da vedere quali aree non danneggiare

5 SEGMENTAZIONE IN IMMAGINI CLINICHE La segmentazione consiste nel raggruppare i pixel in regioni uniformi secondo certi criteri La segmentazione è essenzialmente un problema di classificazione Lalgoritmo region growing aggrega i pixel a partire da un seme cui aggiunge man mano pixel con proprietà simili

6 SEGMENTAZIONE IN IMMAGINI CLINICHE E importante la scelta del seme e non è facile da automatizzare In genere ogni tecnica richiede la scelta manuale di una regione di interesse e dei criteri di inclusione. Infine lesperto deve etichettare le regioni ottenute.

7 SEGMENTAZIONE IN IMMAGINI CLINICHE Nel caso delle immagini diagnostiche le regioni di interesse hanno una topologia molto complessa E necessario usare un classificatore non lineare Le reti neurali sono quindi una scelta opportuna

8 SEGMENTAZIONE IN IMMAGINI CLINICHE Le reti neurali supervisionate vanno allenate con una serie di pattern La variabilità delle immagini cliniche è enorme: pazienti differenti, scansioni differenti. Difficile quindi trovare esempi sufficienti e generalizzare per una rete supervisionata

9 SEGMENTAZIONE IN IMMAGINI CLINICHE Le reti non supervisionate (SOM) hanno un tempo di apprendimento più breve ma troppo lungo per il tempo reale Loutput della SOM, che produce un clustering, va trattato dallesperto per dare il corretto significato alle classi. Difficile usare in ciclo chiuso.

10 SEGMENTAZIONE IN IMMAGINI CLINICHE Per pattern organizzati la sequenza temporale dei neuroni vincitori tende a ripetersi La sequenza caratterizza univocamente linput che la ha determinata. E possibile classificare anche input con topologia complessa

11 SEGMENTAZIONE IN IMMAGINI CLINICHE Non è necessario arrivare a convergenza Una buona sequenza non supera i 20 cicli E necessario confrontare le sequenze di neuroni vincitori con un reference set che dia loro uninterpretazione automatica

12 SEGMENTAZIONE IN IMMAGINI CLINICHE Algoritmo z-score I punteggi di ciascun input vengono normalizzati secondo Z= (x – )/ media su tutti i neuroni dello strato competitivo deviazione quadratica media

13 SEGMENTAZIONE IN IMMAGINI CLINICHE Viene posta una soglia 0<= <=1 t.c. z=1 per z> z=0 per z<= A stringhe binarie identiche corrispondono input identici. Tecnica utile per elaborazioni in tempo reale (robotica)

14 SEGMENTAZIONE IN IMMAGINI CLINICHE Limmagine del paziente va segmentata in due tessuti principali: materia bianca e materia grigia. Le immagini sono file DICOM 256x256 il cui header è stato rimosso per ottenere una matrice con 256 livelli di grigio.

15 SEGMENTAZIONE IN IMMAGINI CLINICHE La rete neurale è stata configurata per ricevere griglie 2x2 pixel in input sotto forma di 4 livelli di grigio. Lo strato competitivo è stato settato a 15 unità. Dopo epoche la rete si stabilizza.

16 SEGMENTAZIONE IN IMMAGINI CLINICHE In modo del tutto automatico viene scelto il reference set che servirà a riconoscere i codici z-score emessi dalla rete Vengono scelti i codici emessi con più alta frequenza, che sono i grigi scuri. Il sistema converte i codici nel livello di grigio corrispondente, ottenendo limmagine segmentata.

17 SEGMENTAZIONE IN IMMAGINI CLINICHE ESEMPIO Codice frequenza 9414 Colore 5 Codice frequenza 7548Colore 44 Codice frequenza 107Colore 177 Codice frequenza 1Colore 40 Codice frequenza 2Colore 12 Codice frequenza 1Colore 60 ……

18 IL BINDING PROBLEM: EVIDENZA DI ATTRATTORI CAOTICI NELLE OSCILLAZIONI CORTICALI A 40 Hz

19 BINDING PROBLEM - Dove origina lunità delle percezioni ? Esiste una struttura cerebrale preposta a questo binding funzionale? - Forse la soluzione è l organizzazione delle onde gamma (~ 40 Hz) emesse dai neuroni corticali - Come risposta a diversi stimoli sensoriali si formano pattern autoorganizzati

