Segmentazione automatica della carotide basata sulla

Segmentazione automatica della carotide
basata sulla classificazione dei pixel
Samanta Rosati, Filippo Molinari, Gabriella Balestra
Biolab, Dipartimento di Elettronica e Telecomunicazioni, Politecnico di Torino, Torino
OBIETTIVO DELLO STUDIO
 Proporre uno strumento per la segmentazione automatica di immagini
ad ultrasuoni dell’arteria carotidea.
Samanta Rosati
28 giugno 2012
OBIETTIVO DELLO STUDIO
 Proporre uno strumento per la segmentazione automatica di immagini
ad ultrasuoni dell’arteria carotidea.
Indicatore di
rischio
cardiovascolare
Samanta Rosati
28 giugno 2012
OBIETTIVO DELLO STUDIO
 Diversa morfologia
del vaso
Samanta Rosati
28 giugno 2012
OBIETTIVO DELLO STUDIO
 Presenza di condizioni
patologiche
Samanta Rosati
28 giugno 2012
OBIETTIVO DELLO STUDIO
 Scarsa ecogenicità
delle interfacce
Samanta Rosati
28 giugno 2012
OBIETTIVO DELLO STUDIO
 Proporre uno strumento per la segmentazione automatica di immagini
ad ultrasuoni dell’arteria carotidea.
Elaborazione di Immagini +
Knowledge-Based Systems
Samanta Rosati
28 giugno 2012
FEATURE EXTRACTION
1. Estrazione di una serie di parametri che possano essere descrittivi dei
singoli pixel
 6 aree di pixel
 3 categorie di features:
4 aree centrate
attorno al pixel:
 3x7
 7x3
 15x7
 7x15
2 aree non centrate
attorno al pixel:
 7x3 verso l’alto
 7x3 verso il basso
Samanta Rosati
 Intensità del pixel selezionato
 Momenti statistici: valor
medio, deviazione standard,
skewness, kurtosis
 Texture Features: Spatial Gray
Level Dependence Method,
Gray Level Difference Method,
Gray Level Run Length Matrix
211 features estratte per
ogni pixel analizzato
28 giugno 2012
FEATURE SELECTION
2. Selezione di un sottoinsieme di parametri che permettano di
identificare la regione a cui i pixel appartengono
 4 classi di pixel:
 Lume
 Complesso intima-media
 Avventizia
 Lume rumoroso
Samanta Rosati
28 giugno 2012
FEATURE SELECTION
2. Selezione di un sottoinsieme di parametri che permettano di
identificare la regione a cui i pixel appartengono
 4 classi di pixel:
 Lume
 Complesso intima-media
 Avventizia
 Lume rumoroso
 QuickReduct Alghoritm:
 Algoritmo per FS basato sulla teoria dei
Rough Set (Fuzzy Logic)
 Nessuna ipotesi sulla modellizzazione
dei dati
QRA(C,D)
Input:
C -> set di feature estratte
per ogni elemento
D -> classe di appartenenza
di ogni elemento
Output:
R -> sottoinsieme di feature
R <- {}
while
T <- R
foreach ∈ (C-R)
if
∪
T <- R ∪ R <- T
return R
Samanta Rosati
28 giugno 2012
FEATURE SELECTION
2. Selezione di un sottoinsieme di parametri che permettano di
identificare la regione a cui i pixel appartengono
 QuickReduct Alghoritm:
 4 classi di pixel:
 Lume
 Complesso intima-media
 Avventizia
 Algoritmo per FS basato sulla teoria dei
Rough Set (Fuzzy Logic)
 Nessuna ipotesi sulla modellizzazione
dei dati
QRA(C,D)
 Lume rumoroso
 Dataset per FS:
 60 immagini
 600 pixel
per classe
Samanta Rosati
Input:
C -> set di feature estratte
per ogni elemento
D -> classe di appartenenza
di ogni elemento
Output:
R -> sottoinsieme di feature
R <- {}
while
T <- R
foreach ∈ (C-R)
if
∪
T <- R ∪ R <- T
return R
28 giugno 2012
FEATURE SELECTION
2. Selezione di un sottoinsieme di parametri che permettano di
identificare la regione a cui i pixel appartengono
 QuickReduct Alghoritm:
 4 classi di pixel:
 Lume
 Complesso intima-media
 Avventizia
 Algoritmo per FS basato sulla teoria dei
Rough Set (Fuzzy Logic)
 Nessuna ipotesi sulla modellizzazione
dei dati
QRA(C,D)
 Lume rumoroso
 Dataset per FS:
 60 immagini
 600 pixel
per classe
13 features selezionate
Samanta Rosati
Input:
C -> set di feature estratte
per ogni elemento
D -> classe di appartenenza
di ogni elemento
Output:
R -> sottoinsieme di feature
R <- {}
while
T <- R
foreach ∈ (C-R)
if
∪
T <- R ∪ R <- T
return R
28 giugno 2012
CLASSIFICAZIONE DEI PIXEL
3. Costruzione di un classificatore capace di identificare la regione della
carotide a cui ciascun pixel appartiene
 3 differenti dataset
di training
Samanta Rosati
28 giugno 2012
CLASSIFICAZIONE DEI PIXEL
3. Costruzione di un classificatore capace di identificare la regione della
carotide a cui ciascun pixel appartiene




LUME/LUME RUMOROSO
COMPLESSO INTIMA-MEDIA
AVVENTIZIA
NON CLASSIFICATO
 3 differenti dataset
di training
Samanta Rosati
28 giugno 2012
SEGMENTAZIONE DELL’IMMAGINE
4. Identificazione delle interfacce lume-intima e media-avventizia
L
L
L
IM
IM
L
IM
IM
IM
IM
IM
IM
IM
IM
IM
A
A
A
A
Interfaccia LI
ADF
LI
MA
Interfaccia MA
5. Calcolo della distanza tra il profilo LI e il profilo MA
Samanta Rosati
28 giugno 2012
RISULTATI
 Immagine con elevata
qualità e contrasto
 Immagine con
lume rumoroso
LI
MA
ADF
LI
MA
ADF
LI
MA
ADF
 Immagine con
carotide inclinata
Samanta Rosati
28 giugno 2012
RISULTATI
 Confronto tra IMT calcolata automaticamente e IMT estratta da 2 set
di profili tracciati manualmente effettuato su 50 immagini
 IMT autom. – op1
 IMT op1 – op2
Samanta Rosati
 IMT autom. – op2
28 giugno 2012
CONCLUSIONI
 Nel calcolo dell’IMT le prestazioni dell’algoritmo si possono ritenere
ampiamente in linea con quelle dei tradizionali algoritmi di segmentazione
anche semi-automatici
 L’algoritmo proposto è completamente user-indipendent e non richiede
l’inizializzazione di alcun parametro
 Si adatta a differenti geometrie e livelli di rumore senza necessità di
modificare/adattare i parametri
 I profili LI e MA estratti possono essere utilizzati per l’inizializzazione di
altri algoritmi (modelli deformabili) o per l’identificazione di placche
Samanta Rosati
28 giugno 2012
GRAZIE PER L’ATTENZIONE
http://socrate.polito.it/biolab