IT201900007806A1 - Metodo computerizzato per classificare una massa di un organo come ciste - Google Patents

Description

"Metodo computerizzato per classificare una massa di un organo come ciste" "A computer based method for classifying a mass of an organ as a cyst"

DESCRIZIONE

CAMPO TECNICO

La presente invenzione si riferisce al campo delle metodologie computerizzate per elaborare immagini ecografiche di cisti e fornire un supporto alla diagnosi.

Specificamente, la presente invenzione riguarda un metodo computerizzato per caratterizzare e classificare masse presenti in organi del corpo umano.

STATO DELL'ARTE

Sono noti metodi di elaborazione di immagini ecografiche per fornire dati di supporto alla formulazione di una diagnosi. E' sentita l'esigenza di elaborare i dati in modo automatico per individuare precocemente patologie dannose, come ad esempio un tumore ovarico, asintomatiche e, per questo, normalmente diagnosticate in fase troppo avanzata per una terapia efficace e poco invasiva.

SCOPI E RIASSUNTO DELL'INVENZIONE

La presente invenzione risolve almeno in parte gli inconvenienti sopra specificati tramite un metodo computerizzato per trovare e caratterizzare una massa anatomica di un organo come una cisti e fornire una classe che indica la presenza di un siero nella cisti e una sottoclasse che indica la presenza di uno o più loculi sierosi nella cisti, il metodo che comprende le fasi di:

(a) ottenere almeno un'immagine ecografica di un'entità anatomica esaminata includente la massa anatomica;

(b) utilizzare un primo algoritmo basato su una rete neurale che elabora l'immagine per generare la caratterizzazione come cisti e/o la classe;

(c) utilizzare un secondo algoritmo di grafica computazionale per:

i. identificare regioni interne dell'immagine, in particolare una regione di fluido, ad esempio a bassa ecogenicità, o una regione di contorno, ad esempio a elevata ecogenicità, della massa anatomica sulla base di almeno due diverse soglie applicate a una funzione matematica dell'ecogenicità dell'immagine;

ii. classificare la regione interna come sierosa o solida sulla base di almeno un parametro quantitativo morfologico della regione interna e di un modello di aggregazione generante un'associazione fra almeno una regione interna di fluido e una regione interna di contorno quando è verificata una condizione di prossimità fra le regioni; in particolare, con riferimento alla classificazione sierosa, viene valutato un fattore di forma della regione interna e/o una rugosità del perimetro della regione e/o ima posizione del centroide, e.g. baricentro, e viene individuato un aggregato con una regione di contorno avente semiassi di dimensione analoga a quelli dell'area interna di fluido; con riferimento alla classificazione solida, ad esempio il modello di aggregazione fornisce l'associazione fra un'area di fluido e un contorno aventi rispettivi semiassi di dimensioni notevolmente differenti e se ne deduce che l'area intermedia fra la regione di bordo e quella di fluido sia solida.

iii. contare il numero di regioni di fluido come loculi sierosi e/o un numero di regioni solide;

(d) fornire una classificazione comprendente la classe e la sottoclasse in base alla combinazione di uscite del primo e del secondo algoritmo.

Le fasi principali dell'elaborazione dell'immagine ecografica secondo la presente invenzione sono riconoscere se nell'immagine sia presente una cisti oppure no; e individuare caratteristiche morfologiche o geometriche della cisti. Ad esempio, la cisti può non essere presente poiché l'immagine ecografica riporta, ad esempio un'immagine ecografica di un ovaio sano o con formazioni sane e non patologiche. Gli inventori hanno determinato che le reti neurali sono particolarmente efficienti a riconoscere una cisti indipendentemente dalle varie tipologie e forme che queste ultime possono assumere sia rispetto a una configurazione perfettamente sana che in caso di formazioni funzionali e patologiche. Ad esempio, secondo una particolare forma di realizzazione non limitativa, le reti neurali individuano sia se la cisti è presente, che se è sierosa oppure solida, e tramite gli algoritmi di imaging viene identificato il numero di loculi, pari o superiore a uno. Infatti, l'elaborazione dei parametri geometrici di un'immagine ecografica tramite algoritmi noti di grafica computazionale, in particolare basata sulla delimitazione dei contorni delle zone sierose, consente agevolmente di fornire parametri più di dettaglio. La combinazione in qualsiasi ordine di tali strumenti fornisce una classificazione e una subclassificazione utile al medico per valutare eventuali ulteriori esami di approfondimento oppure diagnosticare una situazione nella norma.

