Transcript 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 [email protected]
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 M
edical
A
pplications in a
G
RID
I
nfrastructure
C
onnection
MIND M
edical
I
maging for
N
eurodegenerative
D
iseases
N
Classificazione
1 2 3 …… CLASSIFICATORE Rumore Segnale 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 Segnale SS Rumore RS Rumore 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 AUC = 1 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!)
Rumore
Variazione AUC
Rumore Segnale Segnale valore del taglio 1 CURVA ROC RS/(RR+RS) 1 valore del taglio 1 CURVA ROC 1 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!
Si passa da un’immagine analogica ad un’immagine digitale suddividendo l’immagine in differenti
pixel
(quadratini contenenti “valori di annerimento )
Digitalizzazione
Schema a blocchi
immagazzinamento sistema di calcolo su supporto magnetico manipolazione immagini acquisizione immagini PACS Pictures Archive and Communication System
Sistema informatico ospedaliero
P A C S e Image Server Scanner Scanning TIFF,BMP,..
Capture Modalità Aquisizione Stampanti R I S Query Consultazione Visualizzazione Stampa
Maggiore è il numero di pixel migliore è la corrispondenza con l’immagine analogica
Risoluzione
64 x 64 (4kB) 128 x 128 (16kB) 256 x 256 (65kB) 512 x 512 (262kB)
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 (2 10 ) 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)!
A parità di numero di
pixel
utilizzati si hanno risoluzioni differenti a seconda dell’area interessata che viene digitalizzata
Campo di vista
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 operazione di
mapping
dello schermo la funzione D = f(I) deve essere compresa tra un valore minimo D min e uno massimo D MAX anche non legati tra loro da una relazione lineare
Miglioramento del contrasto
Immagine originale Miglioramento contrasto
( contrast enhancement )
tra 75% e 100%
L
L
Dispaly mapping
Mappatura lineare ad una variazione
I corrisponde una uguale variazione
L L 0
I 1 I
L zona utile più Mappatura a crescita di ristretta 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: L = B e kI 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
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 N(I) I tutti i pixel sono equiprobabili I Occorre “equalizzare” l’intensità di segnale video D(I) =
N(i) di
Visualizzazione
Quindi, data un’immagine N(I) si può ottenere la valorizzazione (maggiore contrasto) delle zone di maggior interesse I N(I) modificando la curva della luminosità 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 0 Intensità in entrata 1 L = B e kV con B = 1/e 3 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 j + 1 i + 1 j + 1 i – 1 j i – 1 j – 1 j i i j – 1 j i + 1 i + 1 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 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 Applichiamolo ad una matrice 6 x 6 in modo da filtrare una semplice immagine
1 1 1 1 1 2 1 1 2 2 1 2 1 1 2 2 2 2 1 3 3 2 2 2 1 3 3 3 3 2
Filtraggio
immagine originale 1 3 3 3 3 2 applicazione filtro 1 1 2 1 1 1 1/9 1/9 1/9 1/9 1/9 1/9 filtro 1/9 1/9 1/9 1 1 1/9 2 1/9 2 1/9 1 1 1/9 2 1/9 2 1/9 1 3 1/9 3 1/9 2 1/9 1 2 2 2 2 2 3 3 2 1 3 3 3 3 2 1 3 3
1 1 2 1 1 1 g ij =
Risultato
m= -1, 1
ove w k= -1, 1 w km f i+k, j+m km è il peso di ogni singolo valore Ad esempio: g 33 = 1/9 (2 • 1 + 4 • 2 + 2 • 3) = 2 iterando….
2 1 2 1 1 2 2 2 2 1 1 2 2 2 2 1 3 3 3 3 2 1 3 3 3 3 2 1 3 3 1.22
1.67
2.00 2.33 1.44
2.00
2.44
2.89 1.89 2.00 2.45
2.77
1.67
1.89
2.22
2.44
1 1 2 1 1 1
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 1 2 1 1 2 2 2 2 1 1 1 2 2 2 1 3 3 3 3 2 1 3 3 3 3 2 1 3 3 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
2 f indipendente dai pixel vicini
2 g =
m= -1, 1
k= -1, 1 w 2 km
2 f Per il filtro applicato:
2 g = 9
2 f / 81 =
2 f / 9 L’applicazione del filtro porta ad una diminuzione del rumore dell’immagine primitiva
0 0 0 0 0 0
Filtro 421
Un filtro molto utilizzato è
2 g = 9
2 f / 64 Esempio 0 0 0 0 0 0 0 100 100 100 0 100 100 100 0 100 100 100 0 100 100 100 0 100 100 100 0 100 100 100 0 0 0 0 0 0 1/16 2/16 1/16 2/16 4/16 2/16 1/16 2/16 1/16 0 0 0 0 0 0 25 25 75 100 100 75 100 100 25 75 100 100 25 75 100 100 25 75 100 100 25 75 100 100
Comparazione immagini
immagine iniziale filtro 421
Comparazione
0 0 0 33.3 66.6 100 100 0 33.3 66.6 100 100 filtro costante 0 0 0 0 0 33.3 66.6 100 100 0 33.3 66.6
100 100 0 33.3 66.6 100 100 0 33.3 66.6
100 100 filtro 421 0 0 0 0 0 0 0 0 0 0 0 0 25 25 25 25 25 25 75 75 100 100 100 100 75 100 100 75 100 100 75 100 100 75 100 100 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
Rilevamento dei bordi
In questo caso si usa il gradiente di luminosità g’(x,y,z) =
g
x
2
g
y
2
g
z
2
immagine g(x,y) gradiente g’(x,y) bordo e(x,y) dell’immagine elaborata
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 P i è l’intensità dell’elemento considerato P i
P i
T T è l’oggetto non è l’oggetto rumore di fondo C B B A C A taglio intensità
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
Collegamenti in remoto CR CR PC Radiografi digitali
switch
centrale Macchine per la refertazione clinica WS WS Juke Box DVD Archivio per immagini (PACS) WS
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
D igital I nformation and CO mmunication in M edicine
Schema
Studio formato da Paziente è soggetto a modalità di acquisizione Serie apparati clinici contiene contiene creano Immagini sistema di riferimento definizione spaziale volumi di interesse sovrapposizione di piani definizione delle curve
NORMA
Una cartella clinica per trasmissione di dati e immagini N etwork O riented R emote M edical A rchive
Autenticazione utilizzatore
Connessione PACS
Associazione DICOM
Monitoraggio connessione DICOM
Struttura DICOM dati Visualizzazione dei dati scambiati
Lista pazienti
Dati paziente
Dati personali del paziente
Study list
DICOM Study Information
Study information
Series list
DICOM Series Information
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