Università degli Studi di Roma “Tor Vergata” Facoltà di Ingegneria Tesi di Laurea in Ingegneria Elettronica Analisi di immagini mammografiche per la classificazione.

Presentazione sul tema: "Università degli Studi di Roma “Tor Vergata” Facoltà di Ingegneria Tesi di Laurea in Ingegneria Elettronica Analisi di immagini mammografiche per la classificazione."— Transcript della presentazione:

1 Università degli Studi di Roma “Tor Vergata” Facoltà di Ingegneria Tesi di Laurea in Ingegneria Elettronica Analisi di immagini mammografiche per la classificazione di microcalcificazioni Candidata Caterina Rapisarda Relatore Prof. Marcello Salmeri Correlatrice Ing. Giulia Rabottino

2 Sommario Il tumore al seno La mammografia Il sistema d’elaborazione La segmentazione Estrazione delle caratteristiche Sviluppi futuri Conclusioni Il classificatore

3 Il tumore al seno È la prima causa di morte per tumore nel sesso femminile Colpisce 1 donna su 10 37.000 nuovi casi ogni anno in Italia Diagnosi precoce Il tumore può manifestarsi sotto due forme: masse emicrocalcificazioni  Morfologia, grandezza, numero e distribuzione  All’esame istologico si riscontrano nel 60-80 % dei carcinomi  30-50 % dei casi rilevati tramite mammografia Microcalcificazioni

4 La mammografia Vista MLO (Medio- Lateral- Oblique) Vista CC (Cranio- Caudal) Scarso contrasto Variabilità delle dimensioni delle lesioni Scarsa definizione dei margini Fattori umani Non invasiva Economica Poche radiazioni Il 10-30% delle lesioni non viene identificato durante lo screening Sistema CADx di sussidio al radiologo

5 Mammografia selezione della regione di interesse (ROI) … Estrazione delle caratteristiche Forma (2D) Classificatore Indice di malignità Texture (3D) Segmentazione Denoising e enhancement Il sistema d’elaborazione Database DDSM University of South Florida

6 La segmentazione Mammografia selezione della regione di interesse (ROI) … Estrazione delle caratteristiche Forma (2D) Classificatore Indice di malignità Texture (3D) Segmentazione Denoising e enhancement

7 La segmentazione: risultati originale enhanced maschera

8 Estrazione delle caratteristiche Mammografia selezione della regione di interesse (ROI) … Estrazione delle caratteristiche Forma (2D) Classificatore Indice di malignità Texture (3D) Segmentazione Denoising e enhancement

9 Area delle microcalcificazioni Area media Perimetro del cluster Circolarità media Eccentricità media Compattezza media delle microcalcificazioni Microcalcificazione di area massima Microcalcificazione di area minima Deviazione standard dell’area Distanza delle microcalcificazioni Deviazione standard delle distanze Distanza media Area totale delle microcalcificazioni Area del cluster Centro delle microcalcificazioni Caratteristiche di forma

10 Entropia media del cluster Deviazione standard dell’entropia Intensità massima, minima e media delle microcalcificazioni Deviazione standard delle intensità Valore medio del contorno di grigio Differenza media Skew function e skew function modificata Parametri di Haralick Caratteristiche di texture  Secondo momento angolare  Contrasto  Correlazione  Varianza  Momento differenziale inverso  Somma di media, varianza, entropia  Varianza ed entropia differenziali  Misura della correlazione  Massimo coefficiente di correlazione

11 Il classificatore Mammografia selezione della regione di interesse (ROI) … Estrazione delle caratteristiche Forma (2D) Classificatore Indice di malignità Texture (3D) Segmentazione Denoising e enhancement

12 Scelta delle caratteristiche Istogramma non sovrappostoIstogramma sovrapposto Caratteristica discriminanteCaratteristica non discriminante Perimetro medio Haralick_7 Intensità media

13 Il classificatore fuzzy Reti neuraliClassificatore fuzzy Black box Struttura della rete di addestramento I valori delle variabili sono espressi con parole del linguaggio comune Il radiologo può capire il sistema ed interagire con esso Regole Ingressi I sistemi fuzzy sono più flessibili e più semplici da comprendere Funzioni di appartenenza per gli ingressi Nessuna possibilità d’interazione

14 Risultati La fase di segmentazione è fondamentale per una corretta estrazione delle caratteristiche e quindi per un buon sistema di classificazione Testing data FIS output 0: microcalcificazioni benigne 1: microcalcificazioni maligne Soglie Percentuale di malignità Lista di priorità 0 1 Maligne Dubbie Benigne 0% 100%

15 Sviluppi futuri Implementazione hardware CADx in tempo reale Progetto Telesal ENHANCEMENT della qualità dell’immagine IDENTIFICAZIONE delle lesioni Sistema CADxRadiologo CLASSIFICAZIONE delle lesioni IDENTIFICAZIONE delle lesioni CLASSIFICAZIONE delle lesioni DIAGNOSI Ambulanza di screening Satellite Centro medico Mammografia digitale Lista di priorità Archivio

16 In questo lavoro di tesi è stato sviluppato un sistema di classificazione in grado di associare un indice di malignità ai cluster di microcalcificazioni una volta individuati nella mammografia Per la classificazione, si è usato un sistema fuzzy, addestrato attraverso l'uso di immagini scelte tra le più significative I risultati della fase di segmentazione sono risultati fondamentali per la buona riuscita della classificazione Conclusioni

17 Bibliografia N.Szkely N. Tth and B. Pataki, “A hybrid system for detecting masses in mammograpich images”, IEEE Transactions on instrumentation and measurment, vol. 55, no. 5, June 2006. Stewart B. W. and Kleihues P. (Eds), World Cancer Report, IARC Press, Lyon, 2003. F. Caselli, “Elaborazione di immagini mediante trasformata wavelet. applicazione alla mammografia digitale”, Tesi di laurea in ingegneria medica, University of Rome Tor Vergata, 2004. University of South Florida, “University of south Forida digital mammography home page”," 2000. G. Rabottino, “Analisi di immagini mammografiche per la classificazione di masse tumorali”, Tesi di laurea specialistica in ingegneria elettronica, University of Rome Tor Vergata, 2007. www.mathworks.com, “The mathworks - matlab and simulink for technical computing”, 2007. “Telesal - offerta tecnica”, progetto pilota esecutivo di telemedicina," 2007. F. Martini, “Studio e implementazione di una architettura hw su fpga per il processamento di immagini digitali," Tesi di laurea specialistica in ingegneria elettronica, University of Rome Tor Vergata, 2007. R.M. Rangayyan, N.M. El-Faramawy, J.E.L. Desautels, and O.A. Alim, “Measures of acutance and shape for classification of breast tumors”,IEEE Transactions on medical imaging, vol. 16, no. 6, December 1997.