ANALISI DI IMMAGINI MEDICALI
Tramite l’utilizzo di algoritmi di Computer Vision è possibile elaborare l’output di dispositivi medici, con lo scopo di supportare il personale ospedaliero, soprattutto in fase di diagnosi.
Applicazioni
Image enhancing: migliorare la qualità delle immagini provenienti dalle macchine. La riduzione del rumore è ad esempio una procedura molto utile per rendere più semplice l’analisi ad occhio nudo dell’esperto.
Ricostruzione 3D: molte macchine, come ad esempio l’OCT in dermatologia, creano delle immagini “a strati”, ovvero dei volumi 3D di informazioni. Per visualizzare al meglio le informazioni contenute in questi volumi si può elaborare una ricostruzione 3D in modo da dare all’esperto una vista complessiva e immediata della scansione.
Misurazione marker per diagnosi: tramite algoritmi di image processing è possibile calcolare l’incidenza di alcuni fattori (e.g. rossore, dimensioni, densità, ecc) per mostrare a schermo informazioni quantitative sul caso analizzato.
Alcune delle tecnologie compatibili con l’analisi di immagini medicali sono:
Dermatologia: analisi dell’immagine di dermatoscopia, scansioni di Optical Coherence Tomography (OCT), microscopia confocale
Risonanza magnetica (MRI) per malattie neurologiche e cardiache
Ecografie (CT)
Radiografie
Ultrasuoni
Vantaggi
La computer vision può essere un potente strumento per l’analisi dei dati in applicazioni medicali. L’obiettivo degli strumenti di analisi dell’immagine non è quello di sostituire il medico curante, ma di assisterlo nella quotidianità, semplificando l’interpretazione delle scansioni mediche:
Migliore presentazione dei dati: vengono mostrati solo i dati che contano e il resto viene filtrato
Aumentare la qualità delle immagini: un problema comune nell’ambito dell’imaging medicale è il rumore, spesso dovuto alla tecnologia, o dovuto ai micro movimenti del paziente durante la procedura di cattura dell’immagine. La computer vision può aiutare a ridurre tali fattori e a migliorare la visualizzazione e la chiarezza dell’immagine.
Quantificazione dei marker: misurazione di marker utili alla diagnosi di specifici disturbi clinici
Semplificare la visualizzazione di strutture 3D: le immagini in medicina costituiscono spesso volumi di informazioni, creati attraverso scansioni multiple (pensiamo ad esempio alla risonanza magnetica). Questi volumi sono “cubi” densi di informazioni solitamente molto difficili da visualizzare e analizzare. La segmentazione del volume 3D può davvero aiutare ad isolare le parti informative del dato permettendone una visualizzazione chiara.
Misurare l’entità dei fattori determinanti nella diagnosi: il machine learning e gli algoritmi di deep learning possono “apprendere” i marker visuali che distinguono una particolare malattia, e possono così aiutare i medici a quantificare questi marker per una più accurata diagnosi.
Apprendimento automatico: utilizzo di tecniche di machine learning per analizzare grandi volumi di dati e estrarre preziose informazioni statistiche
Know-how
Il team di R&D di Pikkart ha esperienza nel mondo dell’analisi di immagini medicali in campo dermatologico. Alcune delle problematiche affrontate sono state:
Riduzione del rumore
Ricostruzione 3D
Riconoscimento automatico di marker visivi
Pubblicazioni
“Dynamic Optical Coherence Tomography in Dermatology”, Ulrich et al., Dermatology, 2016
“Skin Surface Reconstruction and 3D Vessels Segmentation in Speckle Variance Optical Coherence Tomography”, Manfredi et al., VISAPP, 2016
ultima modifica:
06/03/2018
condividi:
