Diagnostica per Immagini XXIV SEMINARIO NAZIONALE di FISICA NUCLEARE E SUBNUCLEARE OTRANTO, Serra degli Alimini, 21-27 Settembre 2012 Diagnostica per Immagini Come estrarre l’informazione e renderla disponibile Sandro Squarcia Laboratorio di Fisica e Statistica Medica Dipartimento di Fisica - Sezione INFN di Genova Via Dodecaneso 33, 16146 Genova 010 353 6207 squarcia@ge.infn.it

Utilizzo delle immagini in HEP Anni ’80 Sviluppo delle tecnologie informatiche per l’analisi dei dati raccolti dai grandi esperimenti di FISICA in corso al CERN, Laboratori Nazionali INFN e altri Centri di Ricerca Anni ‘90 Sviluppo/applicazione di Metodi Computazionali basati sulla Intelligenza Artificiale (Reti Neurali) per l’identificazione di particelle subnucleari Anni 2000 Trasferimento tecnologico dei metodi sviluppati alla medicina e biologia

Dalla Fisica delle particelle elementari…

… alle applicazioni in biomedicina Trasferimento tecnologico dei metodi sviluppati alla medicina e biologia Analisi di segnali EEG, ECG, CT, MRI, PET, SPECT per Ricerca sulle diverse patologie Supporto alla diagnosi clinica tramite esperimenti dedicati

MAGIC-5 Medical Applications in a GRID Infrastructure Connection MIND Medical Imaging for Neurodegenerative Diseases

Classificazione Rumore Segnale valore del taglio 1 2 3 Segnale CLASSIFICATORE …… N valore del taglio per ogni valore del taglio: RR = RUMORE correttamente classificato RS = RUMORE classificato come SEGNALE SS = SEGNALE correttamente classificato SR = SEGNALE classificato come RUMORE

Sensibilità e specificità Classificazione Segnale Rumore SS RS SR RR Sensitività (efficienza) = SS/(SS+SR) Specificità (1-contaminazione) = RR/(RR+RS) Interessa valutare la capacità discriminante di un test e poter scegliere i cut off ottimali ossia la sua attitudine a separare correttamente il segnale e il rumore Questa è proporzionale all’estensione dell’area sottesa alla curva ROC

Receiver Operating Characteristic Le curve R.O.C. (dette anche Relative Operating Characteristic) sono un approccio per valutare la validità dei test diagnostici Metodologia sviluppata durante la II Guerra mondiale per l’analisi delle immagini radar e lo studio del rapporto segnale/disturbo Applicata in altri campi della tecnica e anche in campo medico (1971) inizialmente per l’attendibilità dei responsi delle immagini RX interpretate da operatori diversi poi nei più svariati test sia nel settore medico (valutazione dei test clinici di laboratorio)

Curva ROC L’unione dei punti ottenuti riportando nel piano cartesiano ciascuna coppia Sensibilità verso (1 - Specificità) genera una curva spezzata con andamento a scaletta Per interpolazione, è possibile eliminare la scalettatura (smoothing) ed ottenere una curva che rappresenta una stima basata sui parametri del data set sperimentale

ROC e Area Under Curve (AUC) I risultati intermedi predicono i valori migliori per la Sensibilità e la Specificità a seconda di quello che si vuole definire maggiormente importante chance line AUC = 0.5 L’area AUC sotto la curva offre una stima della bontà del test (se > 0.7 il test risulta accurato!)

Variazione AUC Segnale Rumore Rumore Segnale valore del taglio 1 1 SS/(SS+SR) SS/(SS+SR) CURVA ROC CURVA ROC 1 1 RS/(RR+RS) RS/(RR+RS)

Digitalizzazione

Obiettivi Qual è il miglior uso che possiamo fare delle immagini cliniche acquisite? Come si può “ottimizzare” un’immagine? Come è possibile sovrapporre immagini derivate da apparati (modalità) differenti? Come si possono ricavare (ovvero classificare) le informazioni quantitative di/da un’immagine? - Saper “aggiustare” la luminosità - Saper aumentare il contrasto - Saper uniformare, per mezzo di operazioni di filtraggio, le caratteristiche dell’immagine

Immagini analogico/digitali Achille (digitale) e la tartaruga (analogica) L’immagine radiografica è continua (analogica) Granuli di AgBr (2 m) infinitesimi rispetto al potere risolutivo dell’occhio umano (0.1 mm) L’immagine può essere considerata digitale se le dimensioni delle unità elementari sono “finite” Pregio delle immagini digitali è la loro notevole flessibilità  possibile elaborazione elettronica Un’immagine analogica può essere resa digitale ma non viceversa!

