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