Inoltre, il metodo è applicabile anche eseguendo l' individuazione tramite gli algoritmi di grafica computazionale delle caratteristiche geometriche, come regioni di fluido, e.g. siero, sangue etc., o solide di contorno, centroidi, asse minore e maggiore delle regioni sierose; il successivo calcolo di parametri quantitativi come l'estensione, i.e. il numero di pixel, delle regioni sierose o di contorno, la posizione dei centroidi, l'estensione e l'inclinazione rispetto a un sistema di riferimento dell'immagine e un indice di irregolarità delle regioni di bordo come la rugosità in un'immagine ecografica e successivamente associare a tali dati il risultato del processo di riconoscimento tramite le reti neurali, che consente di associare i dati quantitativi all'effettiva presenza di una cisti o, altrimenti, l'indicazione e l'immagine non comprende una cisti.

E' inoltre possibile, con particolare riferimento all'impiego di reti neurali convoluzionali, che siano generate sia la classificazione che la sub-classificazione, senza tuttavia una quantificazione del numero di loculi, e i relativi dati ridondanti con quelli ottenuti tramite gli algoritmi di grafica computazionale, i.e. solida o sierosa sulla base della percentuale di area sierosa rispetto all'area complessiva della cisti, e uniloculare o multiloculare, sono confrontati con quelli ottenuti dagli algoritmi di grafica computazionale. Preferibilmente, viene presentato come risultato del metodo della presente invenzione, la classificazione e la sub-classificazione quando il risultato dell'elaborazione tramite la rete neurale e quello degli algoritmi di grafica computazionale sono concordi.

Secondo una forma preferita di realizzazione, la fase di ottenere comprende la fase di ottenere una clip multiframe di immagini ecografiche dell'entità anatomica esaminata includente la massa anatomica; e comprendente la fase di fornire una classe o sottoclasse complessiva della clip in modo tale che multiloculare prevale su uniloculare e/o solido prevale su sieroso quando una prima sottoclasse di un primo fotogramma e una seconda sottoclasse di un secondo fotogramma della clip sono differenti.

Il metodo della presente invenzione può essere applicato ai singoli fotogrammi e, successivamente, occorre fornire una classificazione complessiva della massa anatomica della clip. Dal momento che è possibile che un fotogramma illustri due loculi e un ulteriore fotogramma illustri un unico loculo oppure fornisca una classificazione sierosa in un fotogramma e una solida in un altro fotogramma, occorre fornire criteri di prevalenza affinché il metodo produca un'unica classificazione della massa anatomica in presenza di fotogrammi con classificazioni differenti.

Ulteriori caratteristiche vantaggiose appariranno maggiormente evidenti dalla descrizione seguente di preferite ma non esclusive forme di realizzazione, fornite a puro titolo esemplificativo e non limitativo.

BREVE DESCRIZIONE DEI DISEGNI

La presente invenzione verrà descritta qui di seguito mediante alcune forme di realizzazione preferite, fornite a titolo esemplificativo e non limitativo, con riferimento ai disegni allegati. Questi disegni illustrano differenti aspetti ed esempi della presente invenzione e, dove appropriato, strutture, componenti, materiali e/o elementi simili in differenti figure sono indicati da numeri di riferimento simili.

La Fig. 1 è una serie di immagini ecografiche relative a cisti ovariche di classi differenti; La Fig. 2 è un'immagine ecografica elaborata per il calcolo di un centroide di un'area interna dell'immagine;

La Fig. 3 è uno schema a blocchi del metodo secondo una forma di realizzazione non limitativa della presente invenzione;

La Fig 4 è uno schema semplificato di una rete neurale impiegata nel metodo della presente invenzione;

La Fig. 5 è uno schema a blocchi semplificato di un processo di grafica computerizzata eseguito tramite il metodo della presente invenzione;

La Fig. 6A è un'immagine ecografica e la figura 6B è il risultato dell'applicazione di un filtro entropico all'immagine di Fig. 6A;

Le Figg. 7 A e 7B sono rispettive immagini binarizzate tramite una prima e una seconda soglia leggermenti differenti e la Fig. 7C è un'immagine binarizzata tramite una terza soglia della figura 6B;

La Fig. 8 illustra due fasi successive di processo dell'immagine delle figure 7 A, 7 B; La Fig. 9 illustra due fasi successive di processo dell'immagine 7C;

La Fig. 10 è un ingrandimento della Fig. 6A; e

La Fig. 11 è un esempio di output del processo di figura 5 applicato alla Fig. 6A.

