ITRM20060213A1 - Metodo di elaborazione di immagini biomediche - Google Patents

Description

DESCRIZIONE del invenzione industriale dal titolo:

“METODO DI ELABORAZIONE DI IMMAGINI BIOMEDICHE”

DESCRIZIONE

Introduzione

La presente invenzione si riferisce ad un metodo di elaborazione di immagini biomediche per la rivelazione precoce di patologie tumorali, da inserire in un CAD a scopo di ausilio diagnostico.

L’invenzione descritta nel seguito, a titolo di esempio, è applicata alla ricerca di lesioni massive in immagini mammografiche, ma può essere adattata anche alla ricerca di altre patologie mammarie e tumorali in genere.

Inoltre la metodologia descritta nel seguito presenta una flessibilità tale da renderla adattabile anche all’analisi di altre immagini tipiche della diagnostica medica: radiografie in genere, CT spirale, NMR, ecografie, etc.

Il termine carcinoma, dal greco καρκινοσ (granchio), lo si deve a Ippocrate e sta ad indicare la caratteristica infiltrativa del tumore e la sua straordinaria capacità di aggressione nei confronti delle struttine circostanti.

E opinione abbastanza diffusa che il carcinoma sia una malattia dell’età moderna, una conseguenza dello sviluppo della civiltà industriale. Le attuali abitudini di vita, Γ inquinamento atmosferico, gli additivi chimici usati per la conservazione degli alimenti ed altri fattori sono sicuramente le cause principali dell’ enorme incremento di incidenza dei tumori negli ultimi 50 anni: si può affermare che il tumore sia diventato un vero e proprio problema sociale.

Ogni anno si registrano nel mondo 10 milioni di casi di cui circa 4 milioni mortali. In Italia i nuovi casi sono circa 270.000 per anno di cui 30.000 mortali per cancro polmonare, 14.000 per cancro allo stomaco, 10.000 per cancro della mammella. Nelle figure 1 A e 1B è riportato l’andamento nei tassi di mortalità per età per i sette principali tumori negli uomini e nelle donne neH’Unione Europea, tra gli anni 1955 e 1999. Accanto al reale aumento del numero dei tumori va tuttavia considerata la possibilità di diagnosticare un numero sempre più elevato di tumori, grazie al perfezionamento delle tecniche di diagnostica per immagine e di laboratorio; infatti oggi più del 50% dei pazienti trattati sono suscettibili di guarigione. Bisogna ricordare tuttavia che le probabilità di guarigione sono fortemente condizionate dallo stadio della malattia. Valori del 100% sono ottenibili per quei tumori che vengono definiti in situ e diagnosticati in fase preclinica.

La strategia della lotta contro i tumori si basa ancora oggi sui tre pilastri fondamentah che da anni supportano ogni sforzo clinico per il miglioramento dei risultati a distanza: la prevenzione, la diagnosi precoce e la terapia adeguata.

La diagnostica per immagini svolge un ruolo fondamentale nella diagnosi precoce di molti tumori (dal carcinoma mammario, a quello prostatico, a quello polmonare, airepatocarcinoma) attraverso l’esame mammografico, l’ecografia, la Tomografia Computerizzata, la Risonanza Magnetica, la biopsia e le ricostruzioni tridimensionali.

La diagnosi preclinica può essere fatta con mezzi strumentali quando ancora il tumore è in fase asintomatica con sviluppo limitatissimo e mira al riconoscimento della presenza del tumore ancora di piccole dimensioni.

In tal senso viene effettuata la diagnosi precoce attraverso i cosiddetti “programmi di screening” che implicano Γ utilizzo di test diagnostici ai quali avviare individui asintomatici, al fine di identificare i soggetti potenzialmente predisposti a sviluppare la malattia. L’obiettivo finale dello screening è quello di ridurre la mortalità specifica, per la patologia investigata nella popolazione oggetto di studio, grazie alla diagnosi precoce ed al trattamento di neoplasie in stadio iniziale.

In particolare nel seguito verrà descritta un’applicazione dell’ invenzione nell’ ambito della rivelazione precoce del tumore al seno in immagini mammografìche.

Il carcinoma mammario è una delle principali cause di mortalità, nonché la prima causa di morte per tumore per quanto riguarda la popolazione femminile dei paesi occidentali. Tale mortalità può essere ridotta quando la patologia viene diagnosticata prima che se ne manifestino i sintomi. A questo scopo negli ultimi decenni sono stati introdotti programmi di screening che consistono nel sottoporre ad esame mammografìco donne di età compresa fra 49 e 69 anni. Grazie a questi programmi, che hanno comportato un notevole impiego di risorse economiche ed umane, con uno sforzo organizzativo non indifferente, la mortalità per tumore al seno si è notevolmente ridotta nonostante un aumento dell’incidenza. Il tumore al seno si manifesta inizialmente come una singola e localizzata lesione in una mammella (nota col nome di “early” o “minimal” breast cancer) e le sue dimensioni non superano il centimetro; la mancanza di sicuri segnali sintomatici della malattia ne rende difficile la diagnosi precoce. Le probabilità di successo alla lotta contro il cancro sono strettamente correlate al grado di sviluppo della patologia nel momento in cui viene diagnosticato.

