Diagnostica per immagini IA

L’INTELLIGENZA ARTIFICIALE NELL’IMAGING MEDICO

Condividi questa notizia:

Un recente rapporto del Global Market Insights  rivela che il mercato della applicazioni di intelligenza artificiale in ambito sanitario nel 2016 ammontava a 750 milioni di dollari e crescerà fino al 2024.

Il campo dell’intelligenza artificiale può essere raffigurato attraverso un diagramma di Venn che mette in luce le relazioni concettuali tra le diverse tecniche.

Diagramma di Venn

Dal diagramma è possibile vedere che il deep learning è un caso particolare di apprendimento di rappresentazione, che a sua volta è un sottoinsieme del machine learning e il tutto è una sottodivisione delle tecnologie di intelligenza artificiale.

Con il termine machine learning si intende un insieme di tecniche e approcci destinati alla risoluzione di determinati tipi di problemi che prevedono che l’algoritmo impari da un certo set di dati.

Attualmente lo studio degli algoritmi di machine learning ha visto molti successi nell’ambito del riconoscimento di immagini e comprensione di linguaggio parlato.

In tali ambiti, infatti, vi sono problemi molto difficili da risolvere con programmi “hard coded”, il cui funzionamento non prevede un addestramento. In questo approccio i programmi esposti all’addestramento imparano una gerarchia di concetti dai dati (noti come rappresentazione dei dati).

Quando si apprendono rappresentazioni da altre rappresentazioni si parla di una stratificazione profonda dell’apprendimento: il deep learning.

APPLICAZIONI DELLE RETI NEURALI NELL’IMAGING MEDICO

Nell’ambito sanitario l’intelligenza artificiale trova largo impiego nell’imaging medico, in quanto consente una caratterizzazione migliore e un’identificazione più celere delle metastasi che possono migliorare gli esiti delle terapie. In particolare, le tecniche di deep learning vengono maggiormente utilizzate per gli aspetti legati all’imaging medico.

Classificazione di immagini o esami

Uno dei primi utilizzi degli algoritmi di deep learning nell’imaging medico riguarda la classificazione delle immagini. Solitamente si ha un certo numero di immagini come input e una singola variabile diagnostica in output (presenza/assenza della malattia). Per quanto riguarda i dataset sono molto più ristretti nell’imaging medico rispetto alla computer vision in generale (centinaia/migliaia di campioni contro milioni). Per questo motivo si utilizza spesso la tecnica del transfer learning, che consiste sostanzialmente nel pre-addestrare la rete neurale per aggirare il fabbisogno di dati per il training del programma. Vi sono due strategie di transfer learning maggiormente utilizzate:

Entrambe le strategie sono state utilizzate con successo in molti casi, sebbene la seconda si stia dimostrando migliore.

Classificazione di un oggetto o di una lesione

La classificazione di una lesione significa classificare una piccola parte dell’immagine medica, come un tumore in uno specifico organo. A tal fine le informazioni locali della lesione e le informazioni globali sulla posizione della lesione sono importanti. Solitamente degli algoritmi di deep learning generici non sono adatti per questo tipo di compito, per cui un approccio utilizzato in molti casi è quello multistream. Alcuni studi hanno utilizzato delle reti convoluzionali multistream concatenate e anche una combinazione di reti convoluzionali e ricorrenti, l’utilizzo di componenti ricorrenti aiuta a rendere l’analisi indipendente dalla dimensione dell’immagine.

Nel caso di analisi di immagini 3D le reti invece devono essere riadattate. Oltre alle reti neurali convoluzionali anche altri tipi di architetture sono state utilizzate per lo scopo, tra cui RBM (Restricted Boltzmann Machine), SAEs (Stacked Autoencoders) e SAE (Convolutional Stacked Autoencoders), la cui differenza di quest’ultimo da una rete neurale convoluzionale è il preaddestramento non supervisionato con degli autoencoders sparsi. Un altro approccio interessante è anche il multiple instance learning (MIL) combinato con metodi deep learning. Questa procedura ottiene ottimi risultati in confronto all’estrazione di features a mano.

Rilevazione di organi e regioni

Nel pre-processo delle analisi di immagini mediche la rilevazione anatomica di oggetti è uno step molto importante. Nella rilevazione di oggetti in 2D le architetture più utilizzate sono le reti convoluzionali, dati i loro buoni risultati. Sembra che anche le RNNs possano raggiungere ottimi risultati in questo compito.

Rilevazione di lesioni

Uno dei problemi cruciali per la diagnosi è la rilevazione di lesioni nelle immagini mediche ovvero nell’individuare lesioni nell’immagine. Anche qui la maggior parte degli studi effettuati per questo scopo hanno fatto uso di reti neurali convoluzionali per analisi per pixel o voxel. Ci sono alcune differenze tecniche nella rilevazione e la classificazione di lesioni con reti neurali e, a parte queste la rilevazione e la classificazione sono risolti in modo piuttosto simile.

