Innovazione e Informazione

Presentazione sul tema: "Innovazione e Informazione"— Transcript della presentazione:

1 Innovazione e Informazione
University of Rome “Tor Vergata” Dept. of Electronic Engineering Innovazione e Informazione Prospettive nella diagnosi precoce dei tumori al seno attraverso sistemi CADx

2 Sommario La genesi di una nuova ricerca
Il contesto e lo stato dell’arte Il sistema di elaborazione Identificazione della regione di interesse Segmentazione Estrazione delle caratteristiche Classificazione Risultati preliminari Progetti futuri

3 Processamento di immagini mammografiche
La genesi di una nuova ricerca Esperienze precedenti nei campi dell’image processing Opportunità di una collaborazione in area medica Identificazione del campo di interesse Processamento di immagini mammografiche allo scopo di assistere il medico nella individuazione dei segni tumorali

4 Il contesto e lo stato dell’arte
Secondo le statistiche dell’AIRC, in Italia: E’ la forma di tumore più comune nelle donne Colpisce 1 donna su 10 E’ la prima causa di morte per tumore delle donne Circa nuovi casi ogni anno (4100 solo nel Lazio) Circa decessi ogni anno Spesa sanitaria: un miliardo di euro l’anno 4.000 giornate di degenza ospedaliera Intervento chirurgico Terapie e farmaci Esami diagnostici Tempo sottratto al lavoro E’ fondamentale diagnosticare precocemente le lesioni

5 Il contesto e lo stato dell’arte
Vista MLO (Medio-Lateral-Oblique) La mammografia è attualmente il metodo più efficace per la diagnosi precoce non è invasiva meno radiazioni rispetto ad altre tecniche più economica rispetto ad altri metodi Vista CC (Cranio-Caudal)

6 Il contesto e lo stato dell’arte
E’ tra le analisi più difficili da interpretare Lastre fotografiche Acquisizione digitale 12 o 16 bit / pixel 40 – 50 m / pixel Database DDSM

7 Il contesto e lo stato dell’arte
Masse Natura delle lesioni: Basso contrasto Dimensioni ridotte Margini poco definiti Microcalcificazioni L’interpretazione è “operatore dipendente” Il 10-20% delle lesioni non viene identificato

8 Il contesto e lo stato dell’arte
Il radiologo deve analizzare un gran numero di immagini Mammografia di screening La maggior parte sono negative Alto rischio di avere falsi negativi I radiologi possono focalizzare l’attenzione sui casi positivi o dubbi, riducendo: Con un sistema CADx i tempi di attesa dei casi critici il numero di biopsie non necessarie

9 CAD Computer Aided Detection 
Il contesto e lo stato dell’arte CAD Computer Aided Detection  Identificazione delle regioni sospette nel mammogramma CAC Computer Aided Characterization  Estrazione di caratteristiche dalle regioni sospette CADx Computer Aided Diagnosis  Aiuto alla diagnosi per il radiologo, secondo lettore o primo lettore per radiologo inesperto

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

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

12 Selezione della ROI Template Matching  ricerca di oggetti in un’immagine la cui geometria bi e tridimensionale “somiglia” ad una geometria data come modello FILTRO a IRIDE Grigliatura Individuazione di 4 regioni sospette con indice di pericolosità associato

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

14 Rimozione del rumore Il rumore nei mammogrammi
Ha caratteristiche simili alle microcalcificazioni e quindi l’analisi multiscala (wavelet) è necessaria per ridurne l’effetto senza alterare i segni tumorali. Ha caratteristiche statistiche che dipendono dall’intensità di grigio del pixel e quindi un’analisi preliminare deve stimare questa dipendenza La presenza di dati spuri dovuti ad artefatti, graffi, polvere, movimenti fisiologici del paziente etc. necessita l’utilizzo di stimatori e metodi di regressione robusta

15 Rimozione del rumore Filtro Passa-Basso Edge detector Soglia Negative
Signal Dependent Noise Variance Estimation Wavelet denoising Robust Median estimator Original Image

16 Aumento del contrasto La dimensione delle microcalcificazioni (0.1 – 1 mm) rende necessario l’utilizzo di un approccio multiscala mediante trasformata discreta wavelet non decimata e opportuni operatori a soglia per l’aumento del contrasto, con soglie e guadagni di tipo adattativo tarate sul rumore, sulle dimensioni caratteristiche delle microcalcificazioni sui valori di luminanza presenti nella ROI

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

18 Segmentazione Algoritmo di tipo Region Growing  partendo da uno o più semi si aggiungono pixel adiacenti in base alla differenza di luminanza rispetto al seme di partenza in base a delle soglie e alla distanza. Al passo successivo si aggiornano le soglie. Problematiche  L’algoritmo è altamente efficiente, ma computazionalmente proibitivo  Le soglie presenti devono essere legate ai valori di luminanza locali Soluzione  E’ stato trovata un’ottimizzazione algoritmica al fine di renderlo applicabile  Mediante un’analisi di regressione le soglie sono state legate ai valori di luminanza locali

