Leonardo Bocchi
Corso di
Tecnologie Biomediche II
Introduzione
TB-2
Algoritmi di visione
artificiale
• Ricostruzione di immagini
– Risonanza Magnetica
• Algoritmi basati su modelli
– Contorni attivi o snake
• Tecniche di soft computing
– reti neurali
– algoritmi evolutivi (ed in particolare alg. genetici)
TB-2
Ricostruzione di immagini
• Alcune tecniche (RX, US, …) forniscono
direttamente immagini 2D o 3D, sotto forma
di segnali analogici o di dati digitali
• In queste tecniche si ha una informazione che
può essere messa in corrispondenza 1:1 con
un pixel dell’immagine
• In altre tecniche non si ha una corrispondenza
di questo tipo:
– TC->proiezioni dell’immagine
– RM->Segnali modulati in fase e frequenza
• La fase di ricostruzione riguarda quindi la
possibilità di ricavare la distribuzione di
informazione dai dati osservati
TB-2
1
Ricostruzione di immagini RM
• In particolare in RM (così come in TC) si ha
anche la necessità di generare dati per cui
questa ricostruzione sia possibile
• La scelta dell’algoritmo di ricostruzione è
strettamente legata alla modalità di
generazione del dato
TB-2
Algoritmi basati su modelli
• Approccio top-down:
– si fa un modello della realtà (forma)
– si verifica quanto assomiglia all’immagine osservata
– si deforma il modello per adattarlo, per quanto
possibile, alla realtà osservata
– le differenze residue sono interpretate come
“rumore”
TB-2
Snake
• Un esempio di applicazione sono i cosiddetti
contorni attivi (detti anche snake)
• Un contorno attivo modella il contorno di una
forma cercata come se fosse un corpo elastico
• Il corpo elastico viene deformato per adattarlo
all’immagine
– energia di deformazione
– energia delle forze esterne che deformano il modello
• Ricerca del punto di equilibrio tra
deformazione e forze esterne
TB-2
2
Sistemi “Biologically
inspired”
inspired”
• La natura ha sempre ispirato lo sviluppo delle
scienze
• I migliori esempi di “problem solver” sono:
– il cervello umano, che ha creato “the wheel, New
York, wars and so on” (Hitch-Hikers Guide to the
Galaxy)
– l'evoluzione, che ha creato il cervello umano (Origin
of Species)
• Questo ha ispirato:
– reti neurali
– evolutionary computing
– un intero zoo di algoritmi basati su ed ispirati a
sciami, formiche, individui sociali, etc. etc.
TB-2
Reti neurali
• Nascono come emulazione del funzionamento
del sistema nervoso biologico
• Tanti neuroni, dal funzionamento
relativamente semplice, sono connessi tra loro
• La topologia delle connessioni individua le
principali proprietà della rete
• La rete “apprende” modificando le connessioni
(sinapsi) fra i vari neuroni
• La rete è in grado di apprendere una relazione
a partire da esempi (analogamente al cervello
umano)
TB-2
Reti neurali
• A seconda del modello di funzionamento del
singolo neurone, delle tipologie di connessione
e delle funzioni usate durante l’apprendimento
si hanno numerosissimi categorie di reti
• La distinzione fondamentale è tra reti
– supervisionate: la rete apprende una classificazione
già nota, a partire cioè da esempi di cui si conoscono
le proprietà
– non supervisionate: la rete deve scoprire una
relazione che lega tra di loro esempi di cui non sono
note a priori le caratteristiche
TB-2
3
Algoritmi genetici
• Gli algoritmi genetici, che fanno parte del
settore del “evolutionary computing”, sono
basati sulla teoria dell’evoluzione di Darwin
• Metafora dell’evoluzione
– ambiente
– individuo
problema
possibile soluzione
– fitness
bontà della soluzione
• In natura, gli individui più adatti (maggiore
fitness) si riproducono maggiormente
• La popolazione quindi evolve (gli individui
hanno via via fitness più alte)
TB-2
4
