IT201800005163A1

IT201800005163A1 - Sistema di rilevamento di masse tumorali basato sulla risonanza magnetica per immagini

Info

Publication number: IT201800005163A1
Application number: IT102018000005163A
Authority: IT
Priority date: 2018-05-08
Filing date: 2018-05-08
Publication date: 2019-11-08
Also published as: PT3791361T; EP3791361A1; EP3791361B1; US11983884B2; WO2019215637A1; ES2929051T3; LT3791361T; US20210219861A1; WO2019215637A8

Description

DESCRIZIONE

del brevetto per invenzione industriale dal titolo:

“SISTEMA DI RILEVAMENTO DI MASSE TUMORALI BASATO SULLA RISONANZA MAGNETICA PER IMMAGINI”

La presente invenzione è relativa ad un sistema di rilevamento di masse tumorali basato sulla risonanza magnetica per immagini (“MRI”, “Magnetic Resonance Imaging”).

Come è noto, la diagnosi di masse tumorali, in particolare nel caso di masse tumorali nella prostata, presenta diverse criticità, quali ad esempio la bassa sensibilità e specificità delle metodiche di screening e diagnosi. Tali criticità influenzano negativamente la qualità della vita dei pazienti e causano un aumento dei costi per il sistema sanitario nazionale.

Tipicamente, al fine di individuare i pazienti in cui si sospetta che sia presente un tumore prostatico significativo, viene eseguito il cosiddetto test del PSA (“Prostatic Specific Antigen”, antigene prostatico specifico), il quale permette di valutare i livelli di PSA nel sangue di un paziente sotto esame. Nel caso in cui i valori di PSA siano elevati, il paziente viene sottoposto ad una biopsia prostatica.

Sfortunatamente, il test del PSA ha una bassa specificità e una bassa sensibilità (~30%); ciò implica che circa il 60% dei pazienti con valori di PSA elevati, ma in realtà non presentanti masse tumorali significative, siano sottoposti ad una biopsia prostatica non necessaria, subendo gli effetti collaterali legati a tale intervento. Per contro, si verifica che pazienti con tumori potenzialmente gravi non vengono sottoposti a biopsia prostatica a causa dei bassi livelli di PSA rilevati.

In aggiunta, l’intervento di biopsia prostatica, realizzato mediante campionamento bioptico casuale (“random”), non riesce sempre a fornire una rappresentazione completa delle masse tumorali. È noto, infatti, che la concordanza tra l’aggressività del tumore all’atto dell’intervento di biopsia prostatica e postintervento bioptico varia tra il 28% e il 69%. In altre parole, questo implica che tumori molto aggressivi possono essere valutati come non aggressivi e, di conseguenza, possono essere sottotrattati; similmente, soggetti con tumori non aggressivi possono essere sottoposti a trattamenti radicali (ovvero, possono essere sovratrattati), quando, al contrario, potrebbero beneficiare di percorsi meno invasivi e con effetti collaterali minori.

In tempi recenti, l’utilizzo di sistemi MRI ha acquisito una crescente importanza nella gestione di pazienti con tumori prostatici, in quanto tali sistemi hanno un’alta sensibilità ed un’alta specificità nell’individuare tumori prostatici clinicamente significativi. Tuttavia, la diffusione di sistemi MRI per l’analisi dei tumori prostatici è limitata da fattori quali, ad esempio, la complessità dell’esame, l’elevata durata temporale del processo di refertazione e la dipendenza dalle capacità dell’operatore (ovvero il radiologo). Infatti, è necessario analizzare un grande volume di immagini per poter stilare un referto accurato sulla presenza e sulla natura delle possibili masse tumorali.

In aggiunta, gli attuali sistemi MRI prevedono di estrarre un certo numero di parametri, a partire da immagini MRI precedentemente acquisite, e successivamente di determinare la presenza o l’assenza di masse tumorali sulla base di tali parametri. Tuttavia, la Richiedente ha osservato come, sebbene i sistemi MRI rappresentino un indubbio passo in avanti rispetto alle tecniche diagnostiche precedenti, la precisione diagnostica da essi fornita sia ancora migliorabile.

Scopo della presente invenzione è quindi fornire un sistema di rilevamento basato su immagini MRI che consenta di migliorare la precisione della diagnosi di masse tumorali.

Secondo la presente invenzione viene realizzato un sistema di rilevamento di masse tumorali, come definito nelle rivendicazioni allegate.

Per una migliore comprensione della presente invenzione ne viene ora descritta una forma di realizzazione preferita, a puro titolo di esempio non limitativo, con riferimento ai disegni allegati, nei quali:

- la figura 1 mostra uno schema a blocchi del presente sistema di rilevamento;

- le figure 2, 6, 15 e 21 mostrano diagrammi di flusso relativi ad operazioni svolte dal presente sistema di rilevamento;

- la figura 3 mostra una vista prospettica schematizzata di una prostata, durante una fase operativa eseguita dal presente sistema di rilevamento;

- la figura 4 mostra una vista prospettica di una matrice tridimensionale di voxel;

- la figura 5 mostra un dettaglio della matrice mostrata in figura 4, con parti in trasparenza;

- le figure 7 e 11 mostrano matrici di valori di parametri acquisiti dal presente sistema di rilevamento;

- la figura 8 mostra matrici di valori di parametri acquisiti impiegate durante una fase di determinazione di andamenti di curve eseguita dal presente sistema di rilevamento;

- la figura 9 mostra un esempio di andamento di curva calcolata dal presente sistema di rilevamento, in un diagramma Cartesiano;

- le figure 10, 18 e 24 mostrano esempi di matrici di correlazione determinate dal presente sistema di rilevamento;

- la figura 12 mostra schematicamente una sezione di una mappa di probabilità determinata dal presente sistema di rilevamento;

- la figura 13 mostra schematicamente una vista prospettica di due sezioni di una mappa di probabilità determinata dal presente sistema di rilevamento;

- le figure 14 e 20 mostrano schematicamente viste prospettiche di regioni tridimensionali di voxel;

- le figure 16 e 19 mostrano matrici di valori di parametri regionali determinati dal presente sistema di rilevamento;

- la figura 17 mostra matrici di valori di parametri regionali impiegati durante una ulteriore fase di determinazione di andamenti di curve eseguita dal presente sistema di rilevamento;

- le figure 22 e 25 mostrano matrici di valori di parametri di cella determinati dal presente sistema di rilevamento;

- la figura 23 mostra matrici di valori di parametri di cella impiegati durante una ulteriore fase di determinazione di andamenti di curve eseguita dal presente sistema di rilevamento; e

- la figura 26 mostra un diagramma di flusso relativo ad ulteriori operazioni svolte dal presente sistema di rilevamento.

La figura 1 mostra un sistema 1, il quale comprende un apparecchio MRI 2, di tipo noto, ed un sistema di elaborazione 4, i quali sono elettricamente accoppiati tra loro.

Come spiegato nel seguito, il sistema 1 è un sistema di elaborazione di immagini e di ausilio alla diagnosi, di tipo assistito da calcolatore, pertanto nel seguito ci si riferisce ad esso come al sistema CAD 1.

Nel seguito, il sistema CAD 1 viene descritto con riferimento all’articolo “A fully automatic computer aided diagnosis system for peripheral zone prostate cancer detection using multi-parametric magnetic resonance imaging” (Giannini V., Mazzetti S., Regge D. et al., Computerized Medical Imaging and Graphics 2015; 46:219-226), evidenziando le differenze del presente sistema CAD 1.

Inoltre, in una prima fase, il sistema CAD 1 opera su una popolazione scelta di pazienti campione (ad esempio, includente Q pazienti campione), i quali sono stati precedentemente sottoposti ad una prostatectomia radicale; in questo modo, è possibile conoscere a priori l’esito bioptico relativo alla presenza di un tumore prostatico, in modo da consentire una sorta di taratura preliminare del sistema CAD 1.

In dettaglio, come mostrato in figura 2, per ciascun paziente campione, l’apparecchio MRI 2 acquisisce (blocco 10) una pluralità di immagini di tipo MRI, utilizzando diverse tecniche di acquisizione di immagini. In particolare, l’apparecchio MRI 2 impiega tecniche di acquisizione MRI per effettuare scansioni basate sui seguenti tipi di immagini:

• immagini pesate in T2 (“T2 weighted”, abbreviata come “T2w”), le quali sono indicative di un primo tempo di rilassamento (“relaxation time”) T2 dei tessuti analizzati mediante un’eccitazione a radiofrequenza (“RF”, “Radio Frequency”);

• immagini pesate in diffusione (“DWI”, “Diffusion Weighted Imaging”), le quali sono indicative del moto Browniano delle molecole d’acqua in diverse porzioni del tessuto analizzato, e dalle quali vengono ricavate, mediante relazioni logaritmiche note, immagini di mappe di un coefficiente di diffusione apparente (“ADC”, “Apparent Diffusion Coefficient”); e • immagini rappresentanti sequenze dinamiche con iniezione di mezzo di contrasto (“DCE-MR”, “Dynamic Contrast-Enhanced Magnetic Resonance”), indicative di un secondo tempo di rilassamento T1 indotto dal bolo di liquido di contrasto basato su, ad esempio, gadolinio.

Al fine di acquisire le summenzionate immagini, l’apparecchio MRI 2 include strumentazione nota quale, ad esempio, uno scanner utilizzante una prima bobina, avente quattro o più canali in fase (“four-channel phased-array”), in combinazione con una seconda bobina, di tipo endorettale e disposta in prossimità della prostata.

