POLITECNICO DI BARI CORSO DI LAUREA IN INGEGNERIA INFORMATICA DIPARTIMENTO DI ELETTRONICA ED ELETTROTECNICA POLITECNICO DI BARI CORSO DI LAUREA IN INGEGNERIA INFORMATICA DIPARTIMENTO DI ELETTRONICA ED ELETTROTECNICA TESI DI LAUREA IN INFORMATICA MEDICA

Il tumore del colon-retto  Il tumore del colon-retto è la terza causa di morte per carcinoma nei paesi occidentali, registrando più di nuovi casi all’anno nel mondo di cui circa in Italia.  Le possibilità di sopravvivenza a 5 anni dalla diagnosi sono del 40%. Raggiungono però l’80% in caso di diagnosi precoce.  Le tecniche classiche di screening come la Colonscopia Ottica o la Sigmoidoscopia mirano all’individuazione e rimozione, mediante sonde, di polipi intestinali. Questi sono neoformazioni benigne sulla mucosa intestinale, che però possono degradare in tumori.

La colonscopia virtuale  La Colonscopia Virtuale è una tecnica diagnostica basata sulla ricostruzione in 3D del colon a partire da immagini radiologiche TAC dell’addome facilmente reperibili.

Vantaggi e limiti ControPro Non invasiva Accuratezza dell’85% per polipi >9mm Riduce tempi e costi Non consente la rimozione dei noduli Accuratezza del 48% per polipi <6mm

Obiettivi del progetto  Sviluppare un algoritmo che consenta di individuare possibili polipi in modo automatico, a partire da immagini TAC, con il maggiore grado di accuratezza possibile.  Comparare diversi approcci al problema, nell’ambito di tecniche di soft computing, per valutarne l’efficacia, pregi e difetti.

Reti neurali artificiali  Le reti neurali artificiali sono un’applicazione ingegneristica di Intelligenza Artificiale basata sulla riproduzione del funzionamento del cervello umano.  Benché siano solo lontanamente paragonabili alle reti neurali biologiche, esse rivestono un ruolo importante nella soluzione di problemi nel dominio subsimbolico, non riconducibili a soluzioni algoritmiche.  La caratteristica principalmente sfruttata è quella di pattern recognition: riuscire ad “imparare” a riconoscere oggetti a partire da esempi forniti.

Passi di sviluppo Le immagini vengono contrastate Vengono estratti i bordi del lumen del colon, zona di interesse Segmentazione e Preprocessing Esamina aree di 7x7 pixel e rileva i centri di eventuali polipi Addestrata su esempi reali ANN 2D Analizza i volumi centrati sui risultati della rete 2D E’ addestrata su un modello di distribuzione di densità di tipo Gaussiano 3D ANN 3D Filtro di Interfaccia Filtro di Output

Segmentazione  La segmentazione consente di estrarre dalle immagini solo le zone di interesse, al fine di snellire le operazioni successive.

Preprocessing  Il preprocessing consente di preparare le immagini per l’analisi successiva, mettendo in contrasto le forme.  Operazioni di contrasto, smoothing and sharpening, e scala.

Rete neurale 2D  Analizza singole slice, dati 2D da cui estrapola i possibili noduli in base a proprietà geometriche e densità di grigi.  Scansiona aree di 7x7 pixel, in base all’assunzione che i noduli sono facilmente riconoscibili se maggiori di 7mm.  E’ addestrata utilizzando casi reali di polipi, falsi positivi e negativi, in modo da rispondere con 0 se riconosciuto falso, 1 se polipo e 0.5 se falso positivo.

Output della rete  I risultati vengono filtrati con una soglia imposta a 0.7 e le coordinate immagazzinate in una struttura in base alla slice di appartenenza.

Filtro di interfaccia  Elabora i risultati ottenuti dalla prima rete in prospettiva volumetrica, prendendo in considerazione 7 slices, ovvero cubi di 7x7x7 pixel.  Unifica i risultati che su più slices consecutive si trovano nella stessa posizione, considerandoli come un unico candidato.  Elimina i centri riscontrati meno di 3 volte su un pacchetto di 7 slices, considerandoli falsi.

Filtri neurali (MTANN)  Le MTANN (Massive Training Neural Networks) sono reti neurali supervisionate a struttura non convenzionale di recente sviluppo.  Generalmente vengono utilizzate per elaborare immagini 2D e 3D al fine di metterne in risalto alcune caratteristiche.  Nel 2003 sono state applicate con successo in sistemi CAD per il rilevamento di tumori polmonari; nel 2007 si è tentato un primo approccio alla riduzione dei falsi positivi nei sistemi CAD per il rilevamento dei tumori del colon-retto.

Funzionamento della MTANN MTANN....

Osservazioni densitometriche  L’output della rete non è binario, bensì un volume elaborazione di quello di input al fine di farlo somigliare a un modello di polipo.  La costruzione del modello deriva da un’analisi densitometrica dei casi reali a disposizione effettuata mediante osservazione dei diagrammi di densità.  L’analisi ha permesso di definire 4 classi di intensità all’interno delle quali ricadono tutti i valori dei casi a disposizione.

Creazione del modello: valori

Creazione del modello: forma  Mentre per la distribuzione di densità si è utilizzato in modello della Gaussiana 3D, per riprodurre la forma dei polipi si è utilizzata una sfera. x z = 0 z = z = z = z = z = z = y z

Filtro di output  Il filtro neurale fornisce in uscita, per i polipi rilevati, una versione del volume input filtrata per assomigliare al modello; per le altre strutture, il volume di input viene filtrato per essere “cancellato”.  Il volume di output della rete viene inviato ad un altro filtro (filtro di output) il quale calcola l’errore quadratico medio tra il modello e l’output stesso, per valutarne il grado di somiglianza.  L’errore sarà basso per i polipi ed alto per i non-polipi.

Risultati  Il sistema sugli esami a disposizione è riuscito a riscontrare tutti i polipi di dimensione maggiore di 5mm, senza produrre falsi positivi.  Buone capacità di generalizzazione, supportate da soglie ampie, addestramento effettuato con un numero ridotto di esempi e test effettuati su esempi fittizi.  Buone prestazioni: la durata del processo di scansione di un intero esame (più di 500 immagini) è di circa 90 min su un Desktop PC Pentium IV, utilizzando meno di 150 Mb di RAM.