Digitalizzazione Si passa da un’immagine analogica ad un’immagine digitale suddividendo l’immagine in differenti pixel (quadratini contenenti “valori di annerimento)

Schema a blocchi immagazzinamento su supporto magnetico acquisizione immagini sistema di calcolo PACS manipolazione immagini Pictures Archive and Communication System

Sistema informatico ospedaliero PACS e RIS Scanner TIFF,BMP,.. Modalità Scanning Capture Aquisizione Image Server Stampanti Query Consultazione Visualizzazione Stampa

Risoluzione Maggiore è il numero di pixel migliore è la corrispondenza con l’immagine analogica 128 x 128 (16kB) 64 x 64 (4kB) 512 x 512 (262kB) 256 x 256 (65kB)

Profondità Indica il numero di bit necessari a rappresentare i valori della variabile oggetto della misura In radiologia digitale, per lo più, la variabile può assumere 1024 (210) diverse gradazioni di grigio La profondità è quindi di 10 bit Ad ogni pixel sono quindi associati 2 Byte (16 bit) Per memorizzare un’immagine 512 x 1024 sono necessari 2 • 512 • 1024 = 1048576 B (1 MB) un CD (700 MB) poteva contenere ~ 700 immagini La capacità risulta in continuo aumento (DVD)!

Campo di vista A parità di numero di pixel utilizzati si hanno risoluzioni differenti a seconda dell’area interessata che viene digitalizzata dettaglio = risoluzione spaziale

Voxel Le immagini digitali di interesse radiologico sono rappresentazioni visive di immagini spaziali (voxel) rappresentazioni sintetiche (somma corrispondente ad uno dei diametri corporei) oppure analitiche (spessore di uno strato)

Elaborazione

Luminosità Occorre passare da un valore di un’immagine I a uno schermo ove ogni punto ha luminosità L immagine I schermo L L’occhio umano non rileva un cambiamento di luminosità (contrasto) minore di circa il 2% La luminosità (dello schermo) deve essere proporzionale ad un numero fornito come input Con una operazione di mappatura (mapping) possiamo facilmente modificarla!

Visualizzazione Se l’immagine I ha intensità tra 0.0 ed 1.0 digitalizzazione D = f(I) con 0  D  1 immagine I immagine D luminosità L dello schermo operazione di mapping la funzione D = f(I) deve essere compresa tra un valore minimo Dmin e uno massimo DMAX anche non legati tra loro da una relazione lineare

Miglioramento del contrasto Immagine originale Miglioramento contrasto (contrast enhancement) tra 75% e 100%

Dispaly mapping ad una variazione I corrisponde una uguale variazione L I L 1 Mappatura lineare I L L I 1 zona utile più ristretta L I Mappatura a crescita di contrasto ad una variazione I corrisponde una variazione L più grande

Ottimizzazione Poiché l’occhio necessita di un contrasto del 2% nella parte più chiara occorre un contrasto di luminosità maggiore che nella parte più scura Se la luminosità dello schermo è L, ma deve essere costante la quantità L/L, allora: ove B e k sono due costanti derivabili dalla pendenza e dalla relazione esistente tra il valore immagine I e la luminosità sullo schermo L Modificando i parametri del dispaly mapping si modifica il contrasto dell’immagine elaborata L = B ekI

Equalizzazione Scelta del display mapping dipende dall’immagine: N(I) la maggioranza dei pixel cadono attorno al valor medio: pochi pixel molto chiari e pochi molto scuri I N(I) tutti i pixel sono equiprobabili Occorre “equalizzare” l’intensità di segnale video D(I) =  N(i) di

Visualizzazione Quindi, data un’immagine modificando la curva della luminosità si può ottenere la valorizzazione (maggiore contrasto) delle zone di maggior interesse I N(I)