A tal proposito, la figura 3 mostra in maniera semplificata come avviene una qualsiasi delle scansioni precedentemente menzionate. In particolare, la figura 3 mostra schematicamente una prostata 15 di un qualunque paziente campione, avente una base 15A e un apice 15B, attraversata da un asse sagittale S, il quale collega idealmente la base 15A all’apice 15B; inoltre, l’asse sagittale S è parallelo ad un primo asse Z di un sistema di riferimento cartesiano XYZ ed è perpendicolare a piani paralleli ad un piano XY del medesimo sistema di riferimento cartesiano XYZ.

Inizialmente, l’apparecchio MRI 2 scansiona la prostata 15, in modo da generare una pluralità di fette assiali (due mostrate in figura 3), indicate cumulativamente con la notazione di riferimento Fi; in dettaglio, i è un indice intero di valore compreso tra 1 ed N, dove N è il numero di fette assiali Fiimpiegate per effettuare la scansione a sezioni della prostata 15. Inoltre, ciascuna fetta assiale Fiè parallela al piano XY del sistema di riferimento cartesiano XYZ ed è, quindi, perpendicolare all’asse sagittale S della prostata 15.

In pratica, per ciascuna fetta assiale Fi, l’apparecchio MRI 2 genera una corrispondente immagine; a sua volta, ciascuna immagine è formata da una corrispondente pluralità di unità minime di immagine, definite come “voxel”. In particolare, ciascun voxel è rappresentativo di una corrispondente porzione di fetta di tessuto prostatico; a tal proposito, le summenzionate fette hanno spessore ad esempio pari a tre millimetri.

Il sistema di elaborazione 4 riceve e memorizza le immagini generate dall’apparecchio MRI 2, eventualmente previa memorizzazione delle immagini in un database dell’apparecchio MRI 2. Inoltre, a seconda della tecnica di acquisizione MRI considerata, le immagini della corrispondente scansione vengono elaborate in maniera differente dal sistema di elaborazione 4.

In particolare, la tecnica di acquisizione T2w permette di acquisire N immagini di tipo morfologico della prostata 15 relative ad un medesimo istante di tempo t*, in modo da consentire l’osservazione delle variazioni del primo tempo di rilassamento T2 tra le fette assiali Fi.

In maniera analoga, la tecnica di acquisizione DWI permette di acquisire N immagini morfologiche della prostata 15, relative ad un medesimo istante di tempo t**.

Più precisamente, la tecnica di acquisizione DWI prevede di acquisire almeno due corrispondenti insiemi di N immagini ciascuno, in modo che, in prima approssimazione, entrambi siano relativi al summenzionato istante di tempo t** e che consentano di determinare, sulla base di tali almeno due insiemi, N immagini relative al summenzionato coefficiente ADC. Nel seguito, nel riferirsi alle N immagini DWI si sottintende il riferimento alle N immagini relative al parametro ADC, salvo laddove specificato diversamente.

D’altra parte, secondo la tecnica di acquisizione DCE MRI, è possibile acquisire N immagini della prostata 15 per ciascuno di k istanti di tempo, equispaziati tra loro. In particolare, l’acquisizione è eseguita a partire da un istante di tempo iniziale t0’ e termina ad un istante di tempo finale t’k-1; inoltre, in ciascun istante di tempo dell’intervallo di tempo t0’-t’k-1 vengono acquisite N immagini funzionali della prostata 15. Tra due qualsiasi istanti di tempo successivi intercorre un periodo ad esempio pari a tredici secondi.

In altre parole, la tecnica di acquisizione DCE-MRI permette di effettuare un’acquisizione spaziale e temporale delle immagini, così che, al termine del processo di acquisizione, si abbiano k ∙ N immagini della prostata 15. Inoltre, a partire dalle immagini acquisite, è possibile tracciare, per ciascun voxel, una corrispondente curva di evoluzione temporale, la quale è definita come curva di presa di contrasto; in dettaglio, la curva di presa di contrasto è formata da k corrispondenti punti ed è indicativa dell’evoluzione temporale della distribuzione del mezzo di contrasto nella corrispondente porzione di tessuto della prostata 15.

In seguito, la tecnica di acquisizione DCE-MRI prevede di associare a ciascun voxel uno o più parametri indicativi della corrispondente curva di presa di contrasto.

Ad esempio, i parametri indicativi della curva di presa di contrasto possono essere semi-quantitativi o quantitativi. I parametri semi-quantitativi sono calcolati a partire dai valori della curva di presa di contrasto e sono, ad esempio, il massimo assorbimento (“maximum uptake”, “MU”), il tempo di picco (“time to peak”, “TTP”), il rapporto di “wash-in” e il rapporto di “washout”. I parametri quantitativi, invece, sono ottenuti interpolando, per ciascun voxel, la corrispondente curva di presa di contrasto secondo due categorie di modelli di interpolazione; nel caso presentato, l’interpolazione avviene, ad esempio, secondo il modello farmacocinetico di Tofts e mediante alcuni modelli matematici descritti in seguito.

In particolare, il modello farmacocinetico di Tofts consente la determinazione di parametri microvascolari specifici del tumore, quali la permeabilità dei capillari, il flusso sanguigno e il volume del sangue; tali parametri sono calcolati interpolando in maniera nota ciascuna curva di presa di contrasto relativa ad ogni voxel.

Per quanto concerne invece i summenzionati modelli matematici, è possibile impiegare, senza alcuna perdita di generalità, la funzione di Weibull e le classi di funzioni derivanti dalle Universalità Fenomenologiche (“Phenomenological Universalities”, “PUN”); in questo modo è possibile ricavare ulteriori parametri dalle medesime immagini, le quali non hanno una relazione diretta nota con la fisiologia della massa tumorale.

Alla luce di quanto sopra, per ciascuna delle summenzionate tre tecniche di acquisizione (T2w, DWI, DCE-MRI) viene memorizzata, ad esempio nel sistema di elaborazione 4, una corrispondente matrice tridimensionale di voxel 45 (un cui esempio è mostrato in figura 4).

Inoltre, considerata una qualsiasi matrice 45, ciascun voxel è associato ad uno o più parametri (“feature”) relativi alla corrispondente porzione di tessuto prostatico, i quali vengono memorizzati dal sistema di elaborazione 4. Ad esempio, nel caso di immagini acquisite con la tecnica T2w, ciascun voxel della corrispondente matrice 45 è associato ad un corrispondente valore di intensità di segnale MRI. Analogamente, nel caso di immagini acquisite con la tecnica DWI, ciascun voxel della corrispondente matrice 45 è associato ad un corrispondente valore di intensità di segnale MRI. In aggiunta, nel caso della tecnica di acquisizione DCE-MRI, ciascun voxel è associato ai valori dei summenzionati uno o più parametri semi-quantitativi e quantitativi ricavati dalla corrispondente curva di presa di contrasto.

Per brevità, nel seguito ci si riferisce al valore/valori di un voxel per indicare, data una tecnica di acquisizione considerata, il valore/valori del corrispondente/corrispondenti parametro/i associato/associati al voxel in esame.

In maggior dettaglio, considerata una qualsiasi delle tre tecniche di acquisizione, per semplicità di descrizione si assume che la corrispondente matrice 45 abbia forma cubica e sia formata da voxel aventi anch’essa forma cubica. A tal proposito, senza alcuna perdita di generalità, si assume che la matrice 45, e quindi anche la forma e la disposizione dei voxel, non dipenda della tecnica di acquisizione; infatti, anche se le tre tecniche di acquisizione prevedessero, ad esempio, voxel di dimensioni differenti, mediante tecniche di elaborazione (ad esempio, di interpolazione) note è possibile pervenire allo scenario descritto. Ciò detto, i voxel sono indicati cumulativamente con la notazione V(a, b, c), in cui “a”, “b” e “c” sono indici rappresentativi della posizione spaziale di ciascun voxel rispetto al sistema di riferimento cartesiano XYZ. In maggior dettaglio, “a” è l’indice rappresentativo della posizione spaziale lungo un secondo asse X del sistema di riferimento cartesiano XYZ; “b” è l’indice rappresentativo della posizione spaziale lungo un terzo asse Y del sistema di riferimento cartesiano XYZ e “c” è l’indice rappresentativo della posizione spaziale lungo il primo asse Z. In altre parole, l’indice c indica la fetta assiale Fidi appartenenza del singolo voxel V(a, b, c).

In pratica, i voxel V(a, b, c=i=costante) definiscono l’i-esima immagine. Inoltre, per semplicità, i voxel V(a, b, c) sono rappresentati in maniera tale per cui voxel di immagini successive sono disposti a contatto tra loro, sebbene in realtà voxel di immagini successive si possano riferire a porzioni di prostata non necessariamente adiacenti tra loro. In ogni caso, nel seguito i voxel di coppie di immagini successive verticalmente allineati sono detti adiacenti, anche nel caso in cui le corrispondenti porzioni di prostata non lo siano.

Sempre senza alcuna perdita di generalità, si è assunto che l’indice c sia un intero variabile tra 1 ed N, e che ciascuno tra l’indice a e b sia un intero variabile tra 1 ed M (a titolo puramente esemplificativo, in figura 4 si ha M=N).

Nuovamente con riferimento alla figura 2, il sistema di elaborazione 4 esegue un’operazione di allineamento (blocco 20) delle immagini acquisite, indipendentemente dalla tecnica di acquisizione MRI impiegata per ricavare tali immagini. In seguito all’allineamento, le immagini acquisite mediante le summenzionate tre tecniche di acquisizione si riferiscono ad una medesima porzione di prostata; in altre parole, voxel che hanno la medesima posizione nelle tre matrici 45 acquisite mediante le summenzionate tre tecniche di acquisizione MRI si riferiscono ad una medesima sottoporzione di prostata. Equivalentemente, riferendosi ad una scansione per indicare l’insieme delle corrispondenti N immagini prese con una corrispondente tecnica di acquisizione, le scansioni effettuate sulla base delle summenzionate tecniche di acquisizione di immagini si riferiscono ai medesimi voxel. Per tale motivo, nel seguito ci si riferisce genericamente ad un voxel per indicare la corrispondente sottoporzione di prostata, salvo laddove indicato diversamente.