La mammografìa è attualmente considerata lo strumento diagnostico più efficace in grado di rivelare precocemente la presenza di un cancro. Tuttavia la metodica, sebbene notevolmente perfezionata nel corso degli anni, non è in grado di riconoscere la totalità delle lesioni neoplastiche mammarie: statistiche più recenti riportano una percentuale variabile tra 10% e 30% di tumori non diagnosticati con l’esame mammo grafico. L’interpretazione delle immagini mammografìche presenta delle difficoltà legate alla qualità dell’ immagine, alle dimensioni delle lesioni da identificare e al contrasto tra le lesioni stesse e il tessuto circostante.

Una delle principali forme tumorali evidenziabili in mammografia è rappresentata dalle lesioni massive. L’individuazione di tali lesioni presenta problematiche legate alle caratteristiche delle lesioni stesse:

dimensioni, forme e densità molto variabili;

contorni molto spesso mal definiti;

elevata similitudine con la struttura del parenchima.

Le lesioni massive, inoltre, sono spesso caratterizzate da forme anomale nella struttura parenchimale: infatti le distorsioni delle architetture e la comparsa di linee radianti da una massa centrale sono esempi frequentemente riscontrabili tra le lesioni maligne. Queste distorsioni possono assumere forme estremamente sottili ed una significativa parte di esse può essere rivelata dai radiologi soprattutto nelle prime fasi di sviluppo.

La causa di una mancata diagnosi può dipendere dalla particolare patologia tumorale (contrasto intrinseco troppo basso rispetto ai tessuti circostanti), dalla scarsa qualità della mammografìa o dal mancato riconoscimento da parte del radiologo (causa non indipendente dalle prime due). I limiti della mammografìa sono particolarmente evidenti per i casi di giovani pazienti con seno "denso", per le quali la presenza di numerose strutture fibrose ad alta radiopacità rende poco evidenti i segni radiologici del tumore. In questi casi e nei casi “dubbi” si fa ricorso, oltre che a tecniche morfologiche diverse (ecografia, NMR), ad altre tecniche generalmente invasive, tipicamente il prelievo e l’analisi istologica di campioni di tessuto malato. Le strutture normali interne alla mammella costituiscono rumore rispetto al segnale oggetto di ricerca. D’altra parte la varietà e la complessità di tali strutture connettive e ghiandolari rende l’estrazione del segnale compito arduo per il radiologo. La strategia diagnostica del radiologo è guidata dalla ricerca di aree con nuclei densi, ovvero di strutture stellate o lobulari, non riscontrabili nei tessuti normali.

Attraverso l’esame mammografico, la percentuale di malati correttamente riconosciuti da un medico esperto può variare dal 73 all’88 %, mentre la percentuale di persone sane correttamente riconosciute varia dall’83 al 92 %. Tali valori possono subire un incremento compreso fra il 2 e il 10 % nel caso in cui la lettura venga effettuata indipendentemente da due radiologi, ovvero con modalità “in doppio cieco”, come si usa dire in ambiente medico.

A causa di problemi economici e organizzativi, può essere conveniente sostituire il secondo radiologo con un sistema esperto (CAD). Si tratta di un’idea che risale alla fine degli anni sessanta e che oggi, grazie ai progressi ottenuti sia nel campo degli strumenti di calcolo che in quello degli sviluppi software, può divenire realtà nella routine clinica. L’obiettivo dei metodi CAD è quello di:

• migliorare la sensibilità mammografica attraverso l’incremento della rivelazione di aree sospette potenzialmente significative;

• migliorare la specificità per ridurre il numero di Falsi Positivi, riducendo così il numero di biopsie non necessarie.

Da alcuni anni la comunità scientifica intemazionale ha mostrato un interesse sempre crescente allo sviluppo di sistemi CAD da utilizzare come ausilio alla formulazione di diagnosi mediche.

La strategia generale seguita per la realizzazione di un CAD comprende varie fasi; inizialmente vengono selezionate le regioni che contengono informazioni utili ai fini dell’analisi, poi da tali regioni vengono scelte le caratteristiche più significative (comunemente indicate come “features”) che verranno elaborate fino a produrre una classificazione valida per Γ immagine di partenza.

Gli algoritmi in grado di rivelare lesioni tumorali possono essere raggruppati in tre categorie:

1. algoritmi che identificano nella mammella due tipi di regioni, sospette e normali, estraggono le features dalle sole regioni sospette e le classificano come positive o negative;

2. algoritmi che estraggono le features sull’ intera immagine ed utilizzano un classificatore per individuare le zone patologiche; tali algoritmi utilizzano famiglie di filtri (trasformate wavelet o altro) allo scopo di discriminare le regioni da classificare dal normale tessuto parenchimale; 3. algoritmi che individuano regioni sospette comparando le mammografìe di seno destro e sinistro al fine di considerare sensibili differenze di densità quali sintomo di patologia.