DESCRIZIONE DETTAGLIATA DELL'INVENZIONE

Mentre l'invenzione è suscettibile di varie modifiche e costruzioni alternative, alcune forme di realizzazione preferite sono mostrate nei disegni e saranno descritte qui di seguito in dettaglio.

Con riferimento alla FIG. 1, sono indicate immagini relative a una classificazione non limitativa che trae spunto dalla classificazione IOTA, utilizzata per suddividere le cisti ovariche e supportare un medico nella diagnosi. Occorre notare che il presente metodo è applicabile anche al riconoscimento e alla classificazione di cisti renali e del pancreas. In maggiore dettaglio, secondo un esempio non limitativo di classificazione, una massa uniloculare presenta una unica regione ricolma di liquido di varia natura, che ne determina l'ecogenicità, ossia l'intensità di eco riflesso dal materiale. Una massa non ecogena apparirà come completamente nera. Una massa ipoecogena avrà dei grigi tenui e poco diffusi all'interno della massa stessa. Una massa isoecogena presenterà un contenuto che per scala di grigi sarà comparabile con i tessuti esterni alla massa. Una massa iperecogena invece sarà una massa particolarmente brillante nell'ecografia. Nel caso in cui il liquido sia siero, il livello di ecogenicità sarà basso o non presente (si veda la regione in basso della massa uniloculare riportata in figura 1). Nel caso in cui esistano dei versamenti ematici o presenza di masse mucinose nella cisti, questa sarà ipoecogena o al più isoecogena (si veda la massa multiloculare in figura 1). La presenza di masse solide invece all'interno della cisti, ne darà una apparenza isoecogena o iperecogena.

Siero e versamenti ematici non sono associati ad un livello di rischio importante, mentre la presenza di masse solide è uno dei principali segni di potenziale malignità, anche se non ne è implicazione diretta.

Con massa solida invece si intende massa che aggetta dalle pareti della cisti ed il cui accrescimento tende a riempire lo spazio cistico. Se questa è superiore in altezza a 3 mm viene definita papilla. In figura 1 la massa uniloculare solida presenta numerose papille distribuite lungo l'intero bordo cistico, il quale assume una struttura irregolare. Una cisti multiloculare può presentare tutte le caratteristiche sopra descritte, ma lo spazio cistico non è unico ma suddiviso da setti in più ambienti. Il setto è quindi una porzione di tessuto che si sviluppa attraverso il contenuto della cisti e la suddivide in più spazi.

Intersezioni tra setti o setti e parete cistica sono luogo preferenziale per lo sviluppo di massa solida e vanno adeguatamente monitorati.

Una massa viene invece definita solida quando la componente solida ha occupato lo spazio cistico per più dell' 80% della massa stessa; in seguito è descritto un esempio di realizzazione di come tramite algoritmi di grafica computazionale è possibile associare segmenti binarizzati di un'immagine a una cisti in modo da definire l'area complessiva della cisti e calcolare la percentuale sierosa. Inoltre, è anche possibile tramite un opportuno training della rete neurale, che quest'ultima sia in grado di classificare immagini relative a cisti uniloculare solide o sierose. Tendenzialmente, il livello di rischio associato alla massa aumenta al percorrere di questa classificazione, partendo da un livello inferiore all'1% per una massa uniloculare sierosa, fino a livelli di rischio elevati per masse solide, definibili quindi carcinomi conclamati.

In ultimo, per i frames dei clip non associabili a nessuna delle classi descritte precedentemente, è preferibilmente associata una classe 'miscellanea' ad esempio denominata background. Questa non include quindi solo ecografie riguardanti tessuti di altri organi e completamente "grigie", ma può includere aree che richiamano la forma e l'ecogenicità cistica, come per esempio anse intestinali, vasi sanguigni ecc, oppure aree di transizione tra la massa cistica ed i tessuti adiacenti, quindi regioni in cui la qualità dell'immagine cistica non sarebbe sufficientemente alta da consentire l'addestramento accurato degli algoritmi e rischierebbe anzi di inficiarlo. A questo proposito è stata scelta come rappresentativa della classe l'immagine di background riportata in figura 1.

