Classificazione multivariata di scatole ippocampali 24/09/09 Magic-5 Workshop on Medical Imaging applications and tools Genova, 2 – 4 Dicembre 2009 Classificazione multivariata di scatole ippocampali Roberto Bellotti, Gianfranco Gargano, Laura Monno, Sonia Tangaro Dipartimento Interateneo di Fisica “M. Merlin” - Università degli Studi di Bari Istituto Nazionale di Fisica Nucleare - Sezione di Bari 1

Indice Sistema automatico di estrazione delle scatole ippocampali (HB) 24/09/09 Indice Sistema automatico di estrazione delle scatole ippocampali (HB) La tessitura: matrice di co-occorrenza 3D Estrazione delle features Classificazione Risultati sperimentali Conclusioni e Sviluppi Futuri 2

Sistema automatico di estrazione delle scatole ippocampali 24/09/09

La tessitura delle immagini 24/09/09 La tessitura delle immagini TESSITURA: Disposizione geometrica ripetitiva di livelli di grigio in un'immagine Caratteristiche dell'elemento di tessitura (texel) Potresti dire che le features di Haralik sono state pensate per distinguere tessiture in immagini naturali ma che possono essere applicate anche nel campo biomedico e citare il lavoro nostro di Mammografia. Conformazione Direzionalità Periodicità o scala 4

Statistica dei livelli di grigio 24/09/09 Statistica dei livelli di grigio Primo ordine Si osserva la ricorrenza di un valore di grigio (istogramma) Secondo ordine Si osserva la ricorrenza di una coppia di livelli di grigio ai capi di un segmento scelto nell'immagine secondo un'orientazione definita (istogramma bidimensionale o matrice di Co-Occorrenza).

Metodi statistici per l’analisi della tessitura Statistica del primo ordine Occorrenza di un dato valore di grigio in un pixel di una immagine Hisogram H(g) # di occorrenze 4096 Singolo pixel Statistica del II ordine Co-occorrenza di due valori di grigio in due pixel distinti di una immagine ad una data distanza e direzione H Di, Dj(g1,g2) # di co-occorrenze 4096 (Di, Dj) 4096

La matrice di Co-occorrenza 24/09/09 La matrice di Co-occorrenza Introdotta da Haralick[1] nel 1973 Direzione =0° Distanza d=1 Livello1 'grigio più scuro' g3 Livello2 'grigio più chiaro' g1 d=1 =0° g1 g2 g3 1 3 La matrice 2Md, (l1, l2) Ciascun valore indica il numero di coppie di pixel di intensità l1 ed l2 posti ad una distanza d nella direzione . [1] R.M. Haralick et al., IEEE Trans. Syst., Man Cybern., 6 (1973) 610

La matrice di co-occorrenza 24/09/09 La matrice di co-occorrenza nel caso 3D La matrice 3Md, dz, (l1, l2) Ciascun valore indica il numero di coppie di voxel di intensità l1 ed l2 posti ad una distanza d e sulla direzione nel piano X-Y e ad una distanza dz e sulla direzione  lungo la direzione Z.

24/09/09 Spazio delle features Selezione delle 4 features INDIPENDENTI DALLA NORMALIZZAZIONE estratte dalle matrici di co-occorrenza 3D calcolate per le scatole 30x70x30 voxel contenenti gli ippocampi. 9

Dalle scatole ippocampali 24/09/09 Dalle scatole ippocampali alla classificazione Scatole ippocampali 30x70x30 voxel Estrazione matrici di co-occorrenza 3D lungo le direzioni indicate in figura Calcolo di 4 features per ciascuna matrice Classificazione mediante rete neurale con numero di neuroni dello strato intermedio variabile SVM

Risultati: classificazione ANN e SVM 24/09/09 Risultati: classificazione ANN e SVM Dati: 59 malati - 67 sani

Risultati: classificazione n-fold Risultati relativi a n=15 e 5 neuroni nascosti

Conclusioni e Sviluppi futuri 24/09/09 Conclusioni e Sviluppi futuri È stata effettuata una classificazione tra soggetti sani e malati costruendo una matrice di co-occorrenza estesa al caso 3D ed indipendente dal tipo di normalizzazione dell'istogramma. Questi primi risultati ottenuti mostrano la concreta possibilità di investigare ulteriormente la tessitura tridimensionale dell'ippocampo e di altre zone cerebrali, al fine di perfezionare la capacità di discriminare tra sani e malati e di poter fare previsioni sui soggetti a rischio (Mild Cognitive Impairment - MCI). 13