19 Segmentazione

20 Segmentazione originale maschera

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

22 Estrazione delle caratteristiche
Geometric center Circle with mean radial length Radial lengths Bounding box Area Area e perimetro Statistiche del raggio Circolarità Rettangolarità Eccentricità Entropia Zero crossing Rugosità del bordo

23 Estrazione delle caratteristiche
Estrazione del convex hull (poligono convesso contenente le microcalcificazioni) Distribuzione spaziale delle microcalcificazioni Area del cluster

24 Estrazione delle caratteristiche
Angular second moment Contrast Correlation Variance Inverse different moment Sum average, variance, entropy Difference variance, entropy Information misures correlation Max correlation coefficient Caratteristiche di Haralick:

25 Estrazione delle caratteristiche
Angular second moment Contrast Correlation Variance Inverse different moment Sum average, variance, entropy Difference variance, entropy Information misures correlation Max correlation coefficient Caratteristiche di Haralick: microcalcificazioni

26 Estrazione delle caratteristiche
Istogramma sovrapposto Istogramma non sovrapposto Circolarità Raggio normalizzato Entropia

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

28 Classificazione Estrazione delle caratteristiche dal mammogramma
Informazioni provenienti da altri radiologi Classificatore Informazioni provenienti dalla storia clinica del paziente Informazioni provenienti dall’interpretazione del radiologo Recenti modelli di classificazione di sistemi CADx. Nuovo modello di classificatore mediante sistema CADx con possibilità di interfacciamento bidirezionale con il personale medico specializzato

29 Il contesto e lo stato dell’arte
Reti neurali Black box Non c’è possibilità di interazione vs I valori delle variabili sono parole riprese dal linguaggio naturale Sistemi fuzzy è più vicino all’intuizione umana Il radiologo può capire ed interagire con il sistema I sistemi fuzzy sono più flessibili e comprensibili

30 Il progetto finale DIAGNOSI SISTEMA CADx RADIOLOGO
Miglioramento della qualità dell’immagine Identificazione delle lesioni Identificazione delle lesioni Classificazione delle lesioni Classificazione delle lesioni DIAGNOSI SISTEMA CADx RADIOLOGO

31 Sviluppi futuri Ottimizzazione degli strumenti di image processing esistenti e creazione di nuovi algoritmi Sviluppo del sistema decisionale Sviluppo di un ambiente grafico Ingegnerizzazione del sistema

32 Bibliografia M. Salmeri, A. Mencattini, E. Ricci, A. Salsano, “Noise estimation in digital images using fuzzy processing,” IEEE International Conference on Image Processing (ICIP ‘01), pp , Thessaloniki, Greece, October 2001. A. Mencattini, M. Salmeri, S. Bertazzoni, A. Salsano, “Noise Variance Estimation in Digital Images Using Iterative Fuzzy Procedure,” WSEAS Transactions on Systems, vol. 4, n. 2, pp , Athens, Greece, October 2003. A. Mencattini, F. Caselli, M. Salmeri, R. Lojacono, “Wavelet Based Adaptive Algorithm for Mammographic Images Enhancement and Denoising,” IEEE International Conference on Image Processing (ICIP ‘05), Genova, Italy, September 2005. A. Mencattini, M. Salmeri, R. Lojacono, F. Caselli, “Mammographic Images Enhancement and Denoising for Microcalcification Detection Using Dyadic Wavelet Processing,” IEEE Instrumentation and Measurement Technology Conference (IMTC ‘06), Sorrento, Italy, April 2006. A. Mencattini, M. Salmeri, R. Lojacono, G. Rabottino, S. Romano, “Mammographic Image Analysis for Tumoral Mass Automatic Classification,” EFOMP European Conference on Medical Physics (EFOMP ‘07), Castelvecchio Pascoli, Italy, September 2007. A. Mencattini, M. Salmeri, R. Lojacono, S. Romano, G. Rabottino, “Breast cancer segmentation by means of wavelet analysis and morphological operators,” EFOMP European Conference on Medical Physics (EFOMP ‘07), Castelvecchio Pascoli, Italy, September 2007. A. Mencattini, M. Salmeri, R. Lojacono, M. Arnò, “Noise estimation in mammographic images for adaptive denoising,” EFOMP European Conference on Medical Physics (EFOMP ‘07), Castelvecchio Pascoli, Italy, September 2007. A. Mencattini, M. Salmeri, R. Lojacono, M. Frigerio, F. Caselli, “Mammographic Images Enhancement and Denoising for Detection of Tumoral Signs Using Dyadic Wavelet Processing,” IEEE Transactions on Instrumentation and Measurement, in press. Mencattini, M. Salmeri, R. Lojacono, M. Frigerio, F. Caselli, “Mammographic Images Enhancement and Denoising for Detection of Tumoral Signs Using Dyadic Wavelet Processing,” IEEE Transactions on Instrumentation and Measurement, in press. L’elenco completo delle pubblicazioni è accessibile sul sito web

33 Contatti Marcello Salmeri, salmeri@ing.uniroma2.it, 0672597373
Arianna Mencattini, Giulia Rabottino, Alfredo Accattatis, Federica Caselli, Web site: