APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA

RETE AUTOORGANIZZANTE PER LA SEGMENTAZIONE DI IMMAGINI DIAGNOSTICHE

SEGMENTAZIONE IN IMMAGINI CLINICHE Il riconoscimento automatico di regioni anatomiche è un importante aiuto al decision-making clinico Scopi diagnostici, terapeutici, chirurgici E’ importante avere strumenti che lavorino in tempo reale

SEGMENTAZIONE IN IMMAGINI CLINICHE Nel caso chirurgico , immagini TAC o RM vengono convertite in simulazioni 3D usate dal chirurgo in tempo reale per localizzare la regione da operare E’ necessario segmentare l’immagine per confrontarla con un atlante funzionale in modo da vedere quali aree non danneggiare

SEGMENTAZIONE IN IMMAGINI CLINICHE La segmentazione consiste nel raggruppare i pixel in regioni uniformi secondo certi criteri La segmentazione è essenzialmente un problema di classificazione L’algoritmo “region growing” aggrega i pixel a partire da un seme cui aggiunge man mano pixel con proprietà simili

SEGMENTAZIONE IN IMMAGINI CLINICHE E’ importante la scelta del seme e non è facile da automatizzare In genere ogni tecnica richiede la scelta manuale di una “regione di interesse” e dei criteri di inclusione. Infine l’esperto deve etichettare le regioni ottenute.

SEGMENTAZIONE IN IMMAGINI CLINICHE Nel caso delle immagini diagnostiche le regioni di interesse hanno una topologia molto complessa E’ necessario usare un classificatore non lineare Le reti neurali sono quindi una scelta opportuna

SEGMENTAZIONE IN IMMAGINI CLINICHE Le reti neurali supervisionate vanno allenate con una serie di pattern La variabilità delle immagini cliniche è enorme: pazienti differenti, scansioni differenti. Difficile quindi trovare esempi sufficienti e generalizzare per una rete supervisionata

SEGMENTAZIONE IN IMMAGINI CLINICHE Le reti non supervisionate (SOM) hanno un tempo di apprendimento più breve ma troppo lungo per il tempo reale L’output della SOM, che produce un clustering, va trattato dall’esperto per dare il corretto significato alle classi. Difficile usare in ciclo chiuso.

SEGMENTAZIONE IN IMMAGINI CLINICHE Per pattern organizzati la sequenza temporale dei neuroni vincitori tende a ripetersi La sequenza caratterizza univocamente l’input che la ha determinata. E’ possibile classificare anche input con topologia complessa

SEGMENTAZIONE IN IMMAGINI CLINICHE Non è necessario arrivare a convergenza Una buona sequenza non supera i 20 cicli E’ necessario confrontare le sequenze di neuroni vincitori con un reference set che dia loro un’interpretazione automatica

SEGMENTAZIONE IN IMMAGINI CLINICHE Algoritmo z-score I punteggi di ciascun input vengono normalizzati secondo Z= (x – m)/s m media su tutti i neuroni dello strato competitivo s deviazione quadratica media

SEGMENTAZIONE IN IMMAGINI CLINICHE Viene posta una soglia 0<=t<=1 t.c. z=1 per z>t z=0 per z<=t A stringhe binarie identiche corrispondono input identici. Tecnica utile per elaborazioni in tempo reale (robotica)

SEGMENTAZIONE IN IMMAGINI CLINICHE L’immagine del paziente va segmentata in due tessuti principali: materia bianca e materia grigia. Le immagini sono file DICOM 256x256 il cui header è stato rimosso per ottenere una matrice con 256 livelli di grigio.

SEGMENTAZIONE IN IMMAGINI CLINICHE La rete neurale è stata configurata per ricevere griglie 2x2 pixel in input sotto forma di 4 livelli di grigio. Lo strato competitivo è stato settato a 15 unità. Dopo 10-15 epoche la rete si stabilizza.

SEGMENTAZIONE IN IMMAGINI CLINICHE In modo del tutto automatico viene scelto il reference set che servirà a riconoscere i codici z-score emessi dalla rete Vengono scelti i codici emessi con più alta frequenza, che sono i grigi scuri. Il sistema converte i codici nel livello di grigio corrispondente, ottenendo l’immagine segmentata.

SEGMENTAZIONE IN IMMAGINI CLINICHE ESEMPIO Codice 000000000100000 frequenza 9414 Colore 5 Codice 000000000000010 frequenza 7548 Colore 44 Codice 000010000000011 frequenza 107 Colore 177 Codice 000000100000010 frequenza 1 Colore 40 Codice 000000101100000 frequenza 2 Colore 12 Codice 011000100001100 frequenza 1 Colore 60 ……

EVIDENZA DI ATTRATTORI CAOTICI NELLE OSCILLAZIONI CORTICALI A 40 Hz IL BINDING PROBLEM: EVIDENZA DI ATTRATTORI CAOTICI NELLE OSCILLAZIONI CORTICALI A 40 Hz

BINDING PROBLEM - Dove origina l’unità delle percezioni ? Esiste una struttura cerebrale preposta a questo binding funzionale? - Forse la soluzione è l’ organizzazione delle onde gamma (~ 40 Hz) emesse dai neuroni corticali - Come risposta a diversi stimoli sensoriali si formano pattern autoorganizzati

CORTECCIA ENTORINALE (ERC) - E’ stato dimostrato che l’attività gamma nella corteccia entorinale puo’ essere riprodotta con applicazione di carbacolo - Abbiamo usato corteccia di cavia in vitro - L’attività gamma è stata registrata da microelettrodi posti in 5 diversi punti della ERC

CORTECCIA ENTORINALE (ERC) Siti di registrazione nella ERC e segnali rilevati

RETI NEURALI AUTOORGANIZZANTI (Self Organizing Map) - Ricerca di strutture nei dati in mancanza di classi note (clustering) - Limiti: - lo strato competitivo non puo’ seguire input strettamente non lineari - manca esplicitazione dell’output

ITSOM (Inductive Tracing Self-Organizing Map) - Se una SOM e’ applicata a dati strutturati, la serie temporale dei neuroni vincenti tende a ripetersi - Si forma una configurazione ciclica che caratterizza univocamente lo stream di input - Non e’ necessario giungere alla convergenza: la configurazione si stabilizza dopo poche epoche

ITSOM - Codifica le configurazioni di neuroni vincenti con algoritmo z-score: - I punteggi cumulativi di ciascun input vengono normalizzati secondo la distribuzione della variabile standardizzata z = (x - m )/s

ITSOM z = 1 per z>t z = 0 per z  t Ogni configurazione sara’ rappresentata da un numero binario, formato da tanti 1 e 0 quanti i neuroni dello strato competitivo.

ITSOM

ITSOM - Carico computazionale lineare - Processo induttivo pochi-a-molti da configurazioni cicliche note all’intero stream di input. - Puo’ riconoscere tipici attrattori quando compaiono nella serie temporale.

ANALISI NON LINEARE DIMENSIONE DI CORRELAZIONE D2 D2 e’ una misura della complessità dell’attrattore e dipende dal numero di punti che nella serie embedded stanno ad una distanza prefissata fra loro D2 e’ limite inferiore per la dimensione frattale di Hausdorff

ANALISI NON LINEARE PARAMETRO DI HURST Una serie autosimilare mostra dipendenza a lungo raggio, con funzione di autocorrelazione r(k) ~ k – per k   0<<1

ANALISI NON LINEARE L’autosimilarità è espressa da H = 1 – b/2 Per serie autosimilari ½ < H < 1 D = 2 – H D dimensione di Hausdorff

RECURRENCE QUANTIFICATION ANALYSIS - Analizza le distanze fra coppie di punti di serie ricostruite - Localizza caratteristiche locali (adatta per segnali fisiologici rapidamente variabili) - DET (Determinismo): percentuale di punti ricorrenti in sequenza ; corrisponde al valore del massimo esponente di Lyapounov della serie (L>0 per sistemi caotici)

RISULTATI - I segnali sono stati considerati simultaneamente per evidenziare correlazioni fra siti distanti - Elaborazione delle serie di neuroni vincenti con MATLAB/SIMULINK - Scarsa correlazione fra siti distanti prima dell’applicazione di carbacolo - Dopo l’induzione di attività gamma compaiono pattern caotici

RISULTATI Serie dei neuroni vincitori prima e dopo applicazione di carbacolo - spazio delle fasi

RISULTATI Valutazione quantitativa: H < 0.4 prima di carbacolo > 0.5 (fino a 0.8) dopo carbacolo D2 2.6-3.2 sia prima che dopo lo stimolo (parametro caratteristico del sistema) DET fino a 98% dopo lo stimolo

RISULTATI VISUAL RECURRENCE ANALYSIS Pattern organizzati in corrispondenza di alti valori di H

RISULTATI ANALISI SULLE SERIE ORIGINALI - Metodo lineare : power spectrum e cross power spectrum < 0.5 - Metodi non lineari: - valori di H spesso meno significativi - maggior sensibilità di ITSOM o falsi positivi ?

RISULTATI VISUAL RECURRENCE ANALYSIS Pattern autoorganizzati in serie originali

CONCLUSIONI - L’analisi attraverso rete neurale conferma l’esistenza di pattern caotici autoorganizzati in presenza di onde gamma - L’analisi lineare non evidenzia correlazioni fra siti distanti - L’analisi non lineare conferma l’esistenza di attrattori caotici ma meno frequentemente della rete neurale

CONCLUSIONI - E’ possibile identificare attrattori tipici attraverso il codice z-score e riconoscerli all’interno delle serie temporali - La rete neurale ITSOM permette di valutare la correlazione di tutti i siti di registrazione contemporaneamente