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 Medical Applications in a GRID Infrastructure Connection MIND Medical Imaging for Neurodegenerative Diseases Classificazione Rumore 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 Segnale SS SR Rumore RS 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 AUC = 1 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 Rumore Rumore Segnale Segnale 1 CURVA ROC 0 1 RS/(RR+RS) valore del taglio SS/(SS+SR) SS/(SS+SR) valore del taglio 1 CURVA ROC 0 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! 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 sistema di calcolo manipolazione immagini PACS acquisizione immagini Pictures Archive and Communication System Sistema informatico ospedaliero P A C S Scanner TIFF,BMP,.. Scanning Modalità Aquisizione Capture Image Server e R I S Stampanti Query Consultazione Visualizzazione Stampa Risoluzione Maggiore è il numero di pixel migliore è la corrispondenza con l’immagine analogica 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 (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 immagine I D = f(I) con 0 D 1 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 Mappatura lineare corrisponde una uguale variazione L L L L L 0 I 1 I zona utile più ristretta Mappatura a crescita di contrasto I 0 1 I 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 ekI 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) modificando la curva della luminosità I si può ottenere la valorizzazione (maggiore contrasto) delle zone di maggior interesse N(I) 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 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 j+1 i+1 j+1 i–1 j i j i+1 j i–1 j–1 i j–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 Filtraggio 1 1 1 1 1 1 1/9 1/9 1/9 1 1 1 3 3 3 1/9 1/9 1/9 1 2 2 3 3 3 1 2 2 2 3 3 1 1 2 2 3 3 2 2 2 2 2 2 immagine originale applicazione filtro filtro 1/9 1/9 1/9 1 1 1 1 1 1 1 1/9 1 1/9 3 1/9 3 1 2 1/9 2 1/9 3 1/9 3 1 2 1/9 2 1/9 2 1/9 3 1 1 1 2 2 3 3 2 2 2 2 2 2 3 3 3 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…. 1 1 1 1 1 1 1 1 1 3 3 3 1.22 1.67 2.00 2.33 1 2 2 3 3 3 1.44 2.00 2.44 2.89 1 2 2 2 3 3 1.89 2.00 2.45 2.77 1 1 2 2 3 3 1.67 1.89 2.22 2.44 2 2 2 2 2 2 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 1 1 1 1 1 1 1 1 1 3 3 3 1 2 1 3 3 3 1 2 2 2 3 3 1 1 2 2 3 3 2 2 2 2 2 2 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 1/16 2/16 1/16 Un filtro molto utilizzato è 2g = 9 2f / 64 2/16 4/16 2/16 1/16 2/16 1/16 Esempio 0 0 0 100 100 100 0 0 25 75 100 100 0 0 0 100 100 100 0 0 25 75 100 100 0 0 0 100 100 100 0 0 25 75 100 100 0 0 0 100 100 100 0 0 25 75 100 100 0 0 0 100 100 100 0 0 25 75 100 100 0 0 0 100 100 100 0 0 25 75 100 100 Comparazione immagini immagine iniziale filtro 421 Comparazione 0 0 33.3 66.6 100 100 0 0 33.3 66.6 100 100 0 0 33.3 66.6 100 100 0 0 33.3 66.6 100 100 0 0 33.3 66.6 100 100 0 0 33.3 66.6 100 100 filtro 421 filtro costante 0 0 25 75 100 100 0 0 25 75 100 100 0 0 25 75 100 100 0 0 25 75 100 100 0 0 25 75 100 100 0 0 25 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) = immagine g(x,y) 2 g g g x y z 2 gradiente g’(x,y) 2 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 Pi è l’intensità dell’elemento considerato C A è l’oggetto non è l’oggetto B Numero di pixel Pi T Pi T rumore di fondo B A C 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 Radiografi digitali switch centrale Juke Box DVD Archivio per immagini (PACS) Macchine per la refertazione clinica WS WS WS PC 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 Schema Digital Information and COmmunication in Medicine Paziente è soggetto a Studio formato da modalità di acquisizione Serie apparati clinici creano definizione spaziale contiene contiene Immagini volumi di interesse sistema di riferimento 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 Associazione DICOM Monitoraggio connessione DICOM Struttura DICOM dati Visualizzazione dei dati scambiati 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