Alcune problematiche strutturali limitano le potenzialità di queste due ultime famiglie di algoritmi. Infatti, per gli algoritmi di tipo “2”, nei casi di tessuto denso, si ottiene spesso un altissimo numero di regioni sospette, con conseguente incremento dei falsi positivi per immagine. Inoltre il numero di esempi (pattern) per l’addestramento del classificatore su intere immagini deve essere estremamente elevato per poter ottenere risultati apprezzabili. Per quanto riguarda gli algoritmi di tipo “3”, molto spesso le due mammelle non sono sovrapponibili a causa della loro diversità intrinseca.

La segmentazione delle immagini è un problema chiave nella “computer vision”. Tale processo permette di suddividere Γ immagine in regioni che corrispondono a oggetti, o parti di oggetti in essa rappresentati, e rappresenta un primo passo verso l’estrazione di informazioni semantiche. La segmentazione è una decomposizione deH’immagine in componenti separate spazialmente. I pixel in ciascuna componente hanno certe similarità nelle loro caratteristiche, ad esempio i livelli di grigio. Le due principali tecniche per la segmentazione deH’immagine si basano sul contorno o sulla regione. Nell’approccio basato sul contorno l’informazione è determinata dalla rivelazione del bordo. L’idea principale nella segmentazione basata sulla regione è invece l’identificazione di varie regioni nell’immagine che hanno caratteristiche similari. La segmentazione iniziale influenzerà in modo notevole le fasi successive del processo di classificazione. Tale segmentazione deve essere quindi la più accurata possibile, evitando sia la sotto-segmentazione (fusione nella stessa zona di oggetti semanticamente diversi) che la sovra-segmentazione (divisione in zone diverse di un oggetto unico dal punto di vista semantico).

Le features basate sull’analisi delle forme possono essere di aiuto per la rivelazione e classificazione di lesioni massive. In letteratura sono state utilizzate varie features morfologiche, strutturali e statistiche per differenziare le lesioni massive dal normale tessuto parenchimale.

Per la classificazione vengono, in genere, utilizzate reti neurali artificiali con apprendimento o altri sistemi di classificazione senza apprendimento. Alcuni gruppi di ricerca hanno sviluppato il software che permette di evidenziare le regioni patologiche utilizzando classificatori SVM (Support Vector Machine), Bayesiani, Decision Tree, o altro.

Alcuni sistemi commerciali utilizzano strumenti per migliorare la visualizzazione del immagine ed evidenziare i dettagli caratteristici delle lesioni mammografìche; in particolare la maggior parte di essi utilizzano 3 passi: inizialmente si digitalizzano le mammografìe, quindi si usano algoritmi di “pattern recognition” per rilevare la zona sede di anormalità nella mammella e infine vengono utilizzate reti neurali per classificare tali anormalità in benigne o maligne. Per la digitalizzazione e l'analisi delle lastre nella maggior parte dei sistemi viene usato uno scanner con risoluzione spaziale che varia dai 45 pm agli 80 pm ed una profondità di 12 bit.

L’utilizzo dei CAD nella diagnostica medica ha raggiunto negli ultimi anni dei livelli certamente notevoli di performance. Diversi studi riportano confronti tra diagnosi formulate dal medico senza e con l’ausilio del CAD; i risultati mostrano generalmente un aumento della sensibilità del medico e, nei casi migliori, una conferma della specificità. Tuttavia alcuni radiologi hanno fatto notare che nella stragrande maggioranza dei casi il CAD “vede” quello che il medico ha già visto. Ora, se è vero che anche in questo caso il CAD risulta di indubbio ausilio per la diagnosi, sia per la doppia lettura che in caso di affaticamento del medico, è pur vero che da parte dei medici la richiesta più pressante è la possibilità di individuare e diagnosticare precocemente anche i più deboli segnali di patologia. Il riconoscimento dei cosiddetti “minimal cancer” o “carcinomi d’intervallo” rappresenta infatti la sfida più impegnativa per qualsiasi CAD diagnostico e costituisce il vero valore aggiunto che la tecnologia informatica può fornire alla diagnosi precoce di tumori.

Dal punto di vista tecnico tutte le ricerche ed i prodotti basati sui CAD utilizzano essenzialmente tecnologie che tentano di riprodurre matematicamente ciò che rocchio umano fa naturalmente. Nella fase di classificazione vengono infatti calcolate sull’ immagine, o su parti di essa, alcune features che sintetizzano analiticamente diverse proprietà della zona di interesse, che possono rivelarsi discriminanti fra sani e malati. In letteratura sono state a volte utilizzate più di 40 features diverse, alcune delle quali con buone proprietà discriminanti.

E da notare tuttavia che in tutti i casi riportati in letteratura le features vengono estratte una sola volta per ROI; vengono cioè estratte “congelando” rimmagine al tempo to in cui è stato effettuato l’esame radiologico, cosi come rocchio del medico interpreta l’immagine analizzandone le caratteristiche al tempo to. Questo potrebbe essere considerato come lo studio del comportamento “statico” delle features.