Un'immagine ecografica bidimensionale, sia essa selezionata dall'operatore che esegue l'ecografia e memorizzata tramite un'apposita funzione dell'ecografo oppure fotogramma di una clip ecografica memorizzata, viene inizialmente processata per consentire un miglior funzionamento del metodo secondo la presente invenzione. In particolare, l'immagine viene ritagliata intorno alla regione di interesse (ROI -identificata automaticamente ad esempio tramite template matching oppure tramite crop/ritaglio in base a una cornice di dimensioni e posizione prefissata senza intervento umano) e segmentata tramite global thresholding; entrambi questi passaggi permettono rispettivamente di rimuovere parti non necessarie dall'immagine (in particolare i metadati, impressi come watermark sull'immagine) e di facilitare l'applicazione degli algoritmi di grafica computazionale che saranno maggiormente dettagliati nel seguito.

Inoltre, l'immagine viene processata per ridurre il rumore di speckle, i.e. despeckling. Il despeckling è necessario per evitare che variazioni di luminosità legate al fenomeno di interferenza delle onde sonore coprano o si confondano con gli aspetti salienti dell' immagine. Il filtraggio scelto è il median filtering. Altre alternative sono, ma non si limitano a, algoritmi quali anisotropie diffusion o wavelet denoising.

Una successiva fase di edge detection ha come obiettivo l'estrazione dei contorni della regione di interesse all'interno dell'immagine, al fine di ricavare caratteristiche geometriche rilevanti (area della cisti, contorni), come mostrato in un primo esempio in Figura 2.

In generale, si assume che le diverse regioni dell'immagine ecografica siano caratterizzate da diversi livelli di entropia: bassa, in corrispondenza di aree uniformi, come ad esempio il contenuto di cisti sierose, alta in corrispondenza di brusche variazioni, tipicamente in corrispondenza di contorni. Questi algoritmi saranno descritti più nel dettaglio successivamente.

La classificazione automatica delle principali caratteristiche tumorali dell'ovaio, quali loculi e papille, è realizzata secondo la presente invenzione attraverso reti neurali feedforward. Una rete feed-forward è un grafo aciclico, strutturato in una sequenza di layer. Tale architettura rende la rete particolarmente adatta a svolgere il ruolo di classificatore.

In un problema di classificazione, dato un insieme di oggetti, quali, ad esempio, diverse immagini ecografiche di cisti, la rete deve poter essere in grado di collocare ognuno di essi nella rispettiva classe, ad esempio determinare se la ciste in una data immagine ecografica appartenga alla classe delle cisti uniloculari o a quella delle multiloculari.

Per assolvere tale compito, la rete genera lungo i layer rappresentazioni sempre più astratte e complesse dell' oggetto da classificare, enfatizzandone le caratteristiche che lo rendono membro di una data classe piuttosto che un'altra (Figura 4). Tuttavia, il tratto peculiare che contraddistingue le reti neurali da altri tipi di classificatori, è che le prime sono in grado di astrarre tali caratteristiche attraverso un set di esempi, senza che queste debbano essere specificate a priori.

Durante questa fase, detta di addestramento, la rete assegna per ciascun esempio la probabilità che esso appartenga ad una determinata classe piuttosto che un'altra. Se la classificazione ha avuto successo, la classe associata alla più alta probabilità coinciderà con l'effettiva classe a cui l'oggetto appartiene.

Questa condizione viene tuttavia raggiunta solo eventualmente alla fine della fase di apprendimento, durante la quale le connessioni sinaptiche della rete vengono modificate in modo tale da minimizzare una funzione costo che contiene informazioni sul numero di esempi erroneamente classificati. Nel caso specifico della classificazione di cisti, si è scelta come funzione costo una tra le più utilizzate in Machine Learning, ovvero la funzione cross-entropy:

dove M indica il numero di esempi, p la probabilità effettiva che un esempio μ appartenga alla classe c e q la probabilità che un esempio μ appartenga alla classe c, assegnata però dalla rete sulla base della corrente configurazione delle sue connessioni sinaptiche W.

L'ottimizzazione della funzione costo avviene per mezzo di algoritmi di ottimizzazione, quali ad esempio Gradient Descent (GD) e le sue varianti. Tali algoritmi forniscono la prescrizione, ovvero la regola di apprendimento, attraverso cui le connessioni della rete devono essere modificate in modo tale da consentirle di classificare correttamente tutto il set di esempi. In particolare, nel caso del GD e delle sue varianti, le connessioni sinaptiche vengono aggiornate lungo la direzione del gradiente:

dove η determina il passo dell' aggiornamento e viene pertanto denominato rate di apprendimento. In particolare, è stato testato l'utilizzo come algoritmo di ottimizzazione della variante nota come Adam, in cui il tasso di apprendimento anziché rimanere costante durante tutto l'addestramento ed uguale per ogni connessione sinaptica, viene adattato sulla base dei momenti primo e secondo del gradiente.

