Utilità dei sistemi ACM nell’imaging medico
Ubaldo Bottigli
Professore Ordinario, Università di Sassari & Sezione INFN di Cagliari, Struttura Dipartimentale di Matematica e Fisica – Sassari
Nella fisica medica il software riveste un ruolo importante e di grande interesse. In parti- colare, negli ultimi anni, vi è una richiesta cresciente di tool di sviluppo per l’analisi delle immagini digitali di tipo biomedicali.
La ricerca nel campo dell’Intelligenza Artificiale sta sviluppando degli importanti strumenti di analisi necessari a sopperire ai recenti bisogni in questo settore: l’interesse generale è centrato nello sviluppo di sistemi di CAD (Computer Aided Diagnosis) o CADe (Computer Aided Detection). Questi sistemi, di ausilio ai radiologi, sono in grado di evidenziare zone d’interesse dell’immagine potenzialmente assimilabili a patologie e, in alcuni casi, anche di effettuare una classificazione della malignità della patologia stessa.
Questi sistemi di riconoscimento hanno bisogno in generale di filtri in grado di elabo- rare al meglio l’immagine a disposizione, per aumentare il rapporto segnale/rumore; in al- tre parole vi è la necessità di evidenziare le patologie, riducendo il più possibile i falsi po- sitivi, senza però perdere le informazioni utili. In seguito le zone trovate vengono caratte- rizzate da alcuni indici o proprietà complessive utili per costruire il vettore di dati d’in- gresso per il sistema di classificazione. Purtroppo non esistono dei filtri abbastanza gene- rali, capaci di lavorare correttamente su ogni tipologia di strutture da rilevare.
Prendendo ad esempio il mammogramma, nel caso di ricerca delle microcalcificazioni si tenta di individuare i cosidetti “cluster”, ovvero gruppi di oggetti molto piccoli e brillan- ti rispetto allo sfondo scuro. Tali cluster però sono divisibili in varie tipologie essendo co- stituiti da elementi di intensità e/o forme diverse (Fig. 1). Spesso un filtro classico che en- fattizza una certa classe di cluster si comporta meno bene con le altre: cluster di microcal- cificazioni a bassa intensità possono essere tagliate da un filtro passa-alto, oppure cluster di piccole strutture allungate possono essere eliminate da filtri che evidenziano strutture puntiformi.
Fig. 1. Particolari di immagini mammografiche con presenza di microcalcificazioni di varie tipologie
192 Sistemi ACM e Imaging Diagnostico
Proprio in questo contesto di difficoltà di generalizzazione, sono interessanti i risultati, ottenuti dall’autore, basati sui sistemi filtri ACM, New IAC e PmH. Questi risultati sono interessanti in sé ed anche in comparazione alle prestazioni che si sono ottenute da filtri basati sulla trasformata wavelet (Figg. 2-5).
a b c d
Fig. 2a-d. Microcalcificazioni a stampo maligne, finestra 60×60. a Sorgente; b filtro wavelet; c New IAC; d PmH
a b c d
Fig. 3a-d. Microcalcificazioni a stampo sospette, finestra 60×60. a Sorgente; b filtro wavelet; c New IAC; d PmH
a b c d
Fig. 4a-d. Microcalcificazioni miste maligne, finestra 60×60. a Sorgente; b filtro wavelet; c New IAC; d PmH
a b c d
Fig. 5a-d. Microcalcificazioni miste maligne, finestra 60×60. a Sorgente; b filtro wavelet; c New IAC; d PmH
U. Bottigli • Utilità dei sistemi ACM nell’imaging medico 193
Altro caso d’interesse per la mammografia è dato dalle opacità ovvero strutture di qualche centimetro con contorni particolari. In questo caso l’interesse è ovviamente nel tracciamento puntuale dei contorni della patologia che risulta essere molto complicato a causa del tessuto ghiandolare della mammella. Il problema è così arduo che spesso, anche per il radiologo, è difficile definire quali siano i veri contorni della lesione, mascherati come sono da un tessuto simile. È evidente quindi come sia interessante sfruttare le poten- zialità offerte dai sistemi ACM (Figg. 6, 7) per la gestione dei contorni.
a b c
Fig. 6a-c. Lesione massiva maligna. a Sorgente; b CM Rem (media pesi); c CM Quot (media pesi)
a b c
Fig. 7a-c. Lesione massiva maligna. a Sorgente; b Anti CM Squashed Quot (media pesi); c Anti CM Squa- shed Rem (media pesi)
In generale la validazione di ogni nuovo metodo di analisi dell’immagine biomedica ri- chiede una stretta collaborazione con i medici interessati. L’utente finale deve riuscire a trovare una caratterizzazione delle strutture che realmente non è in grado di vedere, come nel caso delle stenosi di cui si parla nell’esempio angiografico. Solo in questo modo è pos-
194 Sistemi ACM e Imaging Diagnostico
sibile che il nuovo strumento entri a far parte della normale prassi clinica e in quel conte- sto dimostri le sue reali potenzialità in termini di aumento dell’accuratezza della diagnosi e riduzione dei falsi positivi.
In conclusione, sento di poter affermare che, gli algoritmi proposti in questa opera ar- ricchiscono notevolmente le metodologie nel campo dell’elaborazione delle immagini me- diche in aree di particolare interesse e sviluppo.