Sommario dell’invenzione

La presente invenzione si pone come una soluzione innovativa ai problemi sopra evidenziati in relazione alle metodologie di tecnica nota.

E oggetto della presente invenzione un metodo di elaborazione di immagini biomediche, come definito nella rivendicazione indipendente n. 1.

Caratteristiche secondarie della presente invenzione sono definite nelle corrispondenti rivendicazioni dipendenti.

Il metodo descritto nella presente invenzione si pone come strumento per la diagnosi precoce di lesioni massive in mammografia. L’invenzione può essere utilizzata nel contesto di un CAD che funge come secondo lettore nella normale routine clinica e di screening mammografico, riducendo i costi di gestione della procedura di “doppia lettura”.

L’invenzione si propone di evidenziare e diagnosticare alcune zone di interesse (ROI) in immagini diagnostiche in genere.

L’invenzione verrà descritta nel seguito, a titolo di esempio, applicata alla ricerca di lesioni massive in immagini mammografiche, ma può essere adattata anche alla ricerca di altre patologie mammarie e patologie tumorali in genere. Breve descrizione delle figure

Ulteriori vantaggi, cosi come le caratteristiche e le modalità di impiego della presente invenzione, risulteranno evidenti dalla seguente descrizione dettagliata di una sua forma di realizzazione preferita, presentata a scopo esemplificativo e non limitativo, facendo riferimento alle figure dei disegni allegati, in cui:

le figure 1A ed 1B sono grafici che illustrano l’andamento dei tassi di mortalità per i sette principali tumori negli uomini e nelle donne;

la figura 2 è un diagramma di flusso schematico rappresentativo del metodo secondo la presente invenzione;

le figure da 3A a 3D mostrano una parte deH’immagine nelle varie fasi del processo di segmentazione;

la figura 4 è il diagramma di flusso dell’algoritmo di segmentazione secondo la presente invenzione;

la figura 5 è una rappresentazione tridimensionale dell’intensità luminosa di una superfìcie mammografia con lesione;

la figura 6 è il diagramma di flusso di una delle procedure di analisi defi’immagine oggetto della presente invenzione;

la figura 7A è un esempio di immagine con lesione massiva;

la figura 7B è una rappresentazione grafica delle subROI dell’ immagine di figura 7A; e

le figure da 8A a 8E sono immagini relative ad una mammografia durante le varie fasi di elaborazione secondo la presente invenzione.

Descrizione dettagliata dell’invenzione

In generale, il funzionamento di un CAD può essere suddiviso in varie fasi che possono essere schematizzate come mostrato in figura 2 dove è riportato un diagramma di flusso schematico del metodo secondo la presente invenzione. Le fasi sono le seguenti:

Fase di preelaborazione: l’immagine digitale viene preprocessata per isolare e delimitare la zona mammografìca da sottoporre ad ulteriore analisi;

Fase di segmentazione: l’immagine ripulita viene segmentata per selezionare zone di interesse (ROI) tracciandone il contorno;

Fase di estrazione: per ogni ROI vengono estratte alcune informazioni caratteristiche;

Fase di classificazione: a ciascuna ROI viene attribuita una probabilità di patologia;

Fase di visualizzazione: viene presentata su schermo o su carta immagine mammografìca completa, evidenziando le ROI con probabilità di patologia superiore ad un valore di soglia scelto dal medico.

Secondo la presente invenzione, la fase di estrazione è, come sarà spiegato nel dettaglio, suddivisa in 3 passi:

1° passo: per ogni ROI vengono individuate N subROI; relative a N livelli di soglia, tali che (subROI);+/c (subROI); ;

2° passo: da ogni subROI viene estratto un set di features (morfologiche, geometriche e fisiche);

3° passo: viene analizzata la “variabilità” di ciascuna feature in funzione del livello di soglia, parametrizzandone l’andamento e determinando un set di ulteriori features estrapolate ad un livello di soglia j=0.

La fase di estrazione (passi 1, 2 e 3), secondo la presente invenzione, ha lo scopo di fornire non solo una probabilità “attuale” di patologia, ma anche una probabilità “di evoluzione” della patologia stessa; tale fase necessita, in ingresso, di una immagine preprocessata e segmentata e, in uscita, di una fase di classificazione che differenzi le ROI.

Il metodo secondo la presente invenzione, può essere vantaggiosamente implementato tramite un prodotto informatico, in particolare un programma per elaboratore elettronico atto a poter essere utilizzato su qualsiasi architettura di computer (Macintosh , i386, Sun Solaris, etc.) e con qualsiasi sistema operativo (Linux, Windows, MAC OS, OS/2, etc.).

Nel seguito daremo una descrizione dettagliata delle varie fasi che costituiscono l’invenzione.

Fase di preelaborazione

A partire da un’immagine biomedica, acquisita attraverso sistemi ben noti direttamente in forma digitale o digitalizzata successivamente, viene tracciato il contorno della superficie mammaria nell’immagine digitale di partenza, utile ai fini della successiva analisi, ripulendola da tutto ciò che risulta estraneo. Vengono cioè riconosciute ed eliminate tutte le eventuali immagini di targhette identificative, bordi ad alta luminosità che costituiscono elementi di disturbo al lavoro di analisi automatica, perché potenzialmente causa di confusione per gli algoritmi che elaborano l’immagine. La preelaborazione delle immagini può essere ottenuta con qualsiasi algoritmo, tra quelli normalmente utilizzati in letteratura, che riduca l’area di indagine selezionando la parte di interesse.

Fase di segmentazione

In questa fase viene eseguita la segmentazione in regioni di interesse (ROI) dell’ immagine precedentemente preelaborata.

Per il processo di segmentazione è data la seguente definizione formale del problema: detto P un predicato di omogeneità definito su un insieme di pixel connessi, la segmentazione è la partizione dell’insieme I, dei pixel che compongono l’immagine, in sottoinsiemi connessi (o regioni) 3⁄4!, 93⁄42. $Rmnon vuoti tali che:

con:

Un buon metodo di segmentazione deve soddisfare i seguenti criteri:

1. le regioni devono essere il più possibile omogenee;

2. i confini delle regioni devono essere compatibili con le variazioni della misura di similarità adottata;

3. aree percettivamente uniformi non dovrebbero essere divise in più parti. I metodi utilizzati per la segmentazione di immagini monocromatiche possono essere basati su:

• misure di discontinuità, che partizionano l’immagine rilevando linee e contorni;

• omogeneità nei livelli di grigio (histogram thresholding, clustering, region splitting and merging e region growing).

Nel metodo cosiddetto del region growing viene determinato un insieme di punti o regioni iniziali (semi) che vengono espansi inglobando in essi i pixel limitrofi che superano un test di similarità con la regione.

Secondo la presente invenzione viene preferibilmente implementata una variante del “region growing”.

Nell’ipotesi in cui le lesioni da identificare siano regioni radiopache (particolarmente luminose) all’ interno dell 'immagine mammografica, è preferibile scegliere come semi i massimi locali di intensità in un intorno determinato dalle dimensioni minime di una lesione massiva.

A questo punto, preso un seme, viene delimitata ima finestra attorno ad esso (figura 3A) le cui dimensioni sono determinate considerando le dimensioni massime di una lesione massiva; su tale finestra di scansione viene applicato un operatore di soglia, detto di thresholding. Tale operatore, come tutti gli operatori a singolo pixel, è caratterizzato da una finizione di trasferimento F tale che il valore dell’intensità di ciascun pixel della nuova immagine dipende solo dal valore dell’intensità del pixel corrispondente dell’immagine originale. In questo caso si ha:

dove Ixyè l’intensità del pixel di coordinate (x,y).

Nella forma più generale questo operatore assegna un valore diverso ai pixel di intensità superiore o inferiore ad un certo valore di soglia S (Figura 3B).

dove e /<">sono due valori prefìssati. Questo operatore può essere usato per individuare oggetti all’interno di un’immagine, imponendo /<">= 0. In tal modo nell’ immagine finale saranno presenti solo gli oggetti di intensità sopra la soglia. Nella Figura 3B viene mostrata l’immagine della finestra dopo l’applicazione dell’operatore di thresholding; il cerchietto indica il massimo locale di intensità.

Se a partire da tale immagine si operasse un processo di region growing di tipo standard si otterrebbe l’immagine mostrata nella Figura 3C. E’ facile evincere come in questo caso le lacune non vengano considerate facenti parte della regione. Per ovviare a tale inconveniente, nella presente invenzione, si è operato un doppio region growing: un primo region growing esterno, per delineare il contorno della regione e un secondo region growing interno per includere le lacune; nel region growing esterno i semi iniziali sono i pixel sul bordo della finestra di scansione con valore d’intensità sotto soglia (Ixy< S)

Per entrambi i region growing l’accrescimento della regione è stato effettuato considerando i pixel “vicini” secondo la metrica della 4-connessione, dove la condizione di omogeneità è soddisfatta dai pixel che dopo il thresholding hanno valore dell’ intensità uguale a f per il region growing interno e uguale I per il region growing esterno. Il risultato è mostrato in Figura 3D.

A partire da un seme iniziale si possono cosi ottenere un insieme di isocontomi in funzione del valore della soglia S. L’individuazione di una regione di interesse tramite region growing è quindi legata alla scelta di una soglia opportuna.

Nella presente invenzione la scelta del valore di soglia S ottimale è dinamica. Infatti la procedura viene iterata aumentando o diminuendo in maniera dicotomica il valore di soglia fino ad ottenere la regione di superficie massima interamente contenuta all’ interno della finestra di scansione.

Ad ogni passo la finestra di scansione viene ricentrata sul valore del centro di massa di luminosità della regione, in modo che alla fine del processo la regione sia perfettamente centrata e individuata da un insieme di punti (contorno) la cui intensità è maggiore od uguale al valore di soglia S.

L’algoritmo sviluppato secondo la presente invenzione è descritto nel diagramma di flusso riportato in Figura 4.

