APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA.
-
Upload
luciano-zanella -
Category
Documents
-
view
230 -
download
0
Transcript of APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA.
APPLICAZIONI DI INTELLIGENZA
ARTIFICIALE ALLA MEDICINA
RETE AUTOORGANIZZANTE
PER LA SEGMENTAZIONE DI
IMMAGINI DIAGNOSTICHE
SEGMENTAZIONE IN IMMAGINI CLINICHE
• Il riconoscimento automatico di regioni anatomiche è un importante aiuto al decision-making clinico
• Scopi diagnostici, terapeutici, chirurgici
• E’ importante avere strumenti che lavorino in tempo reale
SEGMENTAZIONE IN IMMAGINI CLINICHE
• Nel caso chirurgico , immagini TAC o RM vengono convertite in simulazioni 3D usate dal chirurgo in tempo reale per localizzare la regione da operare
• E’ necessario segmentare l’immagine per confrontarla con un atlante funzionale in modo da vedere quali aree non danneggiare
SEGMENTAZIONE IN IMMAGINI CLINICHE
• La segmentazione consiste nel raggruppare i pixel in regioni uniformi secondo certi criteri
• La segmentazione è essenzialmente un problema di classificazione
• L’algoritmo “region growing” aggrega i pixel a partire da un seme cui aggiunge man mano pixel con proprietà simili
SEGMENTAZIONE IN IMMAGINI CLINICHE
• E’ importante la scelta del seme e non è facile da automatizzare
• In genere ogni tecnica richiede la scelta manuale di una “regione di interesse” e dei criteri di inclusione.
• Infine l’esperto deve etichettare le regioni ottenute.
SEGMENTAZIONE IN IMMAGINI CLINICHE
• Nel caso delle immagini diagnostiche le regioni di interesse hanno una topologia molto complessa
• E’ necessario usare un classificatore non lineare
• Le reti neurali sono quindi una scelta opportuna
SEGMENTAZIONE IN IMMAGINI CLINICHE
• Le reti neurali supervisionate vanno allenate con una serie di pattern
• La variabilità delle immagini cliniche è enorme: pazienti differenti, scansioni differenti.
• Difficile quindi trovare esempi sufficienti e generalizzare per una rete supervisionata
SEGMENTAZIONE IN IMMAGINI CLINICHE
• Le reti non supervisionate (SOM) hanno un tempo di apprendimento più breve ma troppo lungo per il tempo reale
• L’output della SOM, che produce un clustering, va trattato dall’esperto per dare il corretto significato alle classi.
• Difficile usare in ciclo chiuso.
SEGMENTAZIONE IN IMMAGINI CLINICHE
• Per pattern organizzati la sequenza temporale dei neuroni vincitori tende a ripetersi
• La sequenza caratterizza univocamente l’input che la ha determinata.
• E’ possibile classificare anche input con topologia complessa
SEGMENTAZIONE IN IMMAGINI CLINICHE
• Non è necessario arrivare a convergenza
• Una buona sequenza non supera i 20 cicli
• E’ necessario confrontare le sequenze di neuroni vincitori con un reference set che dia loro un’interpretazione automatica
SEGMENTAZIONE IN IMMAGINI CLINICHE
• Algoritmo z-score• I punteggi di ciascun input vengono
normalizzati secondoZ= (x – )/
media su tutti i neuroni dello strato competitivo
deviazione quadratica media
SEGMENTAZIONE IN IMMAGINI CLINICHE
• Viene posta una soglia 0<=<=1 t.c.
z=1 per z>z=0 per z<=
• A stringhe binarie identiche corrispondono input identici.
• Tecnica utile per elaborazioni in tempo reale (robotica)
SEGMENTAZIONE IN IMMAGINI CLINICHE
• L’immagine del paziente va segmentata in due tessuti principali: materia bianca e materia grigia.
• Le immagini sono file DICOM 256x256 il cui header è stato rimosso per ottenere una matrice con 256 livelli di grigio.
SEGMENTAZIONE IN IMMAGINI CLINICHE
• La rete neurale è stata configurata per ricevere griglie 2x2 pixel in input sotto forma di 4 livelli di grigio.
• Lo strato competitivo è stato settato a 15 unità.
• Dopo 10-15 epoche la rete si stabilizza.
SEGMENTAZIONE IN IMMAGINI CLINICHE
• In modo del tutto automatico viene scelto il reference set che servirà a riconoscere i codici z-score emessi dalla rete
• Vengono scelti i codici emessi con più alta frequenza, che sono i grigi scuri.
• Il sistema converte i codici nel livello di grigio corrispondente, ottenendo l’immagine segmentata.