Alla luce di quanto sopra, ne deriva che ciascun voxel è associato a un corrispondente insieme di valori di parametri, ai quali nel seguito ci si riferisce come ai parametri iniziali. Tra i valori di parametri sono presenti: almeno un valore pari al valore di tale voxel nell’immagine acquisita con la tecnica di acquisizione T2w; almeno un valore pari al valore del parametro ADC di tale voxel; ed uno o più valori pari agli uno o più valori dei parametri semi-quantitativi e quantitativi ricavati dalla corrispondente curva di presa di contrasto.

Successivamente, il sistema di elaborazione 4 esegue (blocco 30) una fase di segmentazione automatica della prostata 15. Tale segmentazione automatica permette di scartare le aree esterne alla prostata 15 che possono essere state scansionate in precedenza. Nel seguito, per semplicità, si assume che la segmentazione non modifichi le immagini precedentemente acquisite. In modo di per sé noto, possono inoltre essere effettuate ulteriori operazioni che consentono di ridurre le dimensioni delle immagini acquisite; tuttavia, per semplicità si assume che anche tali eventuali ulteriori operazioni non modifichino le immagini acquisite.

In seguito, il sistema di elaborazione 4 calcola (blocco 40), per ciascun voxel, almeno un parametro addizionale, al quale nel seguito ci si riferisce come al parametro di struttura (“texture”).

In dettaglio, riferendosi ad un generico voxel V(a, b, c) mostrato in figura 5 ed indicato con il numero di riferimento 51, il corrispondente parametro di struttura viene calcolato come segue.

In maggior dettaglio, il sistema di elaborazione 4 seleziona uno dei summenzionati parametri iniziali. Successivamente, il sistema di elaborazione 4 calcola il valore del parametro di struttura relativo al voxel 51, sulla base di:

- il valore del parametro iniziale selezionato relativo al voxel 51; e

- i valori del parametro iniziale selezionato relativi ad uno o più dei voxel adiacenti al voxel 51 (mostrati in trasparenza in figura 5).

Ad esempio, indicando con (a, b, c) il valore del parametro di struttura del voxel 51 ed indicando con P(a, b, c ) il valore del parametro iniziale selezionato relativo al voxel 51, vale la relazione:

dove f indica una generica dipendenza, mentre l, m e o sono variabili binarie tali per cui la stringa binaria “lmo” assume almeno un sottoinsieme dei sette valori 001, 010, 011, 100, 101, 110 e 111. Sono tuttavia possibili varianti in cui una o più tra l, m, o può assumere valori superiori a uno e/o varianti in cui uno o più tra i tre simboli “±” indicati nella formula soprastante vengono sostituiti dal segno “+” o “-”. Sono inoltre possibili varianti in cui uno o più dei parametri di struttura dipendono, ciascuno, dai valori del corrispondente parametro iniziale relativi a voxel che, oltre ad essere prossimi al voxel 51, si estendono in un medesimo piano; in tal caso, vale ad esempio la relazione

In pratica, a differenza dei parametri iniziali, che sono indicativi di grandezze puntuali (nel senso che dipendono da quantità fisiche relative al singolo voxel), gli uno o più parametri addizionali sono indicativi, ciascuno, della distribuzione spaziale del corrispondente parametro iniziale, in un intorno del voxel considerato. In generale, la definizione di tale intorno può variare rispetto a quanto descritto; ancora più in generale, la definizione di intorno può variare tra i diversi parametri di struttura.

Successivamente, il sistema di elaborazione 4 memorizza (blocco 50), per ciascun voxel, una pluralità di corrispondenti valori, relativi sia ai parametri iniziali sia agli uno o più parametri di struttura. Pertanto, a ciascun voxel V(a, b, c) è associata una corrispondente pluralità di parametri estratti, intesi appunto come includenti sia i parametri iniziali che i parametri di struttura. Ad esempio, nel caso qui descritto, il numero totale di parametri estratti è pari a J.

In pratica, in seguito alle operazioni di cui al blocco 50, si sono memorizzati, per ciascun voxel, un numero pari a J di valori di corrispondenti parametri, i quali si riferiscono alla prostata 15 di un qualunque paziente campione.

Successivamente, il sistema di elaborazione 4 esegue una fase di selezione (blocco 60) di un sottoinsieme dei J parametri estratti, ai quali nel seguito ci si riferisce come ai parametri significativi.

In dettaglio, la selezione dei parametri significativi avviene come mostrato in figura 6.

Considerato ciascun paziente campione e l’esito del corrispondente intervento chirurgico, un operatore associa a ciascun voxel del paziente campione un’indicazione binaria relativa alla presenza/assenza di tumore in tale voxel, in base alle indicazioni anatomopatologiche fornite dai campioni prostatici. Tale associazione viene anch’essa memorizzata nel sistema di elaborazione 4.

In pratica, il sistema di elaborazione 4 memorizza (blocco 61, figura 6), per ciascun paziente campione, una matrice piana 47 ed un vettore 48, mostrati ad esempio in figura 7.

In dettaglio, la matrice piana 47 ha ×<>righe che corrispondono ai voxel. Inoltre, la matrice piana 47 riporta, per ciascun voxel, i corrispondenti valori dei parametri estratti. D’altra parte, il vettore 48 contiene, per ciascun voxel, la corrispondente indicazione binaria (indicata come PS, mentre i parametri estratti sono indicati con Pp, dove p è un indice intero che va da 1 a J). Nell’esempio di figura 7, la matrice piana 47 e il vettore 48 si riferiscono, ad esempio, ad un primo paziente campione.

Successivamente, il sistema di elaborazione 4 determina (blocco 62, figura 6), per ciascuno dei parametri estratti, una corrispondente curva ROC (“Receiver Operating Characteristic”), la quale indica l’abilità di ciascun parametro di distinguere tra tessuto maligno e tessuto sano, e ne calcola l’area sottesa (definita anche come AUROC, “Area Under ROC”).

In particolare, per ottenere la curva ROC di uno qualsiasi dei parametri estratti, il sistema di elaborazione 4 seleziona le colonne (in numero pari a Q) delle matrici piane 47 relative ai pazienti campione che corrispondono al parametro estratto considerato, ottenendo una macrocolonna 300 (mostrata in figura 8 e riferita, ad esempio e senza alcuna perdita di generalità, al primo parametro estratto P1), data dalla successione delle colonne selezionate. Inoltre, tale macrocolonna 300 è associata ad un macrovettore 310 (mostrato in figura 8) dato dalla successione dei vettori 48 relativi ai pazienti campione.

Successivamente, il sistema di elaborazione 4 dispone in ordine crescente i valori della macrocolonna 300; tale operazione comporta un corrispondente riordinamento delle indicazioni binarie del macrovettore 310, in modo da mantenere le originarie associazioni voxel-indicazione binaria.

Successivamente, il sistema di elaborazione 4 itera le seguenti operazioni, per ciascuno dei valori del parametro estratto considerato (nel seguito indicato con W):

- pone una soglia (“cut-off”) pari a detto valore W del parametro estratto considerato; e

- calcola un parametro di sensibilità S(W) e un parametro di specificità Sp(W).

In particolare, la sensibilità è definita nell’equazione (2) come:

in cui VP è il numero di veri positivi e FN è il numero di falsi negativi tra i Q × N ×M<2>valori del parametro estratto considerato, i veri positivi ed i falsi negativi essendo determinati nel seguente modo:

- i veri positivi sono dati dai valori superiori alla soglia ed associati a indicazioni binarie indicative della presenza di tumore; e

- i falsi negativi sono dati dai valori inferiori alla soglia ed associati a indicazioni binarie indicative della presenza di tumore.

D’altra parte, la specificità è definita nell’equazione (3) come:

in cui VN è il numero di veri negativi e FP è il numero di falsi positivi tra i Q × N ×M<2>valori del parametro estratto considerato, i quali sono determinati nel seguente modo:

- i veri negativi sono dati dai valori inferiori alla soglia ed associati a indicazioni binarie indicative dell’assenza di tumore; e

- i falsi positivi sono dati dai valori superiori alla soglia ed associati a indicazioni binarie indicative dell’assenza di tumore.

Al termine delle iterazioni, il sistema di elaborazione 4 è quindi in grado di memorizzare, per ciascun valore di soglia precedentemente impostato, un corrispondente punto della curva ROC riferito al corrispondente parametro estratto considerato; in particolare, come mostrato in figura 9, tale punto ha un’ascissa pari alla differenza tra uno e la specificità 1-Sp(W) ed un’ordinata pari alla sensibilità S(W). In seguito, il sistema di elaborazione 4 interpola i punti ed ottiene la corrispondente curva ROC; ad esempio, come accennato in precedenza, la figura 9 mostra una curva ROC1 che si riferisce al primo parametro estratto P1.

Al termine delle operazioni di cui al blocco 62 di figura 6, il sistema di elaborazione 4 dispone di tante curve ROC quante sono le colonne di ciascuna matrice piana 47; in particolare, nel caso considerato, il sistema di elaborazione 4 genera J curve ROC.

In seguito, sebbene non mostrato, il sistema di elaborazione 4 calcola l’area sottesa da ciascuna curva ROC, associando, quindi, un valore numerico ad ogni parametro estratto Pp.