Fra tutte le regioni selezionate con tale processo, vengono scartate quelle con diametro medio non compreso nell’intervallo tipico delle lesioni massive (3 - 40 mm). Inoltre, poiché l’eccessivo allungamento di una ROI è di norma considerato indice di assenza di patologia, vengono escluse quelle regioni con valore di eccentricità basso. Le regioni selezionate alla fine della fase corrente, nel seguito indicate come Region of Interest (ROI), sono considerate di interesse per le fasi di analisi descritte successivamente.

L’uscita della fase di segmentazione è un’immagine ridotta in cui sono presenti solo ROI.

Fase di estrazione

In Figura 5 viene mostrata una rappresentazione tridimensionale dell’intensità luminosa di una superfìcie mammografìa con lesione massiva. L’obiettivo di questa fase dell’ invenzione è quello di effettuare uno studio sulla variabilità delle features della singola ROI in funzione di un valore di soglia dell’intensità e di estrapolare il valore della generica feature prevedendone cosi l’evoluzione futura.

Come già indicato in precedenza, la fase di estrazione comprende 3 passi. In Figura 6 è riportato il diagramma di flusso relativo a questa fase.

1° passo

Come già evidenziato, i metodi di segmentazione dipendono da almeno un parametro (per esempio l’intensità dei livelli di grigio) che determina la particolare delimitazione dell’area.

Il valore di soglia del parametro S che determina l’estensione delle ROI nella fase di segmentazione, viene considerato, secondo la presente invenzione, valore di partenza per questo primo passo.

Secondo la presente invenzione, il parametro S viene progressivamente incrementato N-l volte con un opportuno passo, ricavando per ogni valore Sjuna corrispondente subROIjcon 2^<N (la subROI con j=l corrisponde alla ROI di partenza). Le subROI vengono ricavate applicando la procedura del doppio region growing analogamente a quanto fatto nella fase di segmentazione. Alla fine del processo si avranno N-l subROI (con subROIy+1c subROIj) e la ROI originaria che le contiene tutte.

A titolo di esempio in Figura 7A viene riportata una porzione dell’immagine mammografia in cui è presente una lesione massiva mentre in Figura 7B viene mostrata la stessa lesione evidenziando i contorni della ROI individuata (la più esterna) e di altre 2 subROI individuate con il procedimento descritto nel presente passo.

2° passo

Al 1° passo sono state selezionate regioni di interesse (ROI e subROI) senza fornire ulteriori informazioni. È uso comune nei programmi CAD di questo tipo inserire una fase che preveda l’estrazione di opportune caratteristiche (features) dalle ROI, tali che un qualsiasi algoritmo decisionale possa correttamente differenziare possibili regioni patologiche da quelle sane. Nella presente invenzione, a titolo di esempio, un set di features discriminanti è stato estratto dalle immagini mammografiche segmentate. Generalmente i criteri per la selezione delle features si basano su differenze morfologiche delle lesioni.

L’estrazione di features gioca un ruolo fondamentale nei sistemi di pattern recognition. Secondo la presente invenzione le features vengono calcolate per la ROI originaria e per tutte le subROI, cioè per ogni valore Sjdel parametro con ottenendo una matrice F(ij), dove i indica la i-esima feature mentre j indica il j -esimo valore del parametro.

3° passo

In questo passo, viene eseguito un fit sugli N punti ottenuti, per ogni feature, in corrispondenza ai valori Sjdel parametro. La formula utilizzata per il fit dei punti dipende dalla particolare feature da estrapolare, dall’ esposizione dell’immagine mammografìca da analizzare e dal parametro utilizzato per l’individuazione di tutte le subROI; inoltre si ha in genere un andamento diverso per le ROI sane o malate. In questa invenzione si è deciso di considerare più finizioni di fit (lineare, polinomiale, esponenziale, logaritmica,...) e scegliere tra queste, per ogni singola feature e per ogni ROI considerata, la funzione con errore quadratico minore.

Per ogni nuova ROI e per ogni feature, la funzione scelta permette di estrapolare il valore della feature al livello 0 del parametro. Cosi oltre alle usuali T features F(i,l), calcolate al valore Si del parametro (soglia iniziale), la procedura di estrapolazione permette di ottenere un numero T di features F(i,0) calcolate al valore So del parametro.

Così dalla sequenza:

si ottiene il valore :

Ripetendo questa operazione per tutte le T features, si ricavano :

Questo terzo passo rappresenta una delle fasi cruciali e maggiormente innovative del metodo secondo la presente invenzione. Infatti fino ad ora altri CAD hanno utilizzato diverse features ma calcolate solo sulla ROI associata ad una corrispondente lesione, mentre il metodo secondo la presente invenzione sfrutta la “variabilità” delle features calcolate sulla ROI e su tutte le subROI associate alla stessa lesione.

Tale procedura permette di fare un’analisi dello “sviluppo” del tumore, evidenziando così precocemente la presenza di lesioni tumorali. Si è infatti osservato che la variabilità spaziale delle features per vari valori Sjdel parametro è correlata alla evoluzione temporale delle ROI e quindi dell’eventuale tumore. In tali circostanze il comportamento delle ROI patologiche si differenzia da quello delle ROI sane in virtù della velocità e delle caratteristiche stesse di espansione del tumore, quali una maggiore ramificazione e penetrazione nel tempo.