Per migliorare le performance della rete in generalizzazione, sono presenti funzioni che possano prevenire l'overfitting sugli esempi di addestramento, quali ad esempio il dropout.

E' possibile utilizzare anche reti feed-forward convoluzionali. In una prima fase del progetto, si è scelto di implementare con successo un più semplice tipo di rete feedforward, ovvero il multilayer Perceptron. Nel caso preferito ma non limitativo in cui lo scan ecografico venga classificato come contenente una cisti sierosa e' possibile, con risultati apprezzabili, localizzarla ed estrarne automaticamente alcune caratteristiche geometriche. Nello specifico, le due fasi di localizzazione e caratterizzazione geometrica sono preferibilmente approcciate con tecniche di grafica computazionale. Alternativamente, la localizzazione può essere svolta da una rete neurale, in particolare da una rete neurale convoluzionale. Preferibilmente, con riferimento alla localizzazione, al fine di localizzare la posizione della cisti sierosa occorre tenere conto di diverse complessità tra cui:

• Cisti multiloculari: è comune che la cisti presenti diversi loculi e occorre tenere conto della potenziale presenza di più di una zona sierosa;

• Siero e Mucina: occorre identificare il siero anche in presenza di muco;

• Aree di ecografia visivamente simili che non rappresentano cisti sierose. E' necessario distinguere tra parti scure generiche e parti scure che effettivamente rappresentano il siero della cisti.

Per tenere tutti questi elementi in considerazione è applicato un approccio (figura 5) che approssima la cisti dall'interno e dall'esterno; ossia che punta a riconoscere le componenti sierose (interne) ed i tessuti a contorno. Questo è utile in quanto la sola componente sierosa potrebbe non essere totalmente indicativa di patologie e, in generale, i tessuti a contorno rappresentano un importante elemento di valutazione dello stato della cisti.

Nella fase di preprocessing 100 si esegue un cropping dell'ecografia così da eliminare porzioni non utili dell'ecografia, come ad esempio i metadati rasterizzati con l'immagine ecografica vera e propria (e.g. anagrafica paziente, scala dell'eco in mm). Viene poi calcolata l'entropia dell'immagine tramite un filtro entropico (figura 6) al fine di rendere più evidenti le zone i cui livelli di grigio sono omogenei. Indicativamente questo rende più visibili sia le zone sierose che i tessuti di contorno, quando effettivamente visualmente omogenei. Alternativamente è possibile applicare filtri a matrici Hessiane

Successivamente, il crop dell'immagine entropica è oggetto di binarizzazione tramite apposite soglie e quindi segmentato 110 al fine di estrarre tre differenti segmentazioni. Due di queste (figure 7 A, 7B) rappresentano un'approssimazione della zona sierosa con rispettive sogli differenti ma entrambi basse per individuare le zone ad elevato contrasto e bassa entropia, la rimanente invece i tessuti di contorno (figura 7C) tramite l'applicazione di una soglia elevata, i.e. per individuare le zone ad elevata entropia. Le due approssimazioni della zona sierosa, quindi interne alla cisti, hanno caratteristiche visuali leggermente diverse e risultano utili per una validazione dei risultati. In particolare, le due segmentazioni dall'interno differiscono in quanto le rispettive soglie adottate per la binarizzazione hanno valori simili ma non identici.

Nello specifico, prese le due segmentazioni dall'interno, si calcolano i centroidi delle componenti connesse scure, i.e. le aree chiuse rappresentative delle zone sierose, di una immagine (figura 8A) e si verifica che siano contenute all'interno delle componenti connesse dell'altra segmentazione con soglia bassa. Quando questa ed altre condizioni sono verificate, e.g. area della componente connessa sopra una soglia predeterminata e impostabile, componente connessa lontana, e.g. al di fuori di una distanza limite predeterminata e impostabile, dai bordi dell'ecografia, e fattore di forma predeterminato e impostabile sulla base del rapporto fra un asse maggiore e un asse minore della componente connessa approssimata con un'ellisse, allora si considerano la componenti connesse come effettivamente rappresentative di una zona sierosa (figura 8B).

Quando viene considerata anche la rugosità dei perimetri delle aree individuate, un valore relativamente elevato, e.g. oltre una soglia impostabile, è associata alla presenza di papille. E' inteso che la rugosità e grandezze correlate quali picco locale, valle locale, linea di riferimento, picco e valle, sono calcolabili al perimetro di un'area connessa, preferibilmente di un'immagine binarizzata, allo stesso modo di quanto accade alla superficie di un corpo.