Il sistema di elaborazione 4 determina (blocco 63), quindi, una matrice di correlazione, mediante il metodo di correlazione lineare a coppie. Un esempio di matrice di correlazione è mostrato in figura 10 ed è indicato con il numero di riferimento 320; in particolare, tale matrice di correlazione 320 è costruita in maniera per i cui i parametri estratti sono ordinati, sulle righe e sulle colonne, in maniera decrescente (dall’alto verso il basso, e quindi anche da sinistra verso destra) in base all’area sottesa dalla rispettiva curva ROC. A tal proposito, maggiore è l’area sottesa dalla curva ROC, maggiori sono la specificità e la sensibilità associate al corrispondente parametro estratto per la determinazione della presenza/assenza di una massa tumorale.

In dettaglio, per ciascuna possibile coppia di parametri estratti viene definito un corrispondente coefficiente di correlazione, sulla base della corrispondente coppia di macrocolonne 300. In generale, il coefficiente di correlazione varia tra -1 (in caso di parametri correlati inversamente) e 1 (in caso di parametri correlati direttamente) ed è pari a zero in caso di parametri completamente scorrelati.

In particolare, la matrice di correlazione 320 è una matrice simmetrica × , sulla cui diagonale è riportata la correlazione di ciascuno parametro con se stesso (dunque, uguale a 1) e nelle altre posizioni sono riportati i coefficienti di correlazione delle coppie di parametri estratti. In figura 10, ciascun parametro di correlazione è indicato con il riferimento ρe,f, in cui e ed f sono indici riferiti ai parametri estratti di cui si desidera calcolare la correlazione.

Successivamente, il sistema di elaborazione 4 esegue la scelta (blocco 64, figura 6) dei parametri significativi, sulla base della matrice di correlazione 320 costruita alla fase precedente, in cui i parametri sono stati ordinati per valori decrescenti dell’area sottesa dalla curva ROC.

In particolare, il sistema di elaborazione 4 analizza in sequenza tutti i coefficienti di correlazione della metà sovra-diagonale o sotto-diagonale della matrice di correlazione 320. Ad esempio, assumendo che venga analizzata la metà sovra-diagonale della matrice di correlazione 320, essa viene analizzata per righe, dall’alto verso il basso, e da sinistra verso destra. Inoltre, qualora una coppia di parametri estratti abbia un grado di correlazione uguale o superiore all’80% (ovvero, se pe ,f≥ 0,8, ad esclusione dei coefficienti di correlazione disposti sulla diagonale principale della matrice di correlazione 320), il sistema di elaborazione 4 sceglie il parametro della coppia la cui curva ROC sottende l’area maggiore, e scarta l’altro; ciò significa che, procedendo nell’analisi dei coefficienti di correlazione, i coefficienti di correlazione che coinvolgono il parametro scartato non verranno considerati. L’analisi prosegue quindi senza considerare i parametri che vengono man mano scartati, fino all’ultimo coefficiente di correlazione della metà sovra-diagonale. In pratica, ogni qual volta si incontra una coppia di parametri estratti con coefficiente di correlazione uguale o superiore all’80%, viene scelto (mantenuto) il solo parametro più rappresentativo della presenza/assenza di masse tumorali prostatiche, dunque il sistema di elaborazione 4 continua a considerarlo come un possibile parametro significativo, a differenza del parametro scartato.

Nel seguito si assume, ad esempio, che le operazioni di cui al blocco 64 conducano a scegliere un numero S di parametri significativi (con S < J ); tale scelta viene memorizzata dal sistema di elaborazione 4.

Nuovamente con riferimento alla figura 2, il sistema di elaborazione 4 seleziona (blocco 65 di figura 2), all’interno della matrice piana 47 riferita a ciascun paziente campione, le sole colonne relative ai parametri significativi, effettuando così una riduzione del numero di colonne della matrice piana 47 relativa a ciascun paziente campione. In tal modo, si ottiene una matrice ridotta 49, un cui esempio è mostrato in figura 11 (in cui i parametri significativi sono indicati con i medesimi segni dei corrispondenti parametri estratti, con l’aggiunta di un apice). In dettaglio, la matrice ridotta 49 mostrata in figura 11 si riferisce, ad esempio, al primo paziente campione ed ha N ×M<2>righe, rappresentanti i voxel, e S colonne, rappresentanti i parametri significativi.

Nuovamente con riferimento alla figura 2, il sistema di elaborazione 4 determina (blocco 70) un primo classificatore, sulla base dei valori dei parametri significativi Pp<’>contenuti nelle matrici ridotte 49 dei pazienti campione e delle corrispondenti indicazioni binarie indicative della presenza di tumore.

In particolare, il sistema di elaborazione 4 genera e memorizza un classificatore di tipo noto (ad esempio, un classificatore SVM, “Support Vector Machine”, macchina a vettori di supporto, come descritto ad esempio in “Machine learning in medical imaging”, IEEE Signal Process Magazine, 2010 July, 27(4): 25-38, di M.N. Wernick et al.), cioè un modello matematico atto a ricevere come dati di ingresso i valori dei parametri significativi Pp<’>di un qualsiasi voxel di un qualsiasi paziente e generare in uscita un corrispondente valore indicativo della probabilità che tale voxel rappresenti un voxel tumorale. L’insieme dei valori di probabilità forma una corrispondente mappa, la quale associa, a ciascun voxel V(a, b, c), una corrispondente probabilità di rappresentare un voxel tumorale; nel seguito ci si riferisce a tale mappa come alla mappa tridimensionale di probabilità (“likelihood”).

Nuovamente con riferimento alla figura 2, e sempre con riferimento a ciascun paziente campione, il sistema di elaborazione 4 opera una selezione (blocco 80) dei voxel della corrispondente mappa tridimensionale di probabilità che hanno valori di probabilità superiore o uguale, ad esempio, al 60%.

In particolare, riferendosi alla matrice planare di voxel per indicare, data una qualsiasi fetta assiale Fi, i corrispondenti voxel V(a, b, c=i), il sistema di elaborazione 4 memorizza, per ciascuna matrice planare di voxel, le aree formate da voxel che rispondono al criterio di selezione descritto (valore di probabilità superiore o uguale, ad esempio, al 60%) ed inoltre sono adiacenti tra loro; pertanto, le suddette aree rappresentano corrispondenti voxel selezionati isolati oppure corrispondenti aggregati di voxel selezionati. In seguito si farà riferimento a tali aree come alle regioni bidimensionali di voxel.

Ad esempio, la figura 12 si riferisce al primo paziente campione e mostra una sezione 200 della corrispondente mappa tridimensionale di probabilità, in cui sono presenti una pluralità di regioni bidimensionali di voxel R1_2D-R5_2De una porzione di mappa rimanente 202. In pratica, la porzione di mappa rimanente 202 è la porzione della sezione 200 complementare alla pluralità di regioni bidimensionali di voxel R1_2D-R5_2D; la porzione di mappa rimanente 202 rappresenta dunque l’insieme dei voxel della sezione 200 aventi probabilità di presentare una massa tumorale inferiore (ad esempio) al 60%.

In seguito, il sistema di elaborazione 4 determina (blocco 90) la dimensione di ciascuna delle regioni bidimensionali di voxel, la quale è pari al numero di voxel costituenti ciascuna delle summenzionate regioni bidimensionali di voxel.

Successivamente, il sistema di elaborazione 4 confronta (blocco 100) la dimensione di ciascuna regione bidimensionale di voxel con un valore di soglia predefinito, ad esempio pari a 100mm<2>. In particolare, qualora le dimensioni di una regione bidimensionale di voxel siano inferiori rispetto al valore di soglia, il sistema di elaborazione 4 scarta tale regione (blocco 110). Nel seguito ci si riferisce alle regioni bidimensionali selezionate per indicare le regioni bidimensionali di voxel aventi dimensioni superiori al valore di soglia.

In aggiunta, il sistema di elaborazione 4 esegue un’ulteriore fase di selezione (opzionale), in cui, in ciascuna regione bidimensionale selezionata, vengono rimossi eventuali voxel “rumorosi”.

In dettaglio, analizzando una qualsiasi delle rappresentazioni ottenute mediante una delle tre tecniche di acquisizione discusse in precedenza e considerando i parametri iniziali ricavabili per ogni voxel di una data rappresentazione, un voxel è definito “rumoroso” se considerato come rappresentativo di un falso positivo. Ad esempio, per immagini acquisite mediante tecnica di acquisizione DCE-MRI, il sistema di elaborazione 4 analizza la curva di presa di contrasto riferita a ciascun voxel formante la regione bidimensionale selezionata sotto indagine. Si osserva che un voxel è indicativo dell’effettiva presenza di un tumore prostatico se, dopo circa 60 secondi dall’iniezione del mezzo di contrasto (ad esempio, all’istante di tempo t4’ oppure all’istante di tempo t5’, nel caso di risoluzione temporale pari a 13 secondi), la curva di presa di contrasto presenta una rapida ascesa; conseguentemente, è possibile scartare i voxel aventi curve di presa di contrasto meno marcate e mancanti della rapida ascesa descritta, dal momento che tali voxel non sono effettivamente rappresentativi di tessuti prostatici affetti da tumore. Nel seguito, per semplicità, di assume comunque che la fase di rimozione dei voxel rumorosi non venga effettuata.

Successivamente, il sistema di elaborazione 4 esegue una fase di determinazione (blocco 120) di regioni tridimensionali di voxel.

In dettaglio, una regione tridimensionale di voxel è definita quando almeno due regioni bidimensionali selezionate, appartenenti a due matrici planari di voxel adiacenti, sono connesse, ovvero sono almeno parzialmente sovrapposte lungo il primo asse Z del sistema di riferimento cartesiano XYZ.