20 CORTECCIA ENTORINALE (ERC) - E stato dimostrato che lattività gamma nella corteccia entorinale puo essere riprodotta con applicazione di carbacolo - Abbiamo usato corteccia di cavia in vitro - Lattività gamma è stata registrata da microelettrodi posti in 5 diversi punti della ERC

21 CORTECCIA ENTORINALE (ERC) Siti di registrazione nella ERC e segnali rilevati

22 RETI NEURALI AUTOORGANIZZANTI (Self Organizing Map) - Ricerca di strutture nei dati in mancanza di classi note (clustering) - Limiti: - lo strato competitivo non puo seguire input strettamente non lineari - manca esplicitazione delloutput

23 ITSOM (Inductive Tracing Self-Organizing Map) - Se una SOM e applicata a dati strutturati, la serie temporale dei neuroni vincenti tende a ripetersi - Si forma una configurazione ciclica che caratterizza univocamente lo stream di input - Non e necessario giungere alla convergenza: la configurazione si stabilizza dopo poche epoche

24 ITSOM - Codifica le configurazioni di neuroni vincenti con algoritmo z-score: - I punteggi cumulativi di ciascun input vengono normalizzati secondo la distribuzione della variabile standardizzata z = (x - m )/s

25 ITSOM z = 1 per z>t z = 0 per z t Ogni configurazione sara rappresentata da un numero binario, formato da tanti 1 e 0 quanti i neuroni dello strato competitivo.

26 ITSOM

27 - Carico computazionale lineare - Processo induttivo pochi-a-molti da configurazioni cicliche note allintero stream di input. - Puo riconoscere tipici attrattori quando compaiono nella serie temporale.

28 ANALISI NON LINEARE DIMENSIONE DI CORRELAZIONE D2 –D2 e una misura della complessità dellattrattore e dipende dal numero di punti che nella serie embedded stanno ad una distanza prefissata fra loro –D2 e limite inferiore per la dimensione frattale di Hausdorff

29 ANALISI NON LINEARE PARAMETRO DI HURST Una serie autosimilare mostra dipendenza a lungo raggio, con funzione di autocorrelazione r(k) ~ k – per k 0< <1

30 ANALISI NON LINEARE Lautosimilarità è espressa da H = 1 – b/2 Per serie autosimilari ½ < H < 1 D = 2 – H D dimensione di Hausdorff

31 RECURRENCE QUANTIFICATION ANALYSIS - Analizza le distanze fra coppie di punti di serie ricostruite - Localizza caratteristiche locali (adatta per segnali fisiologici rapidamente variabili) - DET (Determinismo): percentuale di punti ricorrenti in sequenza ; corrisponde al valore del massimo esponente di Lyapounov della serie (L>0 per sistemi caotici)

32 RISULTATI - I segnali sono stati considerati simultaneamente per evidenziare correlazioni fra siti distanti - Elaborazione delle serie di neuroni vincenti con MATLAB/SIMULINK - Scarsa correlazione fra siti distanti prima dellapplicazione di carbacolo - Dopo linduzione di attività gamma compaiono pattern caotici

33 RISULTATI Serie dei neuroni vincitori prima e dopo applicazione di carbacolo - spazio delle fasi

34 RISULTATI Valutazione quantitativa: H < 0.4 prima di carbacolo > 0.5 (fino a 0.8) dopo carbacolo D sia prima che dopo lo stimolo (parametro caratteristico del sistema) DET fino a 98% dopo lo stimolo

35 RISULTATI VISUAL RECURRENCE ANALYSIS Pattern organizzati in corrispondenza di alti valori di H

36 ANALISI SULLE SERIE ORIGINALI - Metodo lineare : power spectrum e cross power spectrum < Metodi non lineari: - valori di H spesso meno significativi - maggior sensibilità di ITSOM o falsi positivi ? RISULTATI

37 Pattern autoorganizzati in serie originali VISUAL RECURRENCE ANALYSIS

38 CONCLUSIONI - Lanalisi attraverso rete neurale conferma lesistenza di pattern caotici autoorganizzati in presenza di onde gamma - Lanalisi lineare non evidenzia correlazioni fra siti distanti - Lanalisi non lineare conferma lesistenza di attrattori caotici ma meno frequentemente della rete neurale

39 CONCLUSIONI - E possibile identificare attrattori tipici attraverso il codice z-score e riconoscerli allinterno delle serie temporali - La rete neurale ITSOM permette di valutare la correlazione di tutti i siti di registrazione contemporaneamente


Scaricare ppt "APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA."

Presentazioni simili


Annunci Google