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


• 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


• 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


• 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.


• 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


• 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


• 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.


• 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


• 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


• Algoritmo z-score• I punteggi di ciascun input vengono

normalizzati secondoZ= (x – )/

media su tutti i neuroni dello strato competitivo

deviazione quadratica media


• 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)


• 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.


• 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.


• 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.


ESEMPIO

Codice 000000000100000 frequenza 9414 Colore 5






……

……

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

• - 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

APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA.

Documents

Transcript of APPLICAZIONI DI INTELLIGENZA ARTIFICIALE ALLA MEDICINA.