Segmentazione di organi o di sottostrutture

La segmentazione degli organi è una parte importante nei sistemi di diagnosi automatici e permette analisi quantitative di volume e forma delle regioni di interesse. Il compito consiste nell’identificare i pixel o voxel che formano il contorno, volume o superfice dell’oggetto desiderato. La maggior parte degli articoli sull’uso di algoritmi di deep learning applicati all’imaging medico si occupano di segmentazione. Per questo compito sono state implementate molte architetture basate sulla rete convoluzionale e la RNN. La più conosciuta delle reti convoluzionali implementate per la segmentazione è la rete neurale U-Net. Oltre alle reti convoluzionali, anche le reti RNN sono state utilizzate recentemente per la segmentazione.

Segmentazione di lesioni

La segmentazione delle lesioni è un approccio misto tra la rilevazione di oggetti e la segmentazione. Per questo compito si utilizzano architetture U-Net e simili per avere un’analisi di tipo globale e locale dell’immagine.

La registrazione

la registrazione delle immagini mediche consiste nel calcolo di una trasformazione di coordinate da un’immagine medica ad un’altra. I metodi più comunemente utilizzati sono due:

Anche in questo caso le architetture al momento utilizzate più spesso sono di tipo convoluzionale. Per il compito della registrazione delle immagini vengono utilizzate diverse architetture tra cui SAE e CNN, tuttavia non si è ancora ben compreso quale metodo sia il migliore.

CONCLUSIONE

Impiegando diversi algoritmi di deep learning, recenti studi hanno raggiunto risultati notevoli, dimostrando così l’efficacia di queste tecniche nei sistemi automatici di diagnosi. In futuro si prospettano ulteriori miglioramenti di performance e un sempre più diffuso ed efficace utilizzo. Grazie all’intelligenza artificiale è sempre più possibile automatizzare il rilevamento, il monitoraggio, la previsione della terapia e la risposta alla terapia stessa.

Cerchi partner per progetti ICT? Chiedi a PMF Research compilando il contact form

PKU Smart Sensor

Il progetto PKU Smart Sensor (n. 08RG7211000341 – CUP G89J18000710007) è stato finanziato grazie al Fondo Europeo di Sviluppo Regionale (FESR) 2014/2020 Sicilia, nell’ambito dell’Asse 1 – Obiettivo Specifico 1.1 – Azione 1.1.5. “Realizzazione e validazione di un sistema Point-of-Care, per il monitoraggio home-testing di fenilalanina in pazienti affetti da iperfenilalaninemie”. Importo spesa ammissibile PMF Srl: 208.864,00 euro. Importo contributo PMF Srl: 146.674,00 euro. Il contenuto di questo sito web è sotto la responsabilità della PMF Srl e non riflette necessariamente le opinioni della Commissione Europea.

VESTA

Il progetto VESTA (n. F/050074/02/X32 – CUP B58I17000190008) è stato finanziato grazie all’Asse 1 Priorità di investimento 1.b Azione 1.1.3 LDR. BANDO HORIZON 2020 – PON 2014/2020 “Realizzazione di un sistema di sicurezza (antifurto) evoluto basato su tecnologie innovative di ispezione radio a corto raggio e su sensori multimediali audio/video miniaturizzati”. Importo spesa ammissibile PMF Srl: 299.915,01 euro. Importo contributo PMF Srl: 131.284,02 euro. Il contenuto di questo sito web è sotto la responsabilità della PMF Srl e non riflette necessariamente le opinioni della Commissione Europea.

MINERVA

Il progetto MINERVA (n. F/190045/01/X44 – CUP B61B1900048008) è stato finanziato grazie al Fondo per la Crescita Sostenibile – Sportello “Fabbrica intelligente” PON I&C 2014-2020, di cui al DM 5 marzo 2018 Capo III. Metodi Innovativi e-learning e realtà virtuale in azienda. Importo spesa ammissibile PMF Srl: 274.791,25 euro. Importo contributo PMF Srl: 160.532,00 euro. Il contenuto di questo sito web è sotto la responsabilità della PMF Srl e non riflette necessariamente le opinioni della Commissione Europea.

SECESTA ViaSafe

Il progetto SECESTA ViaSafe (n. 08CT6202000208 – CUP G69J18001010007) è stato finanziato grazie al Fondo Europeo di Sviluppo Regionale (FESR) 2014/2020 Sicilia, nell’ambito dell’Asse 1 – Obiettivo Specifico 1.1 – Azione 1.1.5. “Applicazione della rete di monitoraggio dalla ricaduta di cenere vulcanica dell’Etna alla gestione della mobilità nel territorio etneo”. Importo spesa ammissibile PMF Srl: 267.400,00 euro. Importo contributo PMF Srl: 190.752,00 euro. Il contenuto di questo sito web è sotto la responsabilità della PMF Srl e non riflette necessariamente le opinioni della Commissione Europea.

Questo sito fa uso di cookie per migliorare l’esperienza di navigazione degli utenti e per raccogliere informazioni sull’utilizzo del sito stesso.