Elaborazione Tramite l’elaborazione delle immagini (detta image processing) possiamo manipolare e modificare l’apparenza delle immagini stesse Le immagini mediche sono rumorose e confuse: occorre ridurre entrambi questi fattori se vogliamo rendere nel modo migliore il contrasto tra le differenti zone specie sulle aree di transizione Image smoothing (livellamento dell’immagine) Image restoration (ricostruzione dell’immagine) Image enhancement (intensificazione immagine)

Processamento Una mappatura di tipo esponenziale produce un’immagine 1 Intensità d’uscita Intensità in entrata produce un’immagine L = B ekV con B = 1/e3 e k =3

Filtri La rappresentazione schematica dell’azione di filtri su un’immagine nell’ipotesi di avere assorbimenti omogenei da parte del singolo oggetto centrale applicando una funzione matematica che agisca su ciascuna proiezione si ottiene l’immagine filtrata

Image smoothing Molte immagini sono rumorose L’ampiezza del rumore può essere ridotta mediando sui pixel adiacenti i + 1 j – 1 i i – 1 j j + 1 e si applica sia a casi bidimensionali sia, agendo sui voxel invece che sui pixel, a casi tridimensionali (matrice 3 x 3x 3)

Filtri Prendiamo filtro equalizzato di dimensioni 3 x 3 Il valor medio di ogni pixel risulta essere 1/9: 1/9 Applichiamolo ad una matrice 6 x 6 in modo da filtrare una semplice immagine

Filtraggio filtro immagine originale applicazione filtro 2 3 1 2 3 1 1/9 filtro 2 3 1 1/9 immagine originale applicazione filtro

Risultato gij =  m= -1, 1  k= -1, 1wkm fi+k, j+m ove wkm è il peso di ogni singolo valore Ad esempio: g33 = 1/9 (2 • 1 + 4 • 2 + 2 • 3) = 2 iterando…. 2 3 1 1.22 1.67 2.00 2.33 1.44 2.44 2.89 1.89 2.45 2.77 2.22

Iterazione Poiché il metodo è iterativo assume importanza se si calcola l’algoritmo sull’immagine iniziale o sull’immagine via via modificata e, in questo caso, da dove si parte 2 3 1 predominanza valori “bassi” predominanza valori “alti” come considerare i bordi? prevalenza? interpolazione?

Rumore Supponiamo che l’immagine f sia rumorosa con ogni pixel che ha varianza 2f indipendente dai pixel vicini 2g =  m= -1, 1  k= -1, 1w2km 2f Per il filtro applicato: 2g = 9 2f / 81 = 2f / 9 L’applicazione del filtro porta ad una diminuzione del rumore dell’immagine primitiva

Filtro 421 Un filtro molto utilizzato è 2g = 9 2f / 64 Esempio 1/16 2/16 4/16 Un filtro molto utilizzato è 2g = 9 2f / 64 Esempio 100 25 75 100

Comparazione immagini immagine iniziale filtro 421

Comparazione filtro costante Tanto più un filtro riduce rumore 33.3 66.6 100 25 75 100 filtro 421 Tanto più un filtro riduce rumore tanto più l’immagine risulta sfuocata ai margini

Filtri a cascata I filtri possono essere utilizzati in cascata Se i filtri sono lineari (a + b)  c = a  c + b  c ove  è il simbolo della convoluzione Se i filtri non sono lineari il risultato finale del filtraggio dipende dalla sequenza di applicazione Tra i filtri non lineari il più conosciuto utilizza la mediana al posto della media

Ricostruzione immagini

Analisi dell’immagine Si vuole l’estrazione di informazioni numeriche, o almeno oggettive, del contenuto di un’immagine Identificazione di oggetti all’interno del soggetto - elementi con le stesse caratteristiche - elementi con intensità diversa da un k fissato - bordi o separazioni tra elementi diversi Metodo manuale (e.g. nei PTS) i contorni degli elementi di interesse e degli elementi a rischio sono indicati mediante curve chiuse con colori diversi

dell’immagine elaborata Rilevamento dei bordi In questo caso si usa il gradiente di luminosità g’(x,y,z) = immagine g(x,y) bordo e(x,y) dell’immagine elaborata gradiente g’(x,y)

Ricostruzione Determinazione delle separazioni ottenuta fissando un livello di separazione (threshold)! immagine non elaborata threshold minimo threshold selezionato

