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 secondo
Z= (x – m)/s
m media su tutti i neuroni dello strato
competitivo
s deviazione quadratica media
SEGMENTAZIONE IN
IMMAGINI CLINICHE
• Viene posta una soglia 0<=t<=1 t.c.
z=1 per z>t
z=0 per z<=t
• 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
Codice 000000000000010
Codice 000010000000011
Codice 000000100000010
Codice 000000101100000
Codice 011000100001100
……
……
frequenza 9414
frequenza 7548
frequenza 107
frequenza 1
frequenza 2
frequenza 1
Colore 5
Colore 44
Colore 177
Colore 40
Colore 12
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/2
Per serie autosimilari
½<H<1
D=2–H
Hausdorff
D dimensione di
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
D2
DET
< 0.4 prima di carbacolo
> 0.5 (fino a 0.8) dopo carbacolo
2.6-3.2 sia prima che dopo lo stimolo
(parametro caratteristico del
sistema)
fino a 98% dopo lo stimolo
RISULTATI
• VISUAL RECURRENCE ANALYSIS
Pattern organizzati in corrispondenza di alti valori di H
RISULTATI
• 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
VISUAL RECURRENCE ANALYSIS
Pattern autoorganizzati in serie originali
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
