IT201600082608A1 - Metodo di classificazione di sequenze video di ecografie toraciche - Google Patents

Description

Descrizione della domanda di brevetto per Invenzione Industriale dal titolo: “Metodo di classificazione di sequenze video di ecografie toraciche”

Campo tecnico deirinvenzione

La presente invenzione è relativa ad un metodo di classificazione di sequenze video di ecografie toraciche.

Arte nota

La sindrome da distress respiratorio rappresenta una delle maggiori cause di mortalità nel periodo neonatale. La patologia viene comunemente diagnosticata sulla base di criteri clinici e strumentali. Tra i primi si annovera il gemito espiratorio e i rientramenti inter e sottocostali. Tra i secondi l’emogasanalisi e la radiografia del torace. Quest’ultima, che viene spesso ripetuta durante il decorso della malattia, si avvale di radiazioni ionizzanti che non sono scevre da rischi. L’ecografia è stata recentemente introdotta nella diagnostica delle malattie polmonari perché non utilizza radiazioni ionizzanti.

Per il polmone, l’ecografia si basa sull’esame di immagini che riproducono le reali strutture anatomiche, ma anche su artefatti il cui valore diagnostico non è univoco. Inoltre, l’ecografia dipende fortemente dall’operatore che ha effettuato l’analisi.

La tecnica ecografica si basa sull’impiego degli ultrasuoni e l’aria offre un’alta impedenza agli ultrasuoni. Pertanto, il polmone, che normalmente è pieno d’aria, non è facilmente visualizzabile nella sua anatomia, diversamente dagli organi solidi (ad esempio il fegato, la milza) o che contengono rilevanti quantità di liquido (ad esempio il cuore).

Un fascio di ultrasuoni applicato al torace riproduce sullo schermo di un moderno apparecchio ecografico dapprima le immagini reali delle strutture incontrate prima del contenuto aereo del parenchima polmonare; subordinatamente il fascio ultrasonico produce immagini artefattuali, ovvero immagini che non hanno un corrispettivo anatomico, che dipendono dal rapporto aria/liquido del polmone.

In caso di polmone totalmente areato, l’artefatto prodotto è noto come linee A, ovvero una riverberazione orizzontale multipla deH’immagine pleurica (Figura le). In presenza di una componente liquida si producono delle strie verticali, note come linee B (Figura lb) che possono tendere alla confluenza tra loro portando a visualizzare il cosiddetto polmone bianco (Figura la).

In letteratura particolari combinazioni di immagini polmonari reali ed artefattuali sono state legate a specifiche patologie, spesso con buona accuratezza diagnostica.

Uno dei principali problemi rimane la definizione del grado di malattia attraverso questo nuovo sistema di imaging ecografico. Alcuni sostengono che la conta delle linee B possa indicare la gravità della patologia [Miglioranza et al (2013) JACC: Cardiovascularlmagingdoi :10.1016!j.jcmg2013.08.004 ] anche se questo concetto è avversato da altri [Zanforlin et al (2014) JACC: Cardiovascularlmagingdoi :10.1016/ j.jcmg.2013. 12. 018]

Per sopperire al carattere soggettivo della conta delle linee B, altri hanno individuato un sistema automatico di lettura delle immagini ecografiche [WO2014195742A1]. Tuttavia questo sistema non solo non elimina la natura artefattuale delle linee B, ma non ne dimostra l’utilità clinica.

L’analisi automatica di immagini ecografiche dei polmoni quale supporto alla diagnosi è stata presentata in P. Nguyen et al. (2015), Respirology, doi: 10. 1111/resp. 12577 al fine di discriminare lesioni benigne e maligne ai polmoni; il principale limite di tale lavoro è l’uso di quantità statistiche (del primo e secondo ordine) globali, che sono estremamente sintetiche e quindi non sufficienti a discriminare diversi tipi di patologie al polmone. Tale inconveniente è superato da S.K.Veeramani and E. Muthusamy (2015), The Journal of Maternal-Fetal&Neonatal Medicine , doi:10. 3109/14767058. 2015. 1064888, in cui l’analisi automatica delle immagini è utilizzata per discriminare sette possibili patologie ai polmoni mediante l’uso di descrittori locali. Tuttavia la sperimentazione condotta da P. Nguyen et al. presenta alcuni limiti tra cui 1) il fatto di estrarre caratteristiche riferite all’immagine nella sua interezza, includendo anche regioni molto lontane dalla linea pleurica o addirittura esterne al polmone, senza alcun valore diagnostico, che possono polarizzare le misure utili; e 2) l’estrazione di informazione da una singola immagine della sequenza, trascurando i contributi presenti nell'intero video.

