Tecniche di segmentazione delle patologie morfologiche dell’encefalo Università degli Studi di Trieste Facoltà di Ingegneria Corso di Laurea Triennale in Ingegneria Elettronica Tesi di laurea Tecniche di segmentazione delle patologie morfologiche dell’encefalo Laureando : Luca Zanella Relatore : Chiar.mo Prof. Paolo Inchingolo Correlatori : Dott. Ing. Federica Vatta Dott. Ing. Stefano Mininel Anno accademico 2003-2004

Segmentazione di immagini Suddivisione di un’ immagine in zone disgiunte in base ad un criterio di uniformità Fortemente legata all’ individuazione dei contorni

Obbiettivi tipici della segmentazione Esaltazione di una particolare regione rispetto ad altre strutture non di interesse presenti nell’immagine Separazione immagine in oggetto e sfondo Suddivisione immagine complessa in più sottoimmagini più semplici Individuazione dei contorni

Applicazioni generali La segmentazione risulta essere utile in diversi ambiti e discipline: Indagine astronomica (rilevamento di corpi celesti) Analisi della viabilità stradale Telerilevamento (analisi del territorio e della sua utilizzazione) Riconoscimento di oggetti e di persone Controllo di colture biologiche e batteriologiche

Applicazioni biomediche La segmentazione è particolarmente utile in campo biomedico per: Analisi di laboratorio per il conteggio di globuli rossi e piastrine ed altre masse cellulari Estrazione di strutture anatomiche da bioimmagini Estrazione di lesioni e patologie morfologiche da bioimmagini

Problema affrontato Segmentazione (binaria) per l’estrazione di lesioni dell’encefalo da immagini di risonanza magnetica Evidenziazione della sola lesione

Problematiche Intensità dei pixel non costante all’interno della regione Intensità dei pixel uguale per diverse strutture vicine Contorni poco evidenti e di forma complessa

Importanza ed applicazioni Estrazione di dati significativi sulle caratteristiche della lesione stessa: Dimensione Forma Localizzazione I dati così ottenuti possono essere sfruttati per: Tecniche di studio non invasive ( ad esempio evoluzione nel tempo della lesione ) Chirurgia guidata ( supporto visivo )

Motivazioni Segmentazione manuale possibile ma: Troppo dispendiosa Risultato troppo dipendente dall’utente Bassa efficienza Scarsa ripetibilità ed accuratezza Sviluppo e valutazione di algoritmi e di tecniche di segmentazione semi automatiche

Obbiettivo proposto Valutazione dell’applicabilità e delle prestazioni di algoritmi semiautomatici di segmentazione, per l’estrazione di lesioni dell’encefalo su immagini campione Determinazione dell’ accuratezza delle tecniche Algoritmi scelti tra quelli presenti in letteratura in base ad uno studio sul loro funzionamento e sulle loro caratteristiche teoriche riguardo vari aspetti (accuratezza, semplicità di utilizzo e di implementazione, possibilità di sviluppi futuri)

Contributo personale Implementazione software di quattro algoritmi di segmentazione: Thresholding Region Growing Watershed Fast Marching Method Implementazione di un algoritmo di valutazione dell’accuratezza delle segmentazioni Valutazione dell’applicabilità e delle prestazioni degli algoritmi Confronto con segmentazione manuale

Implementazione Programmazione in C++ Tool ITK (Insight Toolkit) della Kitware: Insieme di librerie di classi per la rappresentazione e l’elaborazione di immagini Numerosi filtri di elaborazione implementati Orientamento verso sviluppo di tecniche di segmentazione e di registrazione Open source e multi-platform Utilizzo dell’ambiente di sviluppo Unix sotto piattaforma Windows con emulatore Cygwin Creazione di applicazioni stand-alone

Struttura dei programmi Ogni programma di segmentazione è costituito da una cascata di blocchi di elaborazione Ogni algoritmo richiede un certo numero di elaborazioni effettuate in cascata ( schematizzate dal blocco filter)

Struttura blocco di elaborazione Fase di pre processing e fase di segmentazione Blocco di pre processing Blocco di segmentazione

Problematiche Ogni filtro richiede la definizione di vari parametri Settaggio dei parametri richiesti dai vari blocchi di elaborazione lungo e difficoltoso Risultato fortemente dipendente dal valore dei parametri Sviluppo di una procedura di ricerca dei parametri ottimali semiautomatica, che sfrutta le segmentazioni manuali

Caratteristiche immagini Tre serie di immagini di risonanza magnetica Caratteristiche delle lesioni trattate: Meningiomi e glomi maligni Contorni lisci Evidenziabili con mezzo di contrasto Presenza di edema perilesionale Prospettiva assiale T1 weighted grayscale 8 bit, 256x256 pixel Prospettiva assiale T1 weighted con mezzo di contrasto grayscale 8 bit, 256x256 pixel Prospettiva sagittale T1 weighted grayscale 8 bit, 256x256 pixel

Modalità dei test Test effettuati sulle tre serie di immagini di Risonanza Magnetica Segmentazioni manuali prese come riferimento Analisi dei valori degli indici di comparazione per ogni immagine e per ogni algoritmo

Indici di comparazione Indici di comparazione per la valutazione della precisione di una segmentazione: Falsi positivi (FP) Falsi negativi (FN) Veri positivi (TP) Indice di Tanimoto (TI):

Esempio di risultati (1) Immagine di partenza Segmentazione manuale Region growing Thresholding Fast marching method Watershed

Esempio di risultati (2) Immagine di partenza Segmentazione manuale Region growing Thresholding Fast marching method Watershed

Risultati ottenuti

Risultati ottenuti

Risultati ottenuti

Risultati ottenuti

Considerazioni sui risultati L’applicabilità delle tecniche di segmentazione per immagini di MR per l’estrazione di lesioni è stata testata con successo Algoritmi di region growing e di thresholding funzionano bene in considerazione all’applicazione proposta Algoritmi di watershed danno in media una segmentazione sovrabbondante Algoritmi di fast marching method producono in media una segmentazione insufficiente

Conclusioni Prestazioni complessive migliori per gli algoritmi di thresholding e di region growing Buone prestazione degli algoritmi di watershed che si sono rivelati promettenti Scarse prestazioni della tecnica fast marching method, che non fornisce ancora risultati buoni in questo contesto Sviluppi futuri: testare gli algoritmi implementati su altri set di immagini presentanti lesioni con caratteristiche diverse