RICERCA ITALIANA     

Programma di ricerca

VALIDAZIONE DI TECNICHE DI AUTOFLUORESCENZA PER IL RICONOSCIMENTO DEI LINFONODI NEOPLASTICI BORDERLINE

Università di riferimento

Università degli Studi di CASSINO - AUTOMAZIONE, ELETTROMAGNETISMO, INGEGNERIA DELL'INFORMAZIONE E MATEMATICA INDUSTRIALE - CASSINO(FR)

Responsabile dell'Unità di ricerca

Francesco TORTORELLA

Descrizione

Obiettivo dell'Unità di Ricerca è la progettazione, implementazione e verifica di un sistema automatico per l'interpretazione delle immagini multispettrali ad autofluorescenza di linfonodi al fine di identificare eventuali linfonodi neoplastici. Sulla base della letteratura scientifica presente sull'argomento, gli indizi principali che sono considerati dagli specialisti riguardano gli aspetti strutturali, morfologici, spettrali delle varie formazioni riconoscibili all'interno dell'immagine. Ulteriori informazioni utili alla diagnosi finale possono inoltre provenire da una valutazione della distribuzione spaziale che le singole componenti (aree di tessuto, cellule) assumono nell'immagine.
Sulla base di queste considerazioni, il sistema realizzato dall'unità dovrà quindi considerare informazioni di diversa natura ed essere in grado di sfruttarne la complementarietà per ottenere un'interpretazione corretta dell'immagine.
A questo scopo, il sistema dovrà realizzare le seguenti fasi:
a) Segmentazione:
individuare nell'immagine le diverse componenti valutando localmente le caratteristiche dell'immagine (intensità, spettro) e costruendo regioni di punti che presentano caratteristiche omogenee. In questo modo, si identificheranno le zone a più elevata autofluorescenza che contengono cellule o tessuto connettivale.
b) Estrazione delle features:
per ognuna delle componenti individuate, misurare un insieme di parametri che descrivono la morfologia (quali area, perimetro, compattezza, momenti geometrici, …) e la texture locale della componente (quali luminosità media, contrasto locale, entropia, …).
c) Clustering:
raccogliere in gruppi le componenti vicine che presentano parametri con valori compatibili (e che sono quindi riconducibili ad una stessa tipologia) al fine di evidenziare eventuali formazioni di cellule; per ogni formazione individuata vengono inoltre misurati un insieme di parametri morfologici, citometrici e fotometrici che caratterizzano la formazione nel suo insieme.
d) Classificazione:
sulla base delle misure raccolte nelle fasi b) e c) decidere se è o meno presente un'eventuale patologia fornendo una stima di confidenza della decisione raggiunta.

Si considerano ora in dettaglio le singole fasi, evidenziando quali saranno le azioni realizzate per ognuna di esse :

Segmentazione
Saranno implementati e sperimentati diversi metodi di segmentazione basati sia sulla Morfologia Matematica (si considererà in particolare la trasformata Watershed) sia su modelli statistici dell'immagine quali i Campi Aleatori Markoviani Gerarchici (Hierarchical Markov Random Fields, HMRF. La valutazione della qualità dei risultati ottenuti con i diversi metodi sarà fatta a stretto contatto con le competenze mediche delle altre unità per verificare se le componenti di interesse (aree di tessuto, cellule, ecc.) sono segmentate correttamente.

Estrazione delle features
Saranno considerati i principali parametri (features) utilizzati nell'ambito dell'interpretazione automatica delle immagini per descrivere le caratteristiche morfologiche, fotometriche, spettrali di un oggetto da riconoscere. Sarà inoltre operata una selezione (feature selection), basata su tecniche statistiche, con lo scopo di individuare quali parametri (o combinazioni di parametri) permettono una migliore discriminazione nella fase di classificazione.

Clustering
Siccome non è noto a priori il numero di formazioni eventualmente presenti nell'immagine, saranno implementati e sperimentati algoritmi di raggruppamento che non richiedono che tale valore sia specificato. In particolare saranno considerati algoritmi di clustering sia gerarchici che sequenziali.

Classificazione
Questa è la fase più delicata dell'intero sistema in quanto dovrà essere definito un algoritmo che, a valle di una fase di apprendimento effettuata su un insieme di campioni di cui è nota la natura (presenza o meno di patologie), deve fornire una decisione sui nuovi campioni che vengono presi in esame (algoritmo di classificazione o classificatore). L'input dell'algoritmo è costituito dalle features valutate nelle fasi precedenti; la decisione è presa sulla base di una conoscenza costruita tramite una fase di apprendimento realizzata su un insieme di immagini campione di cui è nota la diagnosi. In letteratura sono presenti numerosi algoritmi di classificazione, basati su paradigmi statistici, neurali o genetici/evoluzionisti. Tuttavia, vista la differente natura delle informazioni sulla base delle quali tale decisione deve essere assunta, tale compito potrebbe essere troppo complesso per essere affrontato con un unico classificatore, compromettendo così il grado di affidabilità esibito dal sistema. Sarà quindi seguito un approccio di tipo gerarchico (Multiple Expert System, MES) che prevede l'uso di più classificatori, ognuno dei quali specializzato su un particolare insieme di features omogenee. In questo modo, il singolo classificatore è in grado di fornire una decisione molto più affidabile, seppure parziale.
A scopo di esempio, si potrebbe considerare un classificatore che esprime una decisione per ognuna delle componenti individuate nella fase di segmentazione (considerando l'insieme dei valori delle features adottate per le componenti) ed un classificatore che esprime una decisione per ognuno dei clusters individuati, stavolta sulla base delle features scelte per caratterizzare un cluster. A valle dei classificatori, il MES prevede uno schema di combinazione capace di aggregare le decisioni provenienti dai singoli classificatori ed esprimere una decisione complessiva. Tale soluzione presenta notevoli vantaggi: 1) combina efficacemente le informazioni complementari riscontrabili quando si analizza l'immagine sotto diversi aspetti; 2) rende visibili all'utente le singole decisioni prese ad ogni livello consentendo così una maggiore flessibilità nel definire delle regole di combinazione più efficienti ed adatte ai diversi tipi di patologie da riconoscere; 3) rende estremamente semplice l'integrazione di informazioni provenienti da sistemi diversi da quello di elaborazione di immagini (p.es. lo spettro di fluorescenza proveniente da un analizzatore spettrale).
Un altro aspetto da considerare è che il sistema di decisione deve affiancare alla decisione prodotta una stima della sua affidabilità, in modo da identificare le decisioni non sufficientemente sicure. Di conseguenza, un altro compito dell'unità sarà la definizione e la validazione di un algoritmo per stimare l'affidabilità associata ad ogni decisione presa dal sistema. Ovviamente, la progettazione del sistema di decisione avrà come obiettivo la massimizzazione dell'affidabilità di decisione. In questo contesto, un utile strumento di valutazione è fornito dalla curva ROC (Receiver Operating Characteristic) che viene diffusamente utilizzata nel campo della diagnostica radiologica e della statistica medica per descrivere le prestazioni (in termini di sensibilità e specificità) di un sistema diagnostico al variare delle condizioni operative. Il criterio che si seguirà nella progettazione del sistema sarà quello di ottimizzare la curva ROC che caratterizza l'intero sistema.
La figura mostra l'organizzazione complessiva del sistema proposto.