Da quanto sopra risulta chiaro che le tecniche di analisi delle immagini ecografiche del torace presentano evidenti limiti in termini di accuratezza e riproducibilità degli esiti valutativi.

La presente invenzione si propone di superare i problemi dell’arte nota fornendo uno strumento affidabile e di facile impiego per la classificazione automatizzata dei referti ecografici.

Sommario deH'invenzione

Costituisce oggetto della presente invenzione un metodo di classificazione di sequenze video di ecografie toraciche basato su una fase di elaborazione delle immagini facenti parte di dette sequenze video ed una successiva analisi comparativa con sequenze preventivamente elaborate.

Il metodo dell’invenzione è descritto nel seguito in accordo con le rivendicazioni allegate.

Costituisce altresì oggetto della presente invenzione un apparato comprendente una sonda ecografìca da applicare al torace del paziente, un processore ed un monitor. Il processore è connesso alla sonda ecografìca e acquisisce da questa il segnale. Il risultato dell’elaborazione di detto segnale è poi trasmesso al monitor per opportuna visualizzazione dell’operatore.

Altro oggetto è un programma per elaboratore comprendente mezzi di codifica adatti ad eseguire tutte le fasi del metodo secondo l’invenzione quando detto programma viene fatto eseguire da un elaboratore.

Ancora altro oggetto è costituito da mezzi leggibili tramite computer aventi un programma registrato su di essi, detti mezzi leggibili tramite computer comprendenti codici di programma adatti ad eseguire tutte le fasi del metodo secondo l’invenzione quando detto programma viene fatto girare su un elaboratore.

Ulteriori oggetti risulteranno evidenti dalla descrizione dettagliata dell’invenzione che segue.

Breve descrizione delle Figure

La presente invenzione verrà ora descritta con riferimento ad una sua forma di esecuzione preferita, pur comprendendo che possono essere apportate varianti esecutive senza peraltro uscire dairambito di protezione dell’invenzione e facendo riferimento alle figure dei disegni allegati, in cui:

la Figura 1 mostra delle immagini tratte da video di ecografia polmonare, in ciascuna immagine è evidenziata la linea pleurica;

la Figura 2 mostra uno schema a blocchi del metodo dell'invenzione;

la Figura 3 mostra uno schema a blocchi relativo alla fase di individuazione della linea pleurica in un'immagine;

la Figura 4 mostra imo schema a blocchi relativo alla fase di creazione di un dizionario di descrittori SID tipici;

la Figura 5 mostra uno schema a blocchi relativo alla fase di creazione di un classificatore SVM lineare.

Descrizione dettagliata dell’invenzione

Nel seguito si riporta la lista dei più importanti simboli e acronimi usati nelle figure e nella descrizione dettagliata dell'invenzione. Tali sigle e acronimi sono noti al tecnico del ramo.

Acronimo Espansione Descrizione

SVM SupportVector Machine Classificatore

Approccio usato per la descrizione BoW Bag of Words sintetica di un'immagine mediante istogramma di occorrenze Descrittore locale d'immagine basato su Scale-SID derivate direzionali e trasformata di invari antDescriptor

Fourier

Tecnica di clustering usata per il K-means progetto di dizionari (codebook) di vettori tipici (codeword)

Simbolo Significato Note

Il numero | V | di immagini componenti V Video ecografico dipende dalla durata del video, decisa dall'operatore.

Le dimensioni dell'immagine dipendono I Immagine ecografica

dall'apparecchio ecografico usato Insieme di punti {pi,p2,...] di I appartenenti alla linea pleurica. Il P Linea pleurica

numero di punti dipende dalla lunghezza della linea pleurica.