Fase di classificazione

In questa fase le features calcolate nella fase precedente vengono utilizzate per la classificazione delle ROI, al fine di assegnare ad ogni ROI una probabilità di patologia. In particolare viene utilizzato il set di valori

con le T features calcolate al livello 1 del parametro per assegnare una probabilità “attuale” di patologia, mentre viene utilizzato il set di valori

con le T features calcolate al livello 0 del parametro, per assegnare una probabilità “di evoluzione” di patologia.

La differenziazione delle ROI può essere ottenuta con qualsiasi algoritmo di classificazione tra quelli normalmente utilizzati in letteratura. Secondo la presente invenzione le ROI vengono classificate 2 volte: sia rispetto al set(A) che rispetto al set(B) di features.

Fase di visualizzazione

In questa fase i risultati delle fasi precedenti, espressi in termini di probabilità di patologia, vengono presentati su un supporto qualsiasi (schermo, carta) per essere portati all’attenzione del medico. A titolo di esempio la modalità di visualizzazione è stata realizzata tracciando un cerchio attorno alla ROI se la probabilità di patologia è superiore ad un valore di soglia scelto dal medico. In particolare il medico può scegliere se evidenziare le ROI con probabilità “attuale” o probabilità “di evoluzione” di patologia.

Come esempio di applicazione, in Figura 8 sono mostrate le immagini relative ad una mammografìa dopo varie fasi del metodo secondo la presente invenzione. Nella Figura 8A viene mostrata l’immagine mammografica originale; nella Figura 8B, la stessa immagine preelaborata; nella Figura 8C l’immagine ottenuta dopo la fase di segmentazione in cui, come guida all’occhio, sono state annerite artificiosamente le ROI selezionate; in Figura 8D viene mostrata l’immagine in cui sono state evidenziate le ROI con probabilità di patologia “attuale” superiore al 80%. Infine in Figura 8E viene mostrata la stessa mammografia in cui vengono evidenziate le ROI con probabilità “di evoluzione” di patologia superiore al 80%. Come si vede nella Figura 8E viene evidenziata una ROI non presente nella Figura 8D.

L’originalità del metodo, oggetto della presente invenzione, risiede soprattutto nell’analisi “dinamica” delle features che si ritiene abbia un legame con l’analisi “temporale” dell’evoluzione della zona di interesse. L’ipotesi che sta alla base di tale congettura è che individuando la struttura della ROI per vari livelli di un opportuno parametro, che determina la segmentazione, si possa fotografare una ROI patologica in tempi diversi della sua evoluzione. Tale ipotesi è suffragata dalle caratteristiche dell’espansione di alcune tipologie di tessuto tumorale, il quale può essere pensato evolversi come un solido in espansione. Tale solido tridimensionale sarà visto, all’esame radiografico, come una figura bidimensionale con livelli di intensità degradanti verso l’esterno a causa del corrispondente assottigliarsi del tessuto patologico attraversato dai raggi X. La parte interna, quella più “vecchia”, sarà quindi, in generale, caratterizzata da una maggiore intensità luminosa della lastra. In questa ipotesi, in un grafico tridimensionale in cui vengono riportate sugli assi x e y le coordinate dell’immagine e sull’asse z l’intensità luminosa dei pixel (vedi figura 5), è possibile considerare l’asse z correlato al tempo. Pertanto la variazione delle features in funzione del parametro ne determina il comportamento in funzione del tempo. Si è quindi parametrizzato tale comportamento facendo uso di fit lineari e non lineari, ottenendo ulteriori features che rappresentano la possibile evoluzione estrapolata della ROI, per meglio discriminare le ROI sane da quelle malate. Riteniamo che tali features permettano al CAD di avere un carattere maggiormente “predittivo” riuscendo a cogliere dalTimmagine ciò che l’occhio, anche di un medico esperto, non riesce ad estrapolare.

La presente invenzione è stata fin qui descritta secondo una sua forma di realizzazione preferita presentata a scopo esemplificativo e non limitativo. E’ da intendersi che altre possono essere le forme previste, tutte da considerarsi rientranti dell’ambito diprotezione della stessa, come definito dalle rivendicazioni annesse.