Un esempio di valutazione della connessione di regioni bidimensionali selezionate è mostrato in figura 13. In dettaglio, la figura 13 mostra una prima e una seconda matrice planare di voxel (indicate con i riferimenti Fg, Fg+1delle corrispondenti fette assiali, in cui g è un indice compreso tra 1 e N-1), ciascuna includendo una propria pluralità di regioni bidimensionali selezionate. In particolare, la prima matrice planare di voxel Fg comprende una prima e una seconda regione bidimensionale selezionata R1_2D, R2_2D; analogamente, la seconda matrice planare di voxel Fg+1 comprende una terza, una quarta, una quinta e una sesta regione bidimensionale selezionata R1_2D’, R2_2D’, R3_2D’ e R4_2D’.

In dettaglio, la prima regione bidimensionale selezionata R1_2D è verticalmente allineata alla terza regione bidimensionale selezionata R1_2D’; in maniera analoga, la seconda regione bidimensionale selezionata R2_2D è verticalmente allineata alla quarta regione bidimensionale selezionata R2_2D’.

D’altra parte, la quinta e la sesta regione bidimensionale selezionata R3_2D’, R4_2D’ sono sovrapposte alla porzione di mappa rimanente 252 della matrice planare di voxel Fg.

In altre parole, la prima e la seconda regione bidimensionale selezionata R1_2D, R2_2D sono rispettivamente connesse alla terza e alla quarta regione bidimensionale selezionata R1_2D’, R2_2D’. Inoltre, nell’esempio proposto e per semplicità di rappresentazione, la prima e la seconda regione di voxel bidimensionale selezionata R1_2D, R2_2D hanno le stesse forme della terza e della quarta regione di voxel bidimensionale selezionata R1_2D’, R2_2D’.

Al termine delle operazioni di cui al blocco 120, il sistema di elaborazione 4 memorizza le regioni tridimensionali di voxel precedentemente determinate. Un esempio di regione tridimensionale di voxel riferita, ad esempio, al primo paziente campione, è mostrato in figura 14, dove è indicata con R3D,1; a titolo esemplificativo, in figura 14 è mostrato un voxel 351 appartenente alla regione tridimensionale di voxel R3D,1.

Nuovamente con riferimento alla figura 2, il sistema di elaborazione 4 calcola, per ciascuna regione tridimensionale di voxel, almeno un parametro regionale (blocco 130).

In dettaglio, il sistema di elaborazione 4 seleziona uno dei parametri iniziali. Successivamente, per ciascuna regione tridimensionale di voxel, il sistema di elaborazione 4 calcola il corrispondente valore del parametro regionale sulla base dei valori del parametro iniziale selezionato dei voxel che formano la regione tridimensionale di voxel. Ad esempio, possibili parametri regionali possono essere dati da parametri indicativi del contrasto e/o dell’omogeneità delle regioni tridimensionali di voxel, calcolati sulla base dei valori di corrispondenti parametri iniziali. Ad esempio, per ciascuna regione tridimensionale di voxel, il sistema di elaborazione 4 può calcolare valori indicativi, rispettivamente: dell’omogeneità dell’intensità del segnale MRI acquisito con la tecnica di acquisizione T2w; del contrasto dell’intensità del segnale MRI acquisito con la tecnica di acquisizione T2w; dell’omogeneità del parametro ADC acquisito con la tecnica di acquisizione DWI; del contrasto del parametro ADC acquisito con la tecnica di acquisizione DWI; dell’omogeneità dell’intensità del segnale MRI acquisito con la tecnica di acquisizione DCE in uno qualsiasi dei summenzionati istanti t0’-t’k-1; e del contrasto dell’intensità del segnale MRI acquisito con la tecnica di acquisizione DCE in uno qualsiasi dei summenzionati istanti t0’-t’k-1. Possono comunque essere calcolati anche altri valori, quali ad esempio valori di entropia, come descritto in R. M. Haralick, K. Shanmugam, e I. Dinstein, “Textural Features of Image Classification”, IEEE Transactions on Systems, Man and Cybernetics, vol. SMC-3, no. 6, Nov. 1973, oppure valori di energia, ancora sulla base dei segnali acquisiti con una o più delle summenzionate tecniche di acquisizione. Ulteriori esempi di possibili parametri regionali sono rappresentati da parametri statistici (ad esempio, la media, la mediana e percentili) dell’intensità del segnale MRI acquisito secondo una o più delle tre tecniche di acquisizione.

Successivamente, il sistema di elaborazione 4 memorizza, per ciascun paziente campione, i parametri regionali determinati nella fase precedente (blocco 140). In dettaglio, vengono memorizzati, per ciascuna regione tridimensionale di voxel, un numero pari a L di valori di corrispondenti parametri regionali.

Successivamente, il sistema di elaborazione 4 esegue una fase di selezione (blocco 150) di un sottoinsieme dei L parametri regionali, ai quali nel seguito ci si riferisce come ai parametri regionali significativi.

In dettaglio, la selezione dei parametri regionali significativi avviene come descritto qui di seguito.

Un operatore associa a ciascuna regione tridimensionale di voxel di ogni paziente campione un’indicazione binaria relativa al grado di aggressività del tumore in tale regione tridimensionale di voxel.

Al fine di avere tale associazione, ciascuna regione tridimensionale di voxel considerata è sottoposta ad una valutazione preliminare da parte di un patologo.

In dettaglio, ad ogni regione tridimensionale di voxel sono associati dal patologo due riferimenti numerici secondo il noto sistema di assegnazione dell’indice di Gleason (“Gleason score system”). In particolare, a ciascuna regione tridimensionale di voxel vengono assegnati:

- un primo indice intero, variabile da 1 a 5, relativo alla aggressività della morfologia cellulare dominante (cioè, più comune) nella regione tridimensionale di voxel considerata, di seguito indicato con la notazione in_1;

- un secondo indice intero, anch’esso variabile da 1 a 5, relativo all’aggressività della seconda morfologia cellulare più comune nella regione tridimensionale di voxel (purché avente estensione almeno pari al 5% della regione tridimensionale di voxel, altrimenti il secondo indice viene posto pari al primo indice), di seguito indicato con la notazione in_2.

Per ogni regione tridimensionale di voxel viene quindi ricavato l’indice di Gleason I3D, definito come combinazione di in_1 e in_2 . Ad esempio, per la regione tridimensionale di voxel R3D,1 si può avere un indice di Gleason I3Dpari a 4+3.

In seguito, l’operatore associa ‘0’ alle regioni tridimensionali di voxel aventi indice di Gleason I3Dinferiore o uguale a (ad esempio) 3+3 ed associa ‘1’ alle regioni tridimensionali di voxel aventi indice di Gleason I3Dsuperiore a 3+3.

Successivamente, come mostrato in figura 15, il sistema di elaborazione 4 memorizza (blocco 151), per ciascun paziente campione, una matrice piana regionale 247 ed un vettore regionale 248, mostrati ad esempio in figura 16, relativamente al primo paziente campione.

La matrice piana regionale 247 ha tante righe quante sono le regioni tridimensionali di voxel individuate per il corrispondente paziente campione; nell’esempio mostrato in figura 16, il primo paziente campione ha V regioni tridimensionali di voxel.

La matrice piana regionale 247 riporta, per ciascuna regione tridimensionale di voxel, i corrispondenti valori dei parametri regionali; pertanto, la matrice piana regionale 247 ha dimensioni pari a V × L. D’altra parte, il vettore regionale 248 contiene, per ciascuna regione tridimensionale di voxel, la corrispondente indicazione binaria relativa all’aggressività (indicata come PS<T>, mentre i parametri sono indicati con Pr<T>, dove r è un indice intero che va da 1 a L).

Successivamente, il sistema di elaborazione 4 determina (blocco 152), per ciascuno dei parametri regionali, una corrispondente curva regionale ROC<T>e la relativa area, in maniera uguale a quanto discusso con riferimento al blocco 62, fatto salvo il fatto che il calcolo viene eseguito sulla base di una macrocolonna regionale 400 (figura 17) data dalle colonne (in numero pari a Q) delle matrici piane regionali 247 che corrispondono al parametro regionale considerato, e sulla base di un macrovettore regionale 410 dato dalla successione dei vettori regionali 248 relativi ai pazienti campione.

Successivamente, il sistema di elaborazione 4 determina (blocco 153) una matrice regionale di correlazione (mostrata in figura 18, dove è indicata con 420), eseguendo le medesime operazioni descritte con riferimento al blocco 63, fatto salvo il fatto che tali operazioni sono eseguite sulle macrocolonne regionali 400.

Successivamente, il sistema di elaborazione 4 esegue (blocco 154) la scelta dei parametri regionali significativi, sulla base della matrice regionale di correlazione 420, eseguendo le medesime operazioni descritte con riferimento al blocco 64, fatta salva la possibilità di adottare un diverso valore di soglia rispetto a quanto impiegato nelle operazioni di cui al blocco 64.

Nel seguito si assume, ad esempio, che le operazioni fin qui descritte conducano a scegliere e a memorizzare un numero H di parametri regionali significativi (con H < L).

Nuovamente con riferimento alla figura 2, il sistema di elaborazione 4 seleziona (blocco 160), all’interno della matrice piana regionale 247 di ciascun paziente campione, le sole colonne relative ai parametri regionali significativi. In tal modo, si ottiene una corrispondente matrice ridotta regionale 249, un cui esempio, relativo al primo paziente campione, è mostrato in figura 19, in cui i parametri regionali significativi sono indicati con l’aggiunta di un apice.

