01/12/2008CAD polmonare1 Sistema CAD (Computer Aided Detection) per l’individuazione automatica di noduli polmonari. Gianfranco Gargano Università degli Studi di Bari Dipartimento Interateneo di Fisica “M. Merlin”

01/12/2008CAD polmonare2 MAGIC 5 Esperimento finanziato dall’INFN; Sedi INFN coinvolte: Bari, Napoli, Palermo, Pisa, Genova, Torino; Obbiettivo: Sviluppo di sistemi di diagnosi precoce in un’infrastruttura GRID; Sistemi sviluppati: –CAD mammografico –CAD polmonare –Sistema per la diagnosi della malattia di Alzheimer

01/12/2008CAD polmonare3 Obiettivo: Realizzare sistemi CAD (Computer Aided Detection) per l’individuazione di di lesioni tumorali in immagini mediche digitali.

01/12/2008CAD polmonare4 Enti finanziatori: Medical Application on a Grid Infrastructure Connection (MAGIC 5) - finanziato dall’INFN per il triennio Progetto di Ricerca di Interesse Nazionale (PRIN): Studio e Sviluppo di Sistemi Fisico- Computazionali per l ’ Analisi Distribuita di Immagini Biomediche - finanziato dal MIUR per il biennio

01/12/2008CAD polmonare5 Obiettivi CAD Mammografico: è stato sviluppato un CAD per l’individuazione di lesioni tumorali massive in immagini mammografiche digitalizzate. CAD Polmonare: –è stato realizzato un CAD completamente automatico per l’individuazione di lesioni tumorali in immagini TC (Tomografia Computerizzata) a bassa dose; –è in fase di perfezionamento e validazione un altro CAD basato su tecniche non standard: colonie di formiche virtuali.

01/12/2008CAD polmonare6 Perché CAD polmonari? Il tumore polmone è quello con la più alta mortalità; La necessità di velocizzare i programmi di screening. La necessità di migliorare le prestazioni dei radiologi impegnati in programmi di screening;

01/12/2008CAD polmonare7 CAD Mammografico.

01/12/2008CAD polmonare8 CAD Mammografico Segmentazione del parenchima mammario: mediante un algoritmo Region Growing. Individuazione di Regioni di Interesse (ROI): mediante l’individuazione di contorni di iso-intensità contenenti massimi locali di luminosità. Caratterizzazione delle ROI mediante features estratte dalle matrici di cooccorrenza dei toni di grigio (Haralik). Classificazione delle ROI mediante una rete neurale feed forward.

01/12/2008CAD polmonare9 CAD Mammografico N:Negative VP: Vere Postive NIP: Negative in Immagini positive

01/12/2008CAD polmonare10 CAD Mammografico Istogrammi delle 8 features:

01/12/2008CAD polmonare11 CAD Mammografico Rete Neurale feed forward a due strati; Il numero di neuroni di ogni strato è stato ottimizzato; I parametri della rete sono stati ottimmizzati; La rete è stata addestrata e testata adoperando una procedura di croos validation bilanciata.

01/12/2008CAD polmonare12 Risultati CAD Mammografico Area:0.783

01/12/2008CAD polmonare13 CAD Mammografico Bellotti R., De Carlo F., Tangaro S., and Gargano G. et al. “ A completely automated cad system for mass detection in a large mammographic database. ” Medical Physics, 33(8): , 2006.

01/12/2008CAD polmonare14 CAD Mammografico Il database di immagini mammografiche adoperato per validare il CAD è rappresentativo di quello che potrebbe essere uno screening sulla popolazione; L’efficienza che otteniamo è vicina allo stato dell’arte; Questo ci fa credere che l’uso del nostro CAD in programmi di screening potrebbe portare all’aumento dell’efficienza di tali programmi.

01/12/2008CAD polmonare15 CAD Mammografico Protocolli di intesa con BRACCO ed EURIX per il trasferimento tecnologico dei CAD mammografici La Regione Umbria ha manifestato la volontà di adoperare il nostro CAD nell’ambito di programmi di screening.

01/12/2008CAD polmonare16 CAD Polmonare

01/12/2008CAD polmonare17 CAD Polmonare Individuazione del parenchima polmonare. Individuazione dei candidati nodulo all’interno del parenchima. Classificazione dei candidati nodulo

01/12/2008CAD polmonare18 Segmentazione del parenchima Tramite un region growing si accresce la regione interna dei polmoni. Qualora in alcune slice i polmoni risultino in contatto, verranno separati tramite una procedura iterativa. Bisogna includere nel parenchima le concavità con piccolo raggio di curvatura. Convex Hull? Si simula la dinamica di un elastico incollato al bordo della sezione del polmone in analisi.

01/12/2008CAD polmonare19

01/12/2008CAD polmonare20 Individuazione dei Candidati Noduli I candidati nodulo all’interno del volume segmentato in precedenza vengono individuati applicando iterativamente un algoritmo region growing.

