La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Innovazione e Informazione Prospettive nella diagnosi precoce dei tumori al seno attraverso sistemi CADx University of Rome Tor Vergata Dept. of Electronic.

Presentazioni simili


Presentazione sul tema: "Innovazione e Informazione Prospettive nella diagnosi precoce dei tumori al seno attraverso sistemi CADx University of Rome Tor Vergata Dept. of Electronic."— Transcript della presentazione:

1 Innovazione e Informazione Prospettive nella diagnosi precoce dei tumori al seno attraverso sistemi CADx University of Rome Tor Vergata Dept. of Electronic Engineering

2 La genesi di una nuova ricerca Il sistema di elaborazione Segmentazione Estrazione delle caratteristiche Classificazione Risultati preliminari Il contesto e lo stato dellarte Identificazione della regione di interesse Sommario Progetti futuri

3 La genesi di una nuova ricerca Esperienze precedenti nei campi dellimage processing Opportunità di una collaborazione in area medica Identificazione del campo di interesse Processamento di immagini mammografiche allo scopo di assistere il medico nella individuazione dei segni tumorali

4 Colpisce 1 donna su 10 E la forma di tumore più comune nelle donne E la prima causa di morte per tumore delle donne Secondo le statistiche dellAIRC, in Italia: Circa nuovi casi ogni anno (4100 solo nel Lazio) Circa decessi ogni anno Spesa sanitaria: un miliardo di euro lanno giornate di degenza ospedaliera Intervento chirurgico Terapie e farmaci Esami diagnostici Tempo sottratto al lavoro E fondamentale diagnosticare precocemente le lesioni Il contesto e lo stato dell arte

5 Vista CC (Cranio-Caudal) Vista MLO (Medio-Lateral-Oblique ) La mammografia è attualmente il metodo più efficace per la diagnosi precoce più economica rispetto ad altri metodi non è invasiva meno radiazioni rispetto ad altre tecniche Il contesto e lo stato dell arte

6 E tra le analisi più difficili da interpretare Il contesto e lo stato dell arte Lastre fotografiche Acquisizione digitale 12 o 16 bit / pixel 12 o 16 bit / pixel 40 – 50 m / pixel 40 – 50 m / pixel Database DDSM

7 Linterpretazione è operatore dipendente Natura delle lesioni: Dimensioni ridotte Basso contrasto Margini poco definiti Microcalcificazioni Masse Il 10-20% delle lesioni non viene identificato Il contesto e lo stato dell arte

8 Mammografia di screening Il radiologo deve analizzare un gran numero di immagini Alto rischio di avere falsi negativi La maggior parte sono negative Con un sistema CADx I radiologi possono focalizzare lattenzione sui casi positivi o dubbi, riducendo: i tempi di attesa dei casi critici il numero di biopsie non necessarie Il contesto e lo stato dell arte

9 CAD Computer Aided Detection CAD Computer Aided Detection Identificazione delle regioni sospette nel mammogramma CAC Computer Aided Characterization CAC Computer Aided Characterization Estrazione di caratteristiche dalle regioni sospette CADx Computer Aided Diagnosis CADx Computer Aided Diagnosis Aiuto alla diagnosi per il radiologo, secondo lettore o primo lettore per radiologo inesperto Il contesto e lo stato dell arte

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

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

12 Template Matching ricerca di oggetti in unimmagine la cui geometria bi e tridimensionale somiglia ad una geometria data come modello FILTRO a IRIDE Grigliatura Grigliatura Individuazione di 4 regioni sospette con indice di pericolositàassociato Selezione della ROI

13 Mammografia selezione della regione di interesse (ROI) … Estrazione delle caratteristiche Forma (2D) Classificatore Indice di malignità Texture (3D) Segmentazione Denoising e enhancement Denoising e enhancement Miglioramento della qualit à

14 Il rumore nei mammogrammi Ha caratteristiche simili alle microcalcificazioni e quindi lanalisi multiscala (wavelet) Ha caratteristiche simili alle microcalcificazioni e quindi lanalisi multiscala (wavelet) è necessaria per ridurne leffetto senza alterare i segni tumorali. Ha caratteristiche statistiche che dipendono dallintensità di grigio del pixel e quindi Ha caratteristiche statistiche che dipendono dallintensità di grigio del pixel e quindi unanalisi preliminare deve stimare questa dipendenza La presenza di dati spuri dovuti ad artefatti, graffi, polvere, movimenti fisiologici del La presenza di dati spuri dovuti ad artefatti, graffi, polvere, movimenti fisiologici del paziente etc. necessita lutilizzo di stimatori e metodi di regressione robusta Rimozione del rumore

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

16 La dimensione delle microcalcificazioni (0.1 – 1 mm) rende necessario lutilizzo di un approccio multiscala mediante trasformata discreta wavelet non decimata e opportuni operatori a soglia per laumento del contrasto, con soglie e guadagni di tipo adattativo tarate sul rumore, sul rumore, sulle dimensioni caratteristiche delle microcalcificazioni sulle dimensioni caratteristiche delle microcalcificazioni sui valori di luminanza presenti nella ROI sui valori di luminanza presenti nella ROI Aumento del contrasto