Successivamente, il sistema di elaborazione 4 determina (blocco 170 di figura 2) un secondo classificatore (ad esempio, di tipo Bayesiano, oppure “decision tree”, SVM (come descritti ad esempio in Kononenko, I., I. Bratko and M. Kukar, 1998. Application of Machine Learning to Medical Diagnosis. In: Machine Learning and Data Mining: Methods and Applications, R.S. Michalski, I. Bratko and M. Kubat (Eds.). J. Wiley, New York, sulla base dei valori dei parametri regionali significativi Pr<T’>contenuti nelle matrici regionali ridotte 249 dei pazienti campione e delle corrispondenti indicazioni binarie PS<T>. In particolare, il sistema di elaborazione 4 genera e memorizza un modello matematico atto a ricevere come dati di ingresso i valori dei parametri regionali significativi Pr<T’>di una qualsiasi regione tridimensionale di voxel di un qualsiasi paziente e generare in uscita una corrispondente indicazione del grado di aggressività della massa tumorale presente in tale regione tridimensionale di voxel.

Ancora con riferimento alla figura 2, il sistema di elaborazione 4 seleziona (blocco 171) le regioni tridimensionali di voxel associate a ‘1’, alle quali nel seguito ci si riferisce come alle regioni tridimensionali rilevanti.

In seguito, per ciascuna regione tridimensionale rilevante di ciascun paziente campione, il sistema di elaborazione 4 suddivide (blocco 172) la regione tridimensionale rilevante in una pluralità di celle, come mostrato ad esempio in figura 20, dove le celle (quattro) sono indicate con 373 e la regione tridimensionale rilevante è indicata con R3D*. In particolare, le celle 373 hanno ad esempio una medesima forma (predefinita), in modo da formare un reticolo regolare. Le celle 373 sono formate, ciascuna, da un corrispondente insieme di voxel adiacenti (ad esempio, a forma di parallelepipedi o cubi); inoltre, le celle 373 sono anch’esse adiacenti tra loro, in modo da coprire, nel loro insieme, l’intera regione tridimensionale rilevante. In pratica, ciascuna cella copre una corrispondente porzione della regione tridimensionale rilevante a cui appartiene.

In seguito, per ciascuna cella 373, il sistema di elaborazione 4 calcola (blocco 173) un corrispondente insieme di valori di parametri, ai quali nel seguito ci riferisce come ai parametri di cella. In particolare, i parametri di cella possono essere rispettivamente uguali ai summenzionati parametri regionali, a parte per il fatto di essere calcolati sul dominio della cella, anziché sull’intera regione tridimensionale di voxel. I parametri di cella possono quindi essere formati, ad esempio, da parametri indicativi del contrasto e/o dell’omogeneità e/o dell’entropia e/o dell’energia e/o di parametri statistici delle celle di voxel, calcolati sulla base dei valori di corrispondenti parametri iniziali dei voxel che formano le celle. Nel seguito si assume che il numero di parametri di cella sia ad esempio pari a D.

Successivamente, il sistema di elaborazione 4 memorizza (blocco 174), per ciascun paziente campione, i parametri di cella determinati nella fase precedente.

Successivamente, il sistema di elaborazione 4 esegue una nuova fase di selezione (blocco 175) di un sottoinsieme dei parametri di cella, ai quali nel seguito ci si riferisce come ai parametri di cella significativi.

In dettaglio, la selezione dei parametri di cella significativi avviene come descritto qui di seguito.

Un operatore associa a ciascuna cella di ogni paziente campione un’indicazione binaria relativa al grado di aggressività del tumore in tale cella. Al fine di avere tale associazione, ciascuna cella è sottoposta ad una valutazione preliminare da parte di un patologo, il quale associa un valore ‘1’ se considera la cella aggressiva (ad esempio, se ha un valore di Gleason maggiore o uguale a tre), oppure associa un valore ‘0’ se considera la cella non aggressiva.

Successivamente, come mostrato in figura 21, il sistema di elaborazione 4 memorizza (blocco 180), per ciascun paziente campione, una matrice piana cellulare 347 ed un vettore cellulare 348, mostrati ad esempio in figura 22, relativamente al primo paziente campione.

La matrice piana cellulare 347 ha tante righe quante sono le celle individuate per il corrispondente paziente campione; nell’esempio mostrato in figura 22, il primo paziente campione ha complessivamente α celle, indipendentemente da come tali celle sono ripartite tra le regioni tridimensionali rilevanti del primo paziente campione.

La matrice piana cellulare 347 riporta, per ciascuna cella, i corrispondenti valori dei parametri di cella; pertanto, la matrice piana cellulare 347 ha dimensioni pari a α× 1. D’altra parte, il vettore cellulare 348 contiene, per ciascuna cella, la corrispondente indicazione binaria relativa all’aggressività (indicata come PS<T*>, mentre i parametri di cella sono indicati con Pr<T*>).

Successivamente, il sistema di elaborazione 4 determina (blocco 181), per ciascuno dei parametri di cella, una corrispondente curva cellulare ROC<T*>e la relativa area, in maniera uguale a quanto discusso con riferimento al blocco 62, fatto salvo il fatto che il calcolo viene eseguito sulla base di una macrocolonna cellulare 450 (figura 23) data dalle colonne delle matrici piane cellulari 347 che corrispondono al parametro di cella considerato, e sulla base di un macrovettore cellulare 460 dato dalla successione dei vettori cellulari 348 relativi ai pazienti campione.

Successivamente, il sistema di elaborazione 4 determina (blocco 182) una matrice cellulare di correlazione (mostrata in figura 24, dove è indicata con 470), eseguendo le medesime operazioni descritte con riferimento al blocco 63, fatto salvo il fatto che tali operazioni sono eseguite sulle macrocolonne cellulari 450.

Successivamente, il sistema di elaborazione 4 esegue (blocco 183) la scelta dei parametri di cella significativi, sulla base della matrice cellulare di correlazione 470, eseguendo le medesime operazioni descritte con riferimento al blocco 64, fatta salva la possibilità di adottare un diverso valore di soglia rispetto a quanto impiegato nelle operazioni di cui al blocco 64.

Nel seguito si assume, ad esempio, che le operazioni fin qui descritte conducano a scegliere e a memorizzare un numero Δ di parametri di cella significativi.

Nuovamente con riferimento alla figura 2, il sistema di elaborazione 4 seleziona (blocco 176), all’interno della matrice piana cellulare 347 di ciascun paziente campione, le sole colonne relative ai parametri di cella significativi. In tal modo, si ottiene una corrispondente matrice ridotta cellulare 349, un cui esempio, relativo al primo paziente campione, è mostrato in figura 25, in cui i parametri di cella significativi sono indicati con l’aggiunta di un apice.

Successivamente, il sistema di elaborazione 4 determina (blocco 177 di figura 2) un terzo classificatore (ad esempio, di tipo Bayesiano, oppure “decision tree” o SVM), sulla base dei valori dei parametri di cella significativi Pr<T’*>contenuti nelle matrici cellulari ridotte 349 dei pazienti campione e delle corrispondenti indicazioni binarie PS<T*>. In particolare, il sistema di elaborazione 4 genera e memorizza un modello matematico atto a ricevere come dati di ingresso i valori dei parametri di cella Pr<T*’>di una qualsiasi cella di un qualsiasi paziente e generare in uscita una corrispondente indicazione del grado di aggressività della massa tumorale presente in tale cella.

In seguito alle fasi operative mostrate in figura 2 e applicate sui pazienti campione, il sistema di elaborazione 4 ha memorizzato il primo, il secondo ed il terzo classificatore, nonché l’elenco dei parametri significativi, dei parametri regionali significativi e dei parametri di cella significativi. Il sistema CAD 1 è quindi pronto per essere impiegato su un paziente ignoto, ovvero un soggetto di cui non si hanno informazioni sulla eventuale presenza di masse tumorali.

In particolare, come mostrato in figura 26, vengono eseguite le operazioni di cui ai blocchi 10, 20 e 30, qui indicate rispettivamente con 510, 520 e 530. Successivamente, il sistema di elaborazione 4 determina (blocco 540) i valori dei parametri significativi (questi ultimi, essendo stati selezionati durante le operazioni di cui al blocco 60 di figura 2) del paziente ignoto.

Successivamente, il sistema di elaborazione 4 applica il primo classificatore ai valori dei parametri significativi del paziente ignoto, generando (blocco 545) la mappa tridimensionale di probabilità relativa al paziente ignoto.

In seguito, il sistema di elaborazione 4 esegue le operazioni di cui ai blocchi 80, 90, 100, 110 e 120 (complessivamente indicate ora con 550), in modo da determinare le regioni tridimensionali di voxel del paziente ignoto.

Successivamente, il sistema di elaborazione 4 determina (blocco 560) i valori dei parametri regionali significativi (cioè, dei parametri regionali selezionati nel blocco 150 di figura 2) relativi al paziente ignoto.

In seguito, il sistema di elaborazione 4 applica il secondo classificatore ai valori dei parametri regionali significativi del paziente ignoto, generando (blocco 570) una mappa di aggressività relativa al paziente ignoto, la quale associa, a ciascuna regione tridimensionale di voxel, una corrispondente indicazione del grado di aggressività.

Successivamente, il sistema di elaborazione 4 esegue le operazioni di cui ai blocchi 171-172 (complessivamente indicate ora con 580), in modo da determinare le celle delle regioni tridimensionali rilevanti del paziente ignoto. In particolare, il sistema di elaborazione 4 considera rilevanti le regioni tridimensionali di voxel aventi gradi di aggressività superiori, ad esempio, a 3+3.

In seguito, il sistema di elaborazione 4 determina (blocco 590) i valori dei parametri di cella significativi (cioè, dei parametri di cella regionali selezionati nel blocco 175 di figura 2) relativi al paziente ignoto.