Accrescimento delle regioni Scelto un pixel sono esaminati i pixel vicini Se il pixel è simile ai vicini (clusterizzazione) è aggregato, in caso contrario il pixel è eliminato Uso qualsiasi test di similitudine, usando media, mediana e varianza Necessario un pixel iniziale e poi il processo continua per induzione Differenti criteri di clusterizzazione possono determinare diverse scelte di aggregazione

Segmentazione in intensità Se fissiamo un livello (threshold) T e se Pi è l’intensità dell’elemento considerato Pi  T è l’oggetto Pi  T non è l’oggetto rumore di fondo intensità Numero di pixel C B B taglio A C A

Vantaggi della digitalizzazione Elaborazione dell'immagine ma refertazione sull’immagine “reale”! Estrazione di informazioni quantitative: misura di distanze, aree e volumi Trasferimento delle immagini in rete possibilità di teleradiologia e teleconsulto Utilizzo di basi di dati “storici” cartella clinica del paziente on-line Coregistrazione di immagini prese con modalità diverse (RX, TAC, MRI, …) Le immagini sono indipendenti dalla modalità!

Moderno Dipartimento di Radiologia PC Collegamenti in remoto CR Radiografi digitali Juke Box DVD Archivio per immagini (PACS) switch centrale WS Macchine per la refertazione clinica

PACS Picture Archive and Communication System gestione e trasferimento (in rete) delle immagini!

DICOM Standard di gestione integrata delle immagini digitali derivanti da diverse modalità Digital Imaging and COmmunications in Medicine sviluppato dal 1985 congiuntamente dall'ACR (American College of Radiology) e dalla NEMA (National Electrical Manufactures Association) Tutte le ditte produttrici di apparecchiature medicali offrono ora la possibilità di “trattare” immagini in formato DICOM In effetti tutte le apparecchiature devono poter comunicare tra loro anche se persistono ancora… …piccole differenze di implementazione

Caratteristiche DICOM Si basa sulla programmazione Object Oriented Definisce più classi di tipo immagine Ciascuna classe utilizza una specifica definizione applicabile ad una “differente modalità” Tutte condividono un insieme di informazioni che permettono la visualizzazione delle immagini indipendentemente dalla classe di appartenenza parametri della modalità di acquisizione posizione e formato delle informazioni il posizionamento è importante per poter elaborare le corrette sequenze di immagini e poter creare rappresentazioni tridimensionali

Struttura DICOM Come comunicare tutte queste informazioni? Il file che contiene i dati di una immagine DICOM è diviso in due parti: l’header che contiene la descrizione dei dati che seguono (informazioni oppure dati-immagine) i dati memorizzati byte per byte (pixel per pixel) Sfruttando le informazioni dell’header si possono leggere i dati (e quindi l’immagine) in modo tale da: poterla visualizzare correttamente e poterla poi elaborare

Digital Information and COmmunication in Medicine Schema Paziente è soggetto a Digital Information and COmmunication in Medicine Studio formato da Serie modalità di acquisizione sistema di riferimento contiene creano apparati clinici contiene Immagini definizione spaziale volumi di interesse sovrapposizione di piani definizione delle curve

NORMA Una cartella clinica per trasmissione di dati e immagini Network Oriented Remote Medical Archive

Connessione PACS Autenticazione utilizzatore AssociazioneDICOM

Monitoraggio connessione DICOM Struttura DICOM Visualizzazione dei dati scambiati dati

Dati paziente Lista pazienti Dati personali del paziente

DICOM Study Information Study list Study information

DICOM Series Information Series list Series information

Immagini Scelta della immagine Dump del DICOM dataset

Vi ringrazio per la gentile attenzione! Sono pronto a rispondere a tutte le vostre eventuali domande

Altri progetti

BNCT Boron Neutron Capture Therapy utilizzato con successo per la cura dei tumori con il reattore di Pavia

Progetto ELBA Rimozione del fegato Irradiazione del fegato con il “reattore” Ritorno in sala operatoria per il reimpianto del fegato

Strumenti innovativi Un misuratore di Ferro nel fegato (non invasivo!) per la diagnosi di anemie (thalassemia e mocromatosi ereditaria) Esperimento MID2 Dal febbraio 2005 misurati un migliaio di pazienti, oltre ai volontari, presso l’E.O. Galliera di Genova 67