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

18 Algoritmo di tipo Region Growing partendo da uno o più semi si aggiungono pixel adiacenti in base alla differenza di luminanza rispetto al seme di partenza in base a delle soglie e alla distanza. Al passo successivo si aggiornano le soglie. Problematiche Lalgoritmo è altamente efficiente, ma computazionalmente proibitivo Lalgoritmo è altamente efficiente, ma computazionalmente proibitivo Le soglie presenti devono essere legate ai valori di luminanza locali Le soglie presenti devono essere legate ai valori di luminanza localiSoluzione E stato trovata unottimizzazione algoritmica al fine di renderlo applicabile E stato trovata unottimizzazione algoritmica al fine di renderlo applicabile Mediante unanalisi di regressione le soglie sono state legate ai valori di luminanza locali Mediante unanalisi di regressione le soglie sono state legate ai valori di luminanza locali Segmentazione

19

20 originale maschera Segmentazione

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

22 Area e perimetro Statistiche del raggio Circolarità Rettangolarità Eccentricità Entropia Zero crossing Rugosità del bordo Geometric center Circle with mean radial length Radial lengths Bounding boxArea Estrazione delle caratteristiche

23 Estrazione del convex hull (poligono convesso contenente le microcalcificazioni) Distribuzione spaziale delle microcalcificazioni Area del cluster Estrazione delle caratteristiche

24 Angular second moment Contrast Correlation Variance Inverse different moment Sum average, variance, entropy Difference variance, entropy Information misures correlation Max correlation coefficient Caratteristiche di Haralick: Estrazione delle caratteristiche

25 Angular second moment Contrast Correlation Variance Inverse different moment Sum average, variance, entropy Difference variance, entropy Information misures correlation Max correlation coefficient Caratteristiche di Haralick: microcalcificazioni Estrazione delle caratteristiche

26 Istogramma sovrappostoIstogramma non sovrapposto Circolarità Raggio normalizzato Entropia Estrazione delle caratteristiche

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

28 Estrazione delle caratteristiche dal mammogramma Classificatore Informazioni provenienti dalla storia clinica del paziente Informazioni provenienti dallinterpretazione del radiologo Recenti modelli di classificazione di sistemi CADx. Nuovo modello di classificatore mediante sistema CADx con possibilità di interfacciamento bidirezionale con il personale medico specializzato Informazioni provenienti da altri radiologi Classificazione

29 I sistemi fuzzy sono più flessibili e comprensibili I valori delle variabili sono parole riprese dal linguaggio naturale è più vicino allintuizione umana Il radiologo può capire ed interagire con il sistema Reti neuraliBlack boxNon cè possibilità di interazione Sistemi fuzzy vs Il contesto e lo stato dell arte

30 Miglioramento della qualità dellimmagine Identificazione delle lesioni SISTEMA CADxRADIOLOGO Classificazione delle lesioni Identificazione delle lesioni Classificazione delle lesioni DIAGNOSI Il progetto finale

31 Ottimizzazione degli strumenti di image processing esistenti e creazione di nuovi algoritmi Sviluppo del sistema decisionale Sviluppo di un ambiente grafico Ingegnerizzazione del sistema Sviluppi futuri

32 M. Salmeri, A. Mencattini, E. Ricci, A. Salsano, Noise estimation in digital images using fuzzy processing, IEEE International Conference on Image Processing (ICIP 01), pp , Thessaloniki, Greece, October A. Mencattini, M. Salmeri, S. Bertazzoni, A. Salsano, Noise Variance Estimation in Digital Images Using Iterative Fuzzy Procedure, WSEAS Transactions on Systems, vol. 4, n. 2, pp , Athens, Greece, October A. Mencattini, F. Caselli, M. Salmeri, R. Lojacono, Wavelet Based Adaptive Algorithm for Mammographic Images Enhancement and Denoising, IEEE International Conference on Image Processing (ICIP 05), Genova, Italy, September A. Mencattini, M. Salmeri, R. Lojacono, F. Caselli, Mammographic Images Enhancement and Denoising for Microcalcification Detection Using Dyadic Wavelet Processing, IEEE Instrumentation and Measurement Technology Conference (IMTC 06), Sorrento, Italy, April A. Mencattini, M. Salmeri, R. Lojacono, G. Rabottino, S. Romano, Mammographic Image Analysis for Tumoral Mass Automatic Classification, EFOMP European Conference on Medical Physics (EFOMP 07), Castelvecchio Pascoli, Italy, September A. Mencattini, M. Salmeri, R. Lojacono, S. Romano, G. Rabottino, Breast cancer segmentation by means of wavelet analysis and morphological operators, EFOMP European Conference on Medical Physics (EFOMP 07), Castelvecchio Pascoli, Italy, September A. Mencattini, M. Salmeri, R. Lojacono, M. Arnò, Noise estimation in mammographic images for adaptive denoising, EFOMP European Conference on Medical Physics (EFOMP 07), Castelvecchio Pascoli, Italy, September A. Mencattini, M. Salmeri, R. Lojacono, M. Frigerio, F. Caselli, Mammographic Images Enhancement and Denoising for Detection of Tumoral Signs Using Dyadic Wavelet Processing, IEEE Transactions on Instrumentation and Measurement, in press. B.A. Mencattini, M. Salmeri, R. Lojacono, M. Frigerio, F. Caselli, Mammographic Images Enhancement and Denoising for Detection of Tumoral Signs Using Dyadic Wavelet Processing, IEEE Transactions on Instrumentation and Measurement, in press. Lelenco completo delle pubblicazioni è accessibile sul sito web Bibliografia

33 Marcello Salmeri, Arianna Mencattini, Giulia Rabottino, Alfredo Accattatis, Federica Caselli, Web site: Contatti


Scaricare ppt "Innovazione e Informazione Prospettive nella diagnosi precoce dei tumori al seno attraverso sistemi CADx University of Rome Tor Vergata Dept. of Electronic."

Presentazioni simili


Annunci Google