Vettore di 560 componenti calcolato f=SID(I,p) Descrittore SID

sull'immagine I nell'intorno del punto p Rappresentante di un insieme di

C Descrittore SID tipico descrittori SID simili raggruppati dall'algoritmo K-means Dizionario di Insieme di descrittori SID tipici c

descrittori SID tipici C={ci,...C20o}

Descrittore sintetico dell'immagine H Descrittore BoW calcolato in base alle occorrenze di descrittori SID tipici

Classe "sano" o "malato" associata al E Etichetta video V, alle immagini componenti e ai descrittori estratti

Indica se la linea pleurica estratta è Q Indice di qualità affidabile o viene da un'immagine particolarmente rumorosa

La presente invenzione è relativa ad un metodo di classificazione, vantaggiosamente implementabile mediante computer, che si applica a sequenze video ecografiche del torace.

Il metodo di classificazione di sequenze video di ecografie del torace secondo l’invenzione comprende i seguenti passi principali: A) Acquisizione di una sequenza video di ecografia del torace; B) Classificazione di ogni immagine della sequenza mediante le fasi di:

i) riconoscimento della linea pleurica nella singola immagine della sequenza video;

ii) estrazione di descrittori tessiturali per ogni punto della linea pleurica, ad esempio descrittori SID (Scale-Invariant Descriptor);

iii) estrazione di un descrittore sintetico a partire dai descrittori tessiturali;

iv) associazione dell’immagine ad un’etichetta “sano” o “malato” mediante classificatore preventivamente addestrato con immagini di sequenze ecografiche etichettato da un esperto come “sano” o “malato”;

C) Classificazione del video mediante decisione a maggioranza rispetto alle etichette di ciascuna immagine della sequenza video; in cui la fase B è ripetuta per ciascuna immagine della sequenza video ecografica.

E' noto per il tecnico medio del ramo che un video ecografico comprende una molteplicità di immagini in sequenza. Il metodo dell’invenzione estrae da ciascuna di dette immagini la regione che rappresenta la linea pleurica come lista ordinata dei punti che ne fanno parte e per ciascun punto si estrae un vettore rappresentativo delle caratteristiche tessiturali.

Il vettore è un descrittore tessiturale, ancor più preferibilmente un descrittore di tipo SID.

A partire dai descrittori tessiturali di cui sopra è possibile estrarre un descrittore sintetico, ed esempio mediante istogramma delle occorrenze, con un approccio BoW (Bag-of-Words).

Preliminarmente alla classificazione della sequenza video è necessario predisporre un dizionario di descrittori tipici a partire da una molteplicità di immagini di sequenza video ecografiche del torace etichettate come "sano" o "malato".

In particolare la predisposizione del dizionario e del classificatore richiede l’esecuzione dei seguenti passi:

D) Creazione di un dizionario di descrittori tipici mediante esecuzione del passo B su una base dati comprendente immagini ecografiche preventivamente etichettate come "sano" o "malato"; E) Creazione di un classificatore a partire dal dizionario di descrittori di cui al passo D. e una base dati comprendente immagini ecografiche preventivamente etichettate come "sano" o "malato".

Nel seguito saranno descritti in dettaglio i passi del metodo, facendo riferimento alla Figura 2 allegata, in cui si suppone di disporre già di questi dati; il loro progetto sarà invece oggetto di descrizione dettagliata con riferimento alla Figura 4. Predisposto il dizionario dei descrittori tipici, è necessario addestrare il classificatore, preferibilmente SVM, su un adeguato insieme di descrittori sintetici BoW estratti (con i passi B.i, B.ii, e B.iii) dalle immagini di partenza di cui sopra, etichettate da un esperto come "sano" o "malato".

Il descrittore sintetico di ciascuna immagine viene sottoposto al classificatore, addestrato sulle immagini di video ecografici preventivamente etichettate "sano" o "malato" da un esperto. In uscita dal classificatore l'immagine è associata ad un etichetta "sano" o "malato".

Il numero delle immagini preventivamente etichettate deve essere almeno pari a 1000. Ai fini dei passi D e E le immagini preventivamente etichettate da utilizzarsi preferibilmente non devono coincidere.

La procedura è ripetuta per tutte le immagini della sequenza, e il video è infine classificato sulla base delle classificazioni delle immagini componenti attraverso decisione a maggioranza.

Gli elementi ritenuti qualificanti dell'invenzione sono:

• l'analisi delle caratteristiche tessiturali effettuata solo in corrispondenza della linea pleurica;

• l'uso del descrittore SID (Scale-InvariantDescriptor) e dell'approccio BoW (Bag-of-Words) per la caratterizzazione della tessitura;

• la fusione delle decisioni ottenute su tutte le immagini del video.