Si possono in questo modo localizzare un numero a piacere di zone sierose, il cui numero massimo è definito tramite un apposito parametro modificabile; di conseguenza il metodo della presente invenzione è in grado di identificare cisti multiloculari e localizzarne i singoli loculi.

La segmentazione dall'esterno 130, ossia quella che identifica i contorni della cisti, deve essere confrontata con le zone sierose effettivamente individuate e selezionate nella fase 120. Preferibilmente, sono selezionati solo i contorni sufficientemente vicini al siero. Per calcolare la distanza tra tessuti di contorno e area sierosa si considerano le distanze euclidee tra i centroidi delle zone sierose (figura 8B) e quelli dei singoli contorni segmentati (figura 9A): se tale distanza è minore di una soglia predefinita e impostabile il contorno in esame viene associato alla zona e pertanto selezionato (figura 9B). La soglia predefinita può essere fissa o adattiva, i.e. essere espressa come funzione della dimensione della zona sierosa, ad esempio di uno o entrambe dei semi assi. In questo modo a ciascun loculo verranno associati i suoi contorni.

Una volta estratti sia le zone sierose che i relativi contorni si procede alla fusione 140 di queste informazioni in una sola immagine. Questo facilita l'individuazione visuale delle aree di interesse e permette una più facile lettura dello scan ecografico.

Per facilitare ulteriormente la lettura dell'immagine ecografica, il metodo della presente invenzione comprende la fase di calcolare alcune proprietà geometriche della cisti. Nello specifico vengono calcolate tutte le misure che, in se, sono calcolate in modo noto e non ulteriormente descritto. Per chiarezza, le più utili e significative sono: - Assi minore e maggiore dell'ellise più simile alla zona identificata: rappresentano ima buona stima di misura (in pixel) della larghezza ed altezza della cisti.

- Orientamento: ossia l'angolo tra l'asse orizzontale di riferimento dell'immagine e l'asse maggiore.

- Centroide: il baricentro dell'area identificata.

Area della cisti: misurata in pixel, ben approssima l'effettiva estensione della cisti. Le figure 10 e 11 illustrano rispettivamente un'immagine ecografica acquisita e il risultato dell'elaborazione grafica del metodo secondo la presente invenzione.

I paragrafi precedenti si riferiscono all'applicazione del metodo secondo la presente invenzione a un'unica immagine ecografica.

Secondo la presente invenzione, è possibile elaborare anche i fotogrammi di una clip ecografica come segue.

Ciascun fotogramma della clip viene etichettato in modo da associare una etichetta numerica per ogni singolo fotogramma che compone il clip. Al clip quindi viene associato un elenco che riporta per ogni fotogramma che compone il video l'etichetta numerica e ciascuna immagine viene processata come descritto nei paragrafi che precedono in modo che l'elenco preveda, per ciascun fotogramma identificato da un'etichetta, la relativa classe e sottoclasse.

L'elenco viene successivamente processato in modo da fornire ima classificazione complessiva della cisti rappresentata dai fotogrammi, considerando che alcuni fotogrammi potrebbero non inquadrare una cisti, invece presente in altri.

A tale scopo, ai fini della classificazione della cisti a cui si riferisce la clip, prevale la sub-classificazione multiloculare sulla sub-classificazione uniloculare, cioè che se almeno un fotogramma della clip è multiloculare, la cisti è classificata come multiloculare. Analogamente, se almeno un fotogramma viene classificato come solido, tale classe prevale per descrivere la cisti se altri fotogrammi sono classificati come sierosi.

Inoltre, anche il conteggio dei loculi può essere eseguito memorizzando la posizione dei centroidi di ciascun loculo per ciascun fotogramma. Se in un fotogramma un centroide di un loculo presenta una distanza maggiore rispetto a una soglia predeterminata rispetto ad altri centroidi di altri loculi, tale loculo è considerato come loculo addizionale e non come loculo già presente in altri fotogrammi e quindi il numero complessivo di loculi viene aggiornato di conseguenza.

Claims (11)

1. RIVENDICAZIONI 1. Un metodo per un computer per individuare e caratterizzare una massa anatomica di un organo come una cisti e fornire una classe che indica la presenza di un siero nella cisti e una sottoclasse che indica la presenza di uno o più loculi sierosi nella cisti e/o