Claims (19)

1. RIVENDICAZIONI 1. Metodo di elaborazione di immagini biomediche, in particolare per la rivelazione precoce di una patologia tumorale in un paziente, comprendente i passi di: - acquisire una immagine biomedica digitalizzata di una zona sospetta di detto paziente da esaminare; - preprocessare detta immagine acquisita al fine di isolare una sub-immagine da elaborare; - selezionare in detta sub-immagine una o più regioni di interesse (ROI), tracciandone i corrispondenti contorni; - estrarre, da ciascuna di dette regioni di interesse (ROI), una o più caratteristiche identificative di detta patologia; - classificare dette regioni di interesse (ROI) selezionate sulla base di dette caratteristiche estratte, associando a ciascuna regione di interesse un valore indicativo della probabilità di presenza della patologia.
2. 2. Metodo secondo la rivendicazione 1, comprendente inoltre un passo di visualizzare Γ immagine biomedica acquisita, evidenziando le regioni di interesse (ROI) a cui è associato un valore di probabilità di patologia superiore ad un valore di soglia predeterminato.
3. 3. Metodo secondo la rivendicazione 1 o 2, in cui detto passo di preprocessare Γ immagine acquisita comprende una fase di definire un contorno di una subimmagine da elaborare.
4. 4. Metodo secondo la rivendicazione 3, in cui da detta immagine biomedica di partenza viene rimossa la porzione esterna a detto contorno di detta sub-immagine da elaborare.
5. 5. Metodo secondo una delle rivendicazioni da 1 a 4, in cui detto passo di selezionare le regioni di interesse (ROI) tracciandone i corrispondenti contorni comprende, per ciascuna di dette regioni di interesse (ROI), una fase di determinare un primo insieme di punti iniziali (semi) interni alla regione di interesse in esame.
6. 6. Metodo secondo la rivendicazione S, comprendente una fase di verifica di punti limitrofi a detti punti iniziali, per calcolare un valore di similarità di detti punti limitrofi con la regione di interesse (ROI).
7. 7. Metodo secondo la rivendicazione 6, in cui a detto primo insieme di punti iniziali vengono aggiunti punti limitrofi che presentano un valore di similarità maggiore di una soglia predeterminata (S).
8. 8. Metodo secondo una delle rivendicazioni da 5 a 7, in cui detto primo insieme di punti iniziali comprende punti dell’ immagine che presentano un massimo di intensità luminosa.
9. 9. Metodo secondo una delle rivendicazioni da 6 a 8, in cui detti punti limitrofi vengono scelti tra quelli esterni a detto primo insieme di punti iniziali.
10. 10. Metodo secondo una delle rivendicazioni da 6 a 8, in cui detti punti limitrofi vengono scelti tra quelli interni a detto primo insieme di punti iniziali.
11. 11. Metodo secondo le rivendicazioni 9 e 10, in cui detti punti limitrofi vengono scelti sia tra quelli esterni che tra quelli interni a detto primo insieme di punti iniziali.
12. 12. Metodo secondo una delle rivendicazioni da 7 a 11, in cui detto passo di estrarre da ciascuna di dette regioni di interesse (ROI), una o più caratteristiche identifìcative della patologia, comprende una prima fase di iterare, per ciascuna regione di interesse (ROI), un incremento di detto valore di soglia (S), ricavando per ogni valore di soglia incrementato (Sj) una corrispondente sub-regione di interesse (subROI (ROI)j) strettamente contenuta all’ interno della precedente regione (subROI (ROI)j.i).
13. 13. Metodo secondo la rivendicazione 12, in cui detto passo di estrarre da ciascuna di dette regioni di interesse (ROI), una o più caratteristiche identificative della patologia, comprende una seconda fase di determinare dette caratteristiche, per ciascuna di dette sub-regioni di interesse (subROI (ROI)j), ottenendo una matrice di caratteristiche (F(i j)).
14. 14. Metodo secondo la rivendicazione 12 o 13, in cui detto passo di estrarre da ciascuna di dette regioni di interesse (ROI), ima o più caratteristiche identificative della patologia, comprende una terza fase di interpolazione dei valori di ciascuna caratteristica determinata (F(ij)) per ciascuna delle sub-regioni di interesse (subROI (ROI)j), ottenendo un rispettivo valore estrapolato (F(i,0)) della caratteristica, corrispondente ad un valore di soglia estrapolato (So).
15. 15. Metodo secondo la rivendicazione 14, in cui detta fase di interpolazione prevede l’esecuzione di una o più operazioni di interpolazione secondo differenti finizioni, al fine di individuare la finizione che consente il minore errore quadratico medio.
16. 16. Metodo secondo la rivendicazione 14 o 15, in cui detto passo di classificare dette regioni di interesse (ROI) selezionate sulla base di dette caratteristiche estratte, comprende una fase di definire un primo insieme di caratteristiche (set(A)) comprendente le caratteristiche calcolate ad un valore di soglia iniziale (Si) ed un secondo insieme di caratteristiche dette (set(B)) comprendente le caratteristiche calcolate ad un valore di soglia estrapolato (So).
17. 17. Metodo secondo la rivendicazione 16, in cui detto passo di classificare dette regioni di interesse (ROI) è eseguito sulla base del primo insieme di caratteristiche (set(A)).
18. 18. Metodo secondo la rivendicazione 16, in cui detto passo di classificare dette regioni di interesse (ROI) è eseguito sulla base del secondo insieme di caratteristiche (set(B)).
19. 19. Metodo secondo le rivendicazioni 17 e 18, in cui detto passo di classificare dette regioni di interesse (ROI) è eseguito sia sulla base del primo insieme di caratteristiche (set(A)) che del secondo insieme di caratteristiche (set(B)).