01/12/2008CAD polmonare21 Individuazione dei Candidati Noduli Combinazione lineare di due regole di inclusione: 1.Mean Bottom Threshold: vengono inclusi i voxel la cui intensità luminosa, mediata con quella dei 26 voxel vicini, è maggiore di una soglia (t 1 ); 2.Simple Bottom Threshold; vengono inclusi i voxel la cui intensità luminosa è maggiore di una soglia (t 2 );

01/12/2008CAD polmonare22

01/12/2008CAD polmonare23 15 TC polmonari acquisite a bassa dose (512 x 512 x 310 voxel); 26 noduli (15 interni e 11 pleurici); Database adoperato per validare il sistema:

01/12/2008CAD polmonare24 Riduzione dei falsi positivi A causa del rumore (TC a bassa dose) per ogni TC vengono individuate alcune migliaia di strutture; Oltre l’80% è costituito da meno di 3 voxel;

01/12/2008CAD polmonare25 Riduzione falsi positivi (fp) Sfericità Intensità massima Volume Deviazione Standard dei toni di grigio Raggio

01/12/2008CAD polmonare26 Riduzione dei falsi positivi Filtro rule based: Si effettuano due tagli sul volume: V 1 <V<V 2 In uscita del filtro abbiamouna sensibilità del 88.5% (23/26) e circa 120 falsi positivi. Rete Neurale feed forward: con i candidati nodulo rimanenti, tramite una procedura di cross validation di tipo leave one out, si è addestrata una rete neurale feed forward con uno strato nascosto.

01/12/2008CAD polmonare27 Risultati CAD polmonare. Sensibilità ~ 80% FP ~ 3

01/12/2008CAD polmonare28 Confronto con altri CAD 4. M.S. Brown, J.G. Goldin, S. Rogers, H.J. Kim, R.D. Suh, M.F. McNitt-Gray, S.K. Shah, D. Truong, K. Brown, J.W. Sayre, D.W. Gjertson, P. Batra, and D.R. Aberle, “Computer-aided Lung Nodule Detection in CT: Results of Large- Scale Observer Test”, Academic Radiology 12 (6), (2005). 6.K. Suzuki, S.G. Armato III, F. Li, S. Sone, and K. Doi, “Massive training arti- ficial neural network (MTANN) for reduction of false positives in computerized detection of lung nodules in low-dose computed tomography”, Medical Physics 30 (7), (2003). 7.M.N. Gurcan, B. Sahiner, N. Petrick, H.-P. Chan, E.A. Kazerooni, P.N. Cas- cade, and L. Hadjiiski, “Lung nodule detection on thoracic computed tomog- raphy images: Preliminary evaluation of a computer-aided diagnosis system”, Medical Physics 29 (11), (2002). 8.Y. Lee, T. Hara, H. Fujita, S. Itoh, and T. Ishigaki, “Automated Detection of Pulmonary Nodules in Helical CT Images Based on an Improved Template- Matching Technique”, IEEE Transaction on Medical Imaging, Vol. 20, No. 7, (2001). 9.9 A.S. Roy, S.G. Armato III, A. Wilson, K. and Drukker, “Automated detection of lung nodules in ct scans: False positives reduction with the radial-gradient index”, Medical Physics 33 (4), (2006).

01/12/2008CAD polmonare29 CAD Polmonare Bellotti R., De Carlo F., Gargano G. ∗, Tangaro S. “ A completely automated CAD system for Nodule Detection in Lung CTs based on Region Growing and Active Contour Models ”, sottomesso per la pubblicazione a Medical Physics 34 (12), December 2007

01/12/2008CAD polmonare30 Conclusioni Obiettivo naturale di questo tipo di ricerche è il trasferimento tecnologico, inteso come reale uso presso strutture ospedaliere in protocolli di screening dei CAD sviluppati. Il CAD mammografico è prossimo ad un effettivo uso in programmmi di screening. I risultati ottenuti dal CAD polmonare ci fanno credere che potrebbe essere usato in programmi di screening. Questo sarà l’obiettivo delle mie ricerche future.

01/12/2008CAD polmonare31 Pubblicazioni 1. “ Artificial Life Models in Lung CTs ” S.C. Cheran, G. Gargano. Lecture Notes in Computer Science, Volume 3907 / pp. 510 – “ Artificial Life Models in Lung CTs ” M. Castellano, A. Aprile, R. Bellotti, P. Cerello, S.C. Cheran, G. Gargano, E.L. Torres, S. Tangaro. GESTS Int ’ l Trans. Computer Sciente and Engr., Junuary 2006, Vol.27, No.1 pg (award come migliore contributo del mese) 3.“ Computer-Aided Diagnosis for Lung CT Using Artificial Life Models ” S.C. Cheran, G. Gargano. Seventh International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC'05), September 2005 pp “ A massive lesion detection algorithm in mammography ” F. Fauci, G. Raso, R. Magro, G. Forni, A. Lauria, S. Bagnasco, P. Cerello, S.C. Cheran, E. Lopez Torres, R. Bellotti, F. De Carlo, G. Gargano, S. Tangaro, I. De Mitri, G. De Nunzio, R. Cataldo. Physica Medica, Vol. XXI, N. 1, Junuary-March 2005, pp

01/12/2008CAD polmonare32 Pubblicazioni 5. “ A completely automated CAD system for mass detection in a large mammographic database ” Bellotti R., De Carlo F., Gargano G., Maggipinto G., Tangaro S., Castellano M., Massafra R., Cascio D., Fauci F., Magro R., Raso G., Lauria A., Forni G., Bagnasco S., Cerello P.,Cheran S.C., Lopez Torres E., Bottigli U., Masala G.L., Oliva P., Retico A., Fantacci M.E., Cataldo R., De Mitri I., De Nunzio G. Medical Physics, August 2006 – Volume 33, Issue 8, pp

01/12/2008CAD polmonare33 Grazie per l’attenzione.