In seguito, il sistema di elaborazione 4 applica il terzo classificatore ai valori dei parametri di cella significativi del paziente ignoto, generando (blocco 600) una mappa di aggressività cellulare relativa al paziente ignoto, la quale associa, a ciascuna cella di ciascuna regione tridimensionale rilevante del paziente ignoto, una corrispondente indicazione del grado di aggressività.

I vantaggi che il presente sistema CAD consente di ottenere emergono chiaramente dalla descrizione precedente. In particolare, il presente sistema CAD permette di individuare e caratterizzare una massa tumorale prostatica senza l’intervento diretto di un esperto. Infatti, è possibile individuare una massa tumorale senza che il radiologo debba definire manualmente la regione di interesse del paziente ignoto, sia nella fase di individuazione sia nella fase di caratterizzazione dell’aggressività della massa tumorale; questo permette di ridurre la quota di errore umano nel processo di refertazione.

In aggiunta, la selezione dei parametri significativi e dei parametri regionali significativi consente di aumentare l’efficienza computazionale.

Ancora, il presente sistema CAD è in grado di selezionare, senza necessità di intervento di un esperto, le regioni tridimensionali aventi elevata probabilità di includere masse tumorali, e di caratterizzarne l’aggressività, sulla base dei corrispondenti valori dei parametri regionali significativi.

Inoltre, i parametri di struttura e i parametri regionali possono essere calcolati anche su regioni di dimensioni esigue (ad esempio, formate da pochi voxel); in particolare, con riferimento ai parametri regionali, questo permette di fornire indicazioni molto precise sull’aggressività e sull’eterogeneità di un tumore, assistendo il radiologo nella scelta del percorso terapeutico più adatto per il paziente in esame. A tal proposito, la suddivisione delle regioni tridimensionali rilevanti in celle consente di aumentare ulteriormente il livello di precisione dell’analisi.

Risulta infine chiaro che al presente sistema possono essere apportate modifiche e varianti senza per questo uscire dall’ambito protettivo della presente invenzione, come definito nelle rivendicazioni allegate. Ad esempio, tale sistema CAD può essere adattato per essere impiegato in regioni corporee differenti dalla prostata, quali, ad esempio, mammella, retto, polmone.

Inoltre, il sistema di elaborazione 4 può essere configurato per generare ulteriori grandezze, rispetto a quanto descritto in precedenza. Ad esempio, il sistema di elaborazione 4 può generare, per ciascuna regione tridimensionale di voxel del paziente ignoto, un corrispondente punteggio PIRADS (“Prostate Imaging Reporting and Data System”, sistema di refertazione e annotazione delle immagini prostatiche).

Infine, le operazioni svolta dal presente sistema di elaborazione 4 possono differire rispetto a quanto descritto. Ad esempio, la determinazione delle regioni tridimensionali può avvenire in modo diverso rispetto a quanto descritto; ad esempio, il sistema di elaborazione 4 può cercare il massimo assoluto e/o uno o più massimi relativi di ciascuna mappa tridimensionale di probabilità e selezionare i relativi intorni, indipendentemente dal fatto che tali massimi esibiscano valori di probabilità superiori a una soglia. In tal caso, è ad esempio possibile che ciascuna regione tridimensionale sia formata dai voxel che distano meno di una distanza prestabilita da un corrispondente voxel che esibisce un massimo assoluto o relativo di probabilità.

E’ inoltre possibile che, la fase di determinazione delle regioni tridimensionali preveda una fase aggiuntiva rispetto a quanto descritto, in cui una regione tridimensionale viene scartata se non rispetto un ulteriore criterio, ad esempio relativo alla forma (ad esempio, alla concavità/convessità).