Nel seguito il metodo dell'invenzione sarà descritto con riferimento ad una realizzazione preferita al solo scopo esemplificativo e non limitativo e con riferimento alle figure allegate.

Classificazione di una sequenza video di ecosrafia del torace Il blocco 200 inizia la procedura. Il metodo della presente invenzione è applicabile a una generica sequenza video di ecografia toracica indipendentemente dalle modalità con cui detta sequenza è stata acquisita.

Nel blocco 205 si acquisisce una sequenza video di ecografia del torace V. La sequenza è composta da | V| immagini, II, 12,..., numerate da 1 fino a | V | . Il numero | V | non è noto a priori poiché dipende dalla durata del video, che dipende a sua volta dalle scelte dell'operatore medico. Questo blocco realizza quindi il passo A del metodo. Maggiori dettagli sono forniti in seguito.

Nel blocco 210 si inizializza il contatore delle immagini (i=0) e il vettore di contatori delle decisioni (cont=[0 0]).

Nel blocco 215 si incrementa il contatore i, in modo da analizzare l'immagine i-esima della sequenza video. L'insieme dei blocchi da 215 a 275 realizza il passo B del metodo.

Nel blocco 220 si estrae la linea pleurica P. Questo blocco realizza il passo B.i del metodo. Maggiori dettagli sono forniti in seguito con riferimento alla Figura 3. La procedura di estrazione fornisce anche l'indice di qualità Q della linea pleurica estratta. Nel blocco 225 si confronta l'indice di qualità con una soglia Qthche può essere scelta dall'operatore. Come valore iniziale si prende Qth=2. Se l'indice di qualità è sotto sogliasi scarta l'immagine e si passa ad analizzare la successiva tornando al blocco 215. Altrimenti si procede al blocco 230.

Nel blocco 230 si inizializza il contatore dei punti della linea pleurica (j=0) e il vettore hi=[0,...,0] dei contatori delle occorrenze, nell'immagine li, dei descrittori SID tipici. Il vettore hi in questo esempio ha lunghezza 200, pari al numero di descrittori tipici del dizionario C=[cl,...c200].

Nel blocco 235 si incrementa il contatore j, in modo da analizzare il punto j-esimo pj della linea pleurica.

Nel blocco 240 si estrae il descrittore SID fj della tessitura di li nell'intorno di pj. Questo blocco realizza il passo Bii del metodo. Maggiori dettagli in proposito sono fomiti in seguito.

Nel blocco 245 si calcola la distanza del descrittore fj da tutti i descrittori tipici cw del dizionario C e si prende nota dell'indice w* corrispondente al descrittore tipico più vicino. Il dizionario C è stato progettato in precedenza. Dettagli sul suo progetto sono fomiti in seguito con riferimento alla Figura 4. Questo blocco, insieme ai blocchi 250 e 260, realizza il passo Biii del metodo.

Nel blocco 250 si incrementa il contatore hi(w*) delle occorrenze del descrittore tipico w*.

Nel blocco 255 si verifica se il punto analizzato è l'ultimo della linea pleurica. Se non è così si torna al blocco 235, altrimenti si va al blocco 260.

Nel blocco 260 si normalizza il vettore hi dividendo ogni suo elemento per il numero totale di punti della linea pleurica.

Nel blocco 265 si effettua la classificazione del vettore hi mediante SVM lineare, ottenendo l'etichetta ei che può assumere i valori 1 ("sano") oppure 2 ("malato"). Il classificatore SVM è stato progettato in precedenza. Dettagli sul suo progetto sono forniti in seguito con riferimento alla Figura 4. Questo blocco realizza il passo Biv del metodo.

Nel blocco 270 si incrementa il contatore delle decisioni cont(ei).

Nel blocco 275 si verifica se l'immagine analizzata è l'ultima della sequenza video. Se non è così si torna al blocco 215, altrimenti si va al blocco 280.

Nel blocco 280 si prende la decisione sull'intero video restituendo l'etichetta e*=l ("sano") se conti l)>cont(2), altrimenti l'etichetta e*=2 (“malato”). Questo blocco realizza il passo C del metodo.

Il blocco 285 termina la procedura.