SEGMENTAZIONE IN IMMAGINI CLINICHE
ESEMPIO
Codice 000000000100000 frequenza 9414 Colore 5
Codice 000000000000010 frequenza 7548 Colore 44
Codice 000010000000011 frequenza 107 Colore 177
Codice 000000100000010 frequenza 1 Colore 40
Codice 000000101100000 frequenza 2 Colore 12
Codice 011000100001100 frequenza 1 Colore 60
……
……
IL BINDING PROBLEM:
EVIDENZA DI ATTRATTORI CAOTICI NELLE
OSCILLAZIONI CORTICALI A 40 Hz
BINDING PROBLEM
• - Dove origina l’unità delle percezioni ?• Esiste una struttura cerebrale preposta a
questo binding funzionale?• - Forse la soluzione è l’ organizzazione delle
onde gamma (~ 40 Hz) emesse dai neuroni corticali
• - Come risposta a diversi stimoli sensoriali si formano pattern autoorganizzati
CORTECCIA ENTORINALE (ERC)
• - E’ stato dimostrato che l’attività gamma nella corteccia entorinale puo’ essere riprodotta con applicazione di carbacolo
• - Abbiamo usato corteccia di cavia in vitro• - L’attività gamma è stata registrata da
microelettrodi posti in 5 diversi punti della ERC
CORTECCIA ENTORINALE (ERC)
Siti di registrazione nella ERC e segnali rilevati
RETI NEURALI AUTOORGANIZZANTI(Self Organizing Map)
- Ricerca di strutture nei dati in mancanza di classi note (clustering)
- Limiti:
• - lo strato competitivo non puo’ seguire input strettamente non lineari
• - manca esplicitazione dell’output
ITSOM (Inductive Tracing Self-Organizing Map)
- Se una SOM e’ applicata a dati strutturati, la serie temporale dei neuroni vincenti tende a ripetersi
- Si forma una configurazione ciclica che caratterizza univocamente lo stream di input
- Non e’ necessario giungere alla convergenza: la configurazione si stabilizza dopo poche epoche
ITSOM
• - Codifica le configurazioni di neuroni vincenti con algoritmo z-score:
• - I punteggi cumulativi di ciascun input vengono normalizzati secondo la distribuzione della variabile standardizzata
• z = (x - m )/s
ITSOM
• z = 1 per z>t• z = 0 per z t
• Ogni configurazione sara’ rappresentata da un numero binario, formato da tanti 1 e 0 quanti i neuroni dello strato competitivo.
ITSOM
ITSOM
• - Carico computazionale lineare
• - Processo induttivo pochi-a-molti da configurazioni cicliche note all’intero stream di input.
• - Puo’ riconoscere tipici attrattori quando compaiono nella serie temporale.
ANALISI NON LINEARE
• DIMENSIONE DI CORRELAZIONE D2– D2 e’ una misura della complessità
dell’attrattore e dipende dal numero di punti che nella serie embedded stanno ad una distanza prefissata fra loro
– D2 e’ limite inferiore per la dimensione frattale di Hausdorff
ANALISI NON LINEARE
• PARAMETRO DI HURST
• Una serie autosimilare mostra dipendenza a lungo raggio, con funzione di autocorrelazione
• r(k) ~ k – per k 0<<1
ANALISI NON LINEARE
• L’autosimilarità è espressa da
H = 1 – b/2Per serie autosimilari
½ < H < 1
D = 2 – H D dimensione di Hausdorff
RECURRENCE QUANTIFICATION ANALYSIS
- Analizza le distanze fra coppie di punti di serie ricostruite
- Localizza caratteristiche locali (adatta per segnali fisiologici rapidamente variabili)
- DET (Determinismo): percentuale di punti ricorrenti in sequenza ; corrisponde al valore del massimo esponente di Lyapounov della serie (L>0 per sistemi caotici)
RISULTATI
• - I segnali sono stati considerati simultaneamente per evidenziare correlazioni fra siti distanti
• - Elaborazione delle serie di neuroni vincenti con MATLAB/SIMULINK
• - Scarsa correlazione fra siti distanti prima dell’applicazione di carbacolo
- Dopo l’induzione di attività gamma compaiono pattern caotici
RISULTATI
Serie dei neuroni vincitori prima e dopo applicazione di carbacolo - spazio delle fasi
RISULTATI
• Valutazione quantitativa:
• H < 0.4 prima di carbacolo > 0.5 (fino a 0.8) dopo carbacoloD2 2.6-3.2 sia prima che dopo lo stimolo
(parametro caratteristico del sistema)
DET fino a 98% dopo lo stimolo
RISULTATI
• VISUAL RECURRENCE ANALYSIS
Pattern organizzati in corrispondenza di alti valori di H
• ANALISI SULLE SERIE ORIGINALI
• - Metodo lineare : power spectrum e cross power spectrum < 0.5
• - Metodi non lineari:- valori di H spesso meno significativi- maggior sensibilità di ITSOM o falsi
positivi ?
RISULTATI
RISULTATI
Pattern autoorganizzati in serie originali
VISUAL RECURRENCE ANALYSIS
CONCLUSIONI
• - L’analisi attraverso rete neurale conferma l’esistenza di pattern caotici autoorganizzati in presenza di onde gamma
• - L’analisi lineare non evidenzia correlazioni fra siti distanti
• - L’analisi non lineare conferma l’esistenza di attrattori caotici ma meno frequentemente della rete neurale
CONCLUSIONI
• - E’ possibile identificare attrattori tipici attraverso il codice z-score e riconoscerli all’interno delle serie temporali
• - La rete neurale ITSOM permette di valutare la correlazione di tutti i siti di registrazione contemporaneamente