Claims

RIVENDICAZIONI 1. Sistema di rilevamento di masse tumorali in un tessuto ignoto, accoppiabile ad un sistema MRI (2) per ricevere un numero di scansioni del tessuto ignoto, ciascuna scansione comprendendo una corrispondente pluralità di immagini MRI (Fi) relative ad un insieme di voxel (45), ciascun voxel (51) essendo associato ad una corrispondente porzione di tessuto ignoto, le immagini MRI di ciascuna scansione essendo indicative di valori di almeno un corrispondente parametro iniziale; detto sistema di rilevamento comprendendo: - primi mezzi di elaborazione (4) configurati per determinare, per ciascun voxel, un numero di corrispondenti valori di primi parametri principali (Pp’), sulla base delle immagini MRI; - primi mezzi di classificazione (4) configurati per determinare, per ciascun voxel, un corrispondente valore di probabilità, sulla base dei corrispondenti valori dei primi parametri principali, detto valore di probabilità essendo indicativo della probabilità che la corrispondente porzione di tessuto ignoto includa una corrispondente porzione tumorale; - secondi mezzi di elaborazione (4) configurati per selezionare gruppi di voxel (R3D,1) sulla base: - dei valori di probabilità dei voxel, di una soglia di probabilità e di un criterio geometrico, in modo che ciascun gruppo di voxel sia formato da voxel adiacenti i cui valori di probabilità soddisfano singolarmente una relazione predeterminata con la soglia di probabilità, ciascun gruppo di voxel soddisfacendo inoltre detto criterio geometrico; oppure - dei valori di probabilità dei voxel e di un criterio di prossimità, in modo che ciascun gruppo di voxel sia formato da voxel adiacenti ad un corrispondente massimo relativo o assoluto di probabilità e soddisfi detto criterio di prossimità; - terzi mezzi di elaborazione (4) configurati per determinare, per ciascun gruppo di voxel, una pluralità di corrispondenti valori di secondi parametri principali (Pr<T>’), ciascuno di detti valori di secondi parametri principali essendo funzione dei valori di un corrispondente parametro iniziale dei voxel del gruppo; e - secondi mezzi di classificazione (4) configurati per determinare, per ciascun gruppo di voxel, un corrispondente valore di aggressività di gruppo, sulla base dei corrispondenti valori dei secondi parametri principali, detto valore di aggressività di gruppo essendo indicativo dell’aggressività della massa tumorale formata dalle porzioni tumorali presenti nelle corrispondenti porzioni di tessuto ignoto.
2. Sistema di rilevamento secondo la rivendicazione 1, comprendente inoltre: - quarti mezzi di elaborazione (4) configurati per selezionare i gruppi di voxel (R3D,1) aventi valori di aggressività di gruppo superiori ad una soglia di aggressività di gruppo; - quinti mezzi di elaborazione (4) configurati per determinare, per ciascun gruppo di voxel selezionato (R3D<*>), una pluralità di corrispondenti celle (373) che formano il gruppo di voxel selezionato; - sesti mezzi di elaborazione (4) configurati per determinare, per ciascuna cella, una pluralità di corrispondenti valori di terzi parametri principali (Pr<T>’<*>), ciascuno di detti valori di terzi parametri principali essendo funzione dei valori di un corrispondente parametro iniziale dei voxel della cella; e - terzi mezzi di classificazione (4) configurati per determinare, per ciascuna cella, un corrispondente valore di aggressività di cella, sulla base dei corrispondenti valori dei terzi parametri principali, detto valore di aggressività di cella essendo indicativo dell’aggressività della massa tumorale formata dalle porzioni tumorali presenti nelle corrispondenti porzioni di tessuto ignoto.
3. Sistema di rilevamento secondo la rivendicazione 2, in cui almeno uno di detti secondi parametri principali (Pr<T>’) è indicativo dell’omogeneità, oppure del contrasto, oppure dell’entropia, oppure dell’energia, oppure di grandezze statistiche dei valori del corrispondente parametro iniziale, all’interno di ciascun gruppo di voxel (R3D,1); ed in cui almeno uno di detti terzi parametri principali (Pr<T>’<*>) è indicativo dell’omogeneità, oppure del contrasto, oppure dell’entropia, oppure dell’energia, oppure di grandezze statistiche dei valori del corrispondente parametro iniziale, all’interno di ciascuna cella (373).
4. Sistema di rilevamento secondo una qualsiasi delle rivendicazioni precedenti, comprendente inoltre settimi mezzi di elaborazione (4) configurati per determinare, per ciascun voxel (51), un corrispondente valore di almeno un parametro di struttura, il quale è funzione dei valori di un corrispondente parametro iniziale di voxel le cui disposizioni rispetto a detto voxel soddisfano una predeterminata condizione geometrica; ed in cui ciascun primo parametro principale (Pp’) è pari alternativamente ad uno di detti parametri iniziali, oppure a uno di detti parametri di struttura.
5. Sistema di rilevamento secondo una qualsiasi delle rivendicazioni precedenti, in cui i primi, i secondi ed i terzi mezzi di classificazione (4) sono configurati per applicare corrispondenti classificatori scelti tra: classificatori di tipo “Support Vector Machine”, classificatori Bayesiani, classificatori del tipo “decision tree”.
6. Sistema di rilevamento secondo una qualsiasi delle rivendicazioni precedenti, in cui dette scansioni sono basate su almeno un primo tipo di immagini tra: immagini pesate in T2, immagini pesate in diffusione ed immagini rappresentanti sequenze dinamiche a mezzo di contrasto.
7. Metodo di rilevamento di masse tumorali in un tessuto ignoto, comprendente le fasi di: - ricevere (510) una pluralità di immagini MRI (Fi) relative ad un numero di scansioni del tessuto noto, dette immagini MRI essendo relative ad un insieme di voxel (45), ciascun voxel (51) essendo associato ad una corrispondente porzione di tessuto ignoto, le immagini MRI di ciascuna scansione essendo inoltre indicative di valori di almeno un corrispondente parametro iniziale; - determinare (540), per ciascun voxel, un numero di corrispondenti valori di primi parametri principali (Pp’), sulla base delle immagini MRI; - determinare (545), per ciascun voxel, un corrispondente valore di probabilità, sulla base dei corrispondenti valori dei primi parametri principali, detto valore di probabilità essendo indicativo della probabilità che la corrispondente porzione di tessuto ignoto includa una corrispondente porzione tumorale; - selezionare (550) gruppi di voxel (R3D,1) sulla base: - dei valori di probabilità dei voxel, di una soglia di probabilità e di un criterio geometrico, in modo che ciascun gruppo di voxel sia formato da voxel adiacenti i cui valori di probabilità soddisfano singolarmente una relazione predeterminata con la soglia di probabilità, ciascun gruppo di voxel soddisfacendo inoltre detto criterio geometrico; oppure - dei valori di probabilità dei voxel e di un criterio di prossimità, in modo che ciascun gruppo di voxel sia formato da voxel adiacenti ad un corrispondente massimo relativo o assoluto di probabilità e soddisfi detto criterio di prossimità; - determinare (560), per ciascun gruppo di voxel, una pluralità di corrispondenti valori di secondi parametri principali (Pr<T>’), ciascuno di detti valori di secondi parametri principali essendo funzione dei valori di un corrispondente parametro iniziale dei voxel del gruppo; e - determinare (570), per ciascun gruppo di voxel, un corrispondente valore di aggressività di gruppo, sulla base dei corrispondenti valori dei secondi parametri principali, detto valore di aggressività di gruppo essendo indicativo dell’aggressività della massa tumorale formata dalle porzioni tumorali presenti nelle corrispondenti porzioni di tessuto ignoto.
8. Metodo di rilevamento secondo la rivendicazione 7, comprendente inoltre le fasi di: - selezionare (580) i gruppi di voxel (R3D,1) aventi valori di aggressività di gruppo superiori ad una soglia di aggressività di gruppo; - determinare (580), per ciascun gruppo di voxel selezionato (R3D<*>), una pluralità di corrispondenti celle (373) che formano il gruppo di voxel selezionato; - determinare (590), per ciascuna cella, una pluralità di corrispondenti valori di terzi parametri principali (Pr<T>’<*>), ciascuno di detti valori di terzi parametri principali essendo funzione dei valori di un corrispondente parametro iniziale dei voxel della cella; e - determinare (600), per ciascuna cella, un corrispondente valore di aggressività di cella, sulla base dei corrispondenti valori dei terzi parametri principali, detto valore di aggressività di cella essendo indicativo dell’aggressività della massa tumorale formata dalle porzioni tumorali presenti nelle corrispondenti porzioni di tessuto ignoto.
9. Metodo di rilevamento secondo la rivendicazione 8, in cui almeno uno di detti secondi parametri principali (Pr<T>’) è indicativo dell’omogeneità, oppure del contrasto, oppure dell’entropia, oppure dell’energia, oppure di grandezze statistiche dei valori del corrispondente parametro iniziale, all’interno di ciascun gruppo di voxel (R3D,1); ed in cui almeno uno di detti terzi parametri principali (Pr<T>’<*>) è indicativo dell’omogeneità, oppure del contrasto, oppure dell’entropia, oppure dell’energia, oppure di grandezze statistiche dei valori del corrispondente parametro iniziale, all’interno di ciascuna cella (373).
10. Metodo di rilevamento secondo una qualsiasi delle rivendicazioni da 7 a 9, comprendente inoltre la fase di determinare (40), per ciascun voxel, un corrispondente valore di almeno un parametro di struttura, il quale è funzione dei valori di un corrispondente parametro iniziale di voxel le cui disposizioni rispetto a detto voxel (51) soddisfano una predeterminata condizione geometrica; ed in cui ciascun primo parametro principale (Pp’) è pari alternativamente ad uno di detti parametri iniziali, oppure a uno di detti parametri di struttura.
11. Metodo per determinare un classificatore di aggressività di aree tumorali, comprendente le fasi di: - per ciascun tessuto noto tra una pluralità di tessuti noti, ricevere (10) un numero di scansioni del tessuto noto, ciascuna scansione comprendendo una corrispondente pluralità di immagini MRI (Fi) relative ad un insieme di voxel (45) del tessuto noto, ciascun voxel (51) essendo associato ad una corrispondente porzione del tessuto noto, le immagini MRI di ciascuna scansione essendo indicative di valori di almeno un corrispondente parametro iniziale; - determinare (50), per ciascun voxel di ciascun tessuto noto, un numero di corrispondenti valori di primi parametri candidati (Pp), sulla base delle immagini MRI del tessuto noto, detti primi parametri candidati includendo detti parametri iniziali; - memorizzare, per ciascun voxel di ciascun tessuto noto, una corrispondente indicazione binaria relativa alla presenza/assenza di una porzione tumorale nella corrispondente porzione di tessuto noto; e - selezionare (60) un sottoinsieme di primi parametri candidati, sulla base dei valori dei primi parametri candidati dei voxel dei tessuti noti e delle corrispondenti indicazioni binarie di assenza/presenza di porzioni tumorali; - determinare (70) un primo classificatore, sulla base dei valori dei primi parametri candidati selezionati (Pp’) dei voxel dei tessuti noti e delle corrispondenti indicazioni binarie di presenza/assenza di porzioni tumorali; - per ciascun voxel di ciascun tessuto noto, applicare (70) detto primo classificatore ai corrispondenti valori dei primi parametri candidati selezionati (Pp’), in modo da determinare un corrispondente valore di probabilità, il quale è indicativo della probabilità che la corrispondente porzione di tessuto noto includa una corrispondente porzione tumorale; - per ciascun tessuto noto, selezionare (80, 90, 100, 110, 120), corrispondenti gruppi di voxel (R3D,1), sulla base: - dei valori di probabilità dei voxel, di una soglia di probabilità e di un criterio geometrico, in modo che ciascun gruppo di voxel sia formato da voxel adiacenti i cui valori di probabilità soddisfano singolarmente una relazione predeterminata con la soglia di probabilità, ciascun gruppo di voxel soddisfacendo inoltre detto criterio geometrico; oppure - dei valori di probabilità dei voxel e di un criterio di prossimità, in modo che ciascun gruppo di voxel sia formato da voxel adiacenti ad un corrispondente massimo relativo o assoluto di probabilità e soddisfi detto criterio di prossimità; - determinare (130), per ciascun gruppo di voxel di ciascun tessuto noto, una pluralità di corrispondenti valori di parametri regionali candidati (Pr<T>), ciascuno di detti valori di parametri regionali candidati essendo funzione dei valori di un corrispondente parametro iniziale dei voxel del gruppo; e - memorizzare, per ciascun gruppo di voxel di ciascun tessuto noto, una corrispondente indicazione binaria relativa all’aggressività delle porzioni tumorali presenti nelle corrispondenti porzioni di tessuto noto; e - selezionare (150) un sottoinsieme di parametri regionali candidati (Pr<T>), sulla base dei valori dei parametri regionali candidati dei gruppi di voxel dei tessuti noti e delle corrispondenti indicazioni binarie di aggressività; - determinare (170) un secondo classificatore, sulla base dei valori dei parametri regionali candidati selezionati (Pr<T’>) dei gruppi di voxel dei tessuti noti e delle corrispondenti indicazioni binarie di relative all’aggressività.
12. Metodo secondo la rivendicazione 11, in cui detta fase di selezionare (60) un sottoinsieme di primi parametri candidati (Pp) comprende eseguire operazioni di scarto di primi parametri candidati, ciascun primo parametro candidato scartato avendo una rispettiva correlazione con almeno un altro primo parametro candidato che supera una prima soglia di correlazione; ed in cui detta fase di selezionare (150) un sottoinsieme di parametri regionali candidati (Pr<T>) comprende eseguire operazioni di scarto di parametri regionali candidati, ciascun parametro regionale candidato scartato avendo una rispettiva correlazione con almeno un altro parametro regionale candidato che supera una seconda soglia di correlazione.
13. Metodo secondo la rivendicazione 11 o 12, comprendente inoltre le fasi di: - per ciascun tessuto noto, selezionare (171) i gruppi di voxel (R3D<*>) aventi indicazioni binarie di aggressività pari a un valore binario prestabilito; - per ciascun gruppo di voxel selezionato, determinare (172) una pluralità di corrispondenti celle (373) che formano il gruppo di voxel selezionato; - per ciascuna cella, determinare (173) una pluralità di corrispondenti valori di parametri di cella candidati (Pr<T*>), ciascuno di detti valori di parametri di cella candidati essendo funzione dei valori di un corrispondente parametro iniziale dei voxel della cella; e - memorizzare, per ciascuna cella, una corrispondente indicazione binaria relativa alla aggressività di una porzione tumorale nella corrispondente porzione di tessuto noto; e - selezionare (175) un sottoinsieme di parametri di cella candidati (Pr<T’*>), sulla base dei valori dei parametri di cella candidati delle celle dei tessuti noti e delle corrispondenti indicazioni binarie di aggressività; - determinare (177) un terzo classificatore, sulla base dei valori dei parametri di cella candidati selezionati delle celle dei tessuti noti e delle corrispondenti indicazioni binarie relative all’aggressività.
14. Metodo secondo la rivendicazione 13, in cui detta fase di selezionare (175) un sottoinsieme di parametri di cella candidati (Pr<T’*>) comprende eseguire operazioni di scarto di parametri regionali candidati (Pr<T*>), ciascun parametro di cella candidato scartato avendo una rispettiva correlazione con almeno un altro parametro di cella candidato che supera una terza soglia di correlazione.