Individuazione della linea Oleurica

Come si vede nella Figura 1, la linea pleurica è una struttura sottile, generalmente continua a meno di piccole interruzioni in corrispondenza delle coste, caratterizzata da elevata luminosità. Per individuare la linea pleurica si sfruttano queste caratteristiche. Con riferimento alla Figura 3, si effettuano una sequenza di operazioni note all'esperto del ramo tra cui il Denoising o ripulitura dal rumore dell'immagine I (blocco 310) mediante filtro mediano 3x3. Nell'immagine D risultante il contenuto di rumore è ridotto. Successivamente si effettua il Thresholding o sogliatura dell'immagine D (blocco 320) con valore soglia predeterminato, preferibilmente pari al 50% della sua luminanza massima, in modo da identificare le regioni a forte luminanza che includono generalmente la linea pleurica. Resta inteso che lo stesso risultato può essere ottenuto con trattamenti equivalenti dell'immagine. Si ottiene così l'immagine binaria R. Si procede poi ad un filtraggio morfologico in se noto ( Morph ) di R (blocco 330) attraverso un filtro di apertura 3x3 e un filtro di chiusura 3x10 (elongato nella direzione dominante della linea pleurica) per eliminare le piccole regioni isolate. Di seguito si effettua (blocco 340) il Fitting o adattamento di una curva polinomiale all'insieme dei punti rimasti nell'immagine filtrata M. Il criterio di fitting è quello dei minimi quadrati. Si calcola anche la qualità del fitting stessocome distanza quadratica media fra curva e punti. In uscita si ottiene quindi sia la curva F che l'indice di qualità Q. Infine (blocco 350) si estrae la linea pleurica P come intersezione della curva F con i punti dell'immagine M. La linea pleurica è rappresentata in uscita come l'insieme dei pixel (pi, p2, ..) che ne fanno parte, e la sua lunghezza | P | non è nota a priori.

Il blocco 360 termina la procedura.

Estrazione dei descrittori SID da ogni punto della linea pleurica Questa elaborazione corrisponde alla formula:

f = SID(I,p)

nel blocco 240 in Figura 2, applicata al j-esimo pixel della linea pleurica dell'immagine li. SID calcola le derivate direzionali dell'immagine I in un intorno del punto p, catturando così le variazioni fini della tessitura dell'immagine nelle diverse direzioni. Questi dati sono poi compattati attraverso trasformata di Fourier per fornire un vettore, nell’esempio specifico un vettore di 560 elementi. Essendo SID ben noto in letteratura [I. Kokkinos, A. Yuille, Scale invariance without scale selection, in: Proceedings of thè IEEE Conference on Computer Vision and Pattern Recognition, 2008, pp. 1-8.] [I. Kokkinos, M. Bronstein, A. Yuille, Dense Scale InvariantDescriptors for Images and Surface, Research Report RR-7914, INRIA, 2012] si rimanda ai lavori originali per una sua descrizione algoritmica dettagliata.

Creazione di un dizionario di descrittori SID tipici Il blocco 400 inizia la procedura. La procedura accetta in ingresso 1000 immagini estratte da 100 video diversi, 50 associati a pazienti etichettati "sano" e 50 di pazienti etichettati "malato" insieme con le etichette corrispondenti. Fornisce in uscita un dizionario di 200 descrittori SID tipici, 100 associati a pazienti etichettati "sano" e 100 associati a pazienti etichettati "malato". Questi sono valori esemplificativi; il tecnico che analizza l’analisi ecografica avrà la sensibilità di valutare il tipo di addestramento richiesto per la prestazione.

Nel blocco 410 si inizializza il contatore delle immagini (i=0) e i due training set (insiemi di addestramento) Ti per pazienti "sano" e T2per pazienti "malato" inizialmente vuoti.

Nel blocco 415 si incrementa il contatore i, in modo da analizzare l'immagine i-esima della sequenza video.

Nel blocco 420 si estrae la linea pleurica P. La procedura di estrazione fornisce anche l'indice di qualità Q della linea pleurica estratta.

Nel blocco 425 si confronta l'indice di qualità con una soglia Qthche può essere scelta dall'operatore. Come valore iniziale si prende Qth=2. Se l'indice di qualità è sotto soglia si scarta l'immagine e si passa ad analizzare la successiva tornando al blocco 410. Altrimenti si procede al blocco 430.

Nel blocco 430 si inizializza il contatore dei punti della linea pleurica (j=0).

Nel blocco 435 si incrementa il contatore j, in modo da analizzare il punto j-esimo pj della linea pleurica.

Nel blocco 440 si estrae il descrittore SID fjdella tessitura di li nell'intorno di pj.

Nel blocco 445 si aggiunge il descrittore fjal training set Ti, se ei=l oppure al training set T2se ei=2

Nel blocco 450 si verifica se il punto analizzato è l'ultimo della linea pleurica. Se non è così si toma al blocco 435, altrimenti si prosegue al blocco 455.

Nel blocco 455 si verifica se l'immagine analizzata è l'ultima disponibile. Se non è così si toma al blocco 415, altrimenti si prosegue al blocco 460.

Nel blocco 460 si utilizza l'algoritmo di clustering K-means (ben noto in letteratura [MacQueen, J. B. (1967). Some Methods for classification and Analysis of Multivariate Observations. Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability. pp. 281-297.] e quindi non descritto) per estrarre dal training set Ti un dizionario Ci di 100 descrittori SID tipici per immagini etichettate "sano". Risulta chiaro all’esperto del ramo che algoritmi equivalenti posso essere impiegati in alternativa o in modo complementare al fine di conseguire il medesimo risultato tecnico.

Nel blocco 465 si utilizza il predetto algoritmo di clustering K-means per estrarre dal training set T2un dizionario C2di 100 descrittori SID tipici per immagini etichettate "malato".

Nel blocco 470 si costruisce il dizionario C di descrittori SID tipici come unione dei dizionari Ci e C2.

Il blocco 475 termina la procedura.

Creazione di un classificatore

Il blocco 500 inizia la procedura. La procedura accetta in ingresso 1000 immagini estratte da 100 video diversi, 50 associati a pazienti etichettati "sano" e 50 di pazienti etichettati "malato" insieme con le etichette corrispondenti. Accetta inoltre il dizionario C di 200 descrittori SID tipici. Fornisce in uscita un classificatore SVM lineare addestrato per classificare video ecografìci come "sano" o "malato" sulla base del descrittore sintetico BoW associato. Anche qui, la sensibilità del tecnico che analizza l’analisi ecografica gli consentirà di valutare il tipo di addestramento richiesto per la data prestazione in termini di qualità e quantità delle immagini di sequenze ecografiche del torace da utilizzare.

Nel blocco 510 si inizializza il contatore delle immagini (i=0) e il training set (insieme di addestramento) T dei descrittori sintetici BoW, inizialmente vuoto.

Nel blocco 515 si incrementa il contatore i, in modo da analizzare l'immagine i-esima della sequenza video.

Nel blocco 520 si estrae la linea pleurica P. La procedura di estrazione fornisce anche l'indice di qualità Q della linea pleurica estratta.

Nel blocco 525 si confronta l'indice di qualità con una soglia Qthche può essere scelta dall'operatore. Come valore iniziale si prende Qth=2. Se l'indice di qualità è sotto soglia si scarta l'immagine e si passa ad analizzare la successiva tornando al blocco 515. Altrimenti si procede al blocco 530.

Nel blocco 530 si inizializza il contatore dei punti della linea pleurica (j=0) e il vettore hi=[0,...,0] dei contatori delle occorrenze, nell'immagine li, dei descrittori SID tipici. Il vettore hi ha lunghezza 200, pari al numero di descrittori tipici del dizionario

C=[Cl,...C20o].

Nel blocco 535 si incrementa il contatore j, in modo da analizzare il punto j -esimo pjdella linea pleurica.

Nel blocco 540 si estrae il descrittore SID fj della tessitura di li nell'intorno di pj.

Nel blocco 545 si calcola la distanza del descrittore fjda tutti i descrittori tipici cwdel dizionario C e si prende nota dell'indice w* corrispondente al descrittore tipico più vicino.

Nel blocco 550 si incrementa il contatore hi(w*) delle occorrenze del descrittore tipico w*.

Nel blocco 555 si verifica se il punto analizzato è l'ultimo della linea pleurica. Se non è così si toma al blocco 535, altrimenti si prosegue al blocco 560.

Nel blocco 560 si normalizza il vettore hi dividendo ogni suo elemento per il numero totale di punti della linea pleurica.

Nel blocco 565 si aggiunge il descrittore hi al training set T. Nel blocco 570 si verifica se l'immagine analizzata è l'ultima della sequenza video. Se non è così si toma al blocco 515, altrimenti si va al blocco 575.

Nel blocco 575 si progetta il classificatore SVM lineare sulla base dell’addestramento T e delle associate etichette. Il funzionamento è basato sulla tecnica ben nota in letteratura e descritta in J.C. Platt, Fast Training of SupportVector-MachinesusingSequentialMinimalOptimization, MIT Press, Cambridge, MA, USA, 1999.

Il blocco 580 termina la procedura.

L’apparato con cui realizzare il metodo dell’invenzione comprende una sonda ecografica da applicare al torace del paziente, un processore ed un monitor. Il processore è connesso alla sonda ecografica e acquisisce da questa il segnale. Il risultato dell’elaborazione di detto segnale è poi trasmesso al monitor per opportuna visualizzazione dell’operatore.

La presente invenzione può essere attuata vantaggiosamente attraverso un programma per elaboratore comprendente mezzi di codifica del programma per la realizzazione di uno o più passi del metodo, quando questo programma è eseguito su un computer. Pertanto, resta inteso che l'ambito di protezione è esteso a tale programma per computer e, in aggiunta, a mezzi leggibili mediante computer aventi un messaggio registrato su di essi, detti mezzi leggibili mediante computer comprendendo mezzi per la codifica del programma per l'implementazione di una o più fasi del metodo, quando questo programma è eseguito su un computer. Il computer può essere asservito al dispositivo ecografico.

Il metodo di classificazione della presente invenzione non costituisce un metodo diagnostico bensì uno strumento ausiliario per le attività del medico che analizza sequenze video di ecografie toraciche.

Claims (10)

1. RIVENDICAZIONI 1) Metodo di classificazione di sequenze video di ecografie del torace comprendente i seguenti passi principali: A) Acquisizione di una sequenza video di ecografia del torace; B) Classificazione di ogni immagine della sequenza mediante le fasi di: i) riconoscimento della linea pleurica nella singola immagine della sequenza video; ii) estrazione dei descrittori tessiturali per ogni punto della linea pleurica; iii) estrazione di un descrittore sintetico a partire dai descrittori tessiturali e da un dizionario di descrittori tipici; iv) associazione dell’immagine ad un’etichetta “sano” o “malato” mediante classificatore preventivamente addestrato con immagini di sequenze ecografiche etichettate da un esperto come “sano” o “malato”; C) Classificazione del video mediante decisione a maggioranza rispetto alle etichette ciascuna immagine della sequenza video; in cui la fase B è ripetuta per ciascuna immagine della sequenza video ecografica.
2. 2) Metodo di classificazione secondo la rivendicazione 1, comprendente i seguenti passi: D) Creazione di un dizionario di descrittori tipici mediante esecuzione del passo B su una base dati comprendente immagini di ecografie toraciche preventivamente etichettate come “sano” o “malato”; E) Creazione di un classificatore a partire dal dizionario di descrittori tipici di cui al passo D e una base dati comprendente immagini di ecografie toraciche preventivamente etichettate come “sano” o “malato”; in cui i passi D e E precedono i passi A-C.
3. 3) Metodo di classificazione secondo una delle rivendicazioni precedenti, in cui i descrittori tipici sono descrittori tessiturali.
4. 4) Metodo di classificazione secondo una delle rivendicazioni precedenti, in cui il descrittore sintetico di un’immagine è ottenuto mediante istogramma delle occorrenze in base ai descrittori tipici di detta immagine.
5. 5) Metodo di classificazione secondo una delle rivendicazioni precedenti, in cui il descrittore sintetico di un’immagine è ottenuto mediante approccio Bag-of-Words.
6. 6) Metodo di classificazione secondo una delle rivendicazioni da 2 a 6, in cui le immagini di ecografie toraciche preventivamente etichettate come “sano” o “malato” di cui al passo D sono almeno 500 con etichetta “sano” e almeno 500 con etichetta “malato”.
7. 7) Metodo di classificazione secondo una delle rivendicazioni precedenti, in cui il classificatore è di tipo SupportVector Machine.
8. 8) Metodo di classificazione secondo una delle rivendicazioni da 2 a 7, in cui il passo D utilizza un algoritmo di clustering K-means.
9. 9) Metodo di classificazione secondo una delle rivendicazioni da 1 a 8, in cui i descrittori tessiturali del passo B.ii sono descrittori SID.
10. 10) Mezzi leggibili da computer comprendente le istruzioni per l’esecuzione del metodo secondo una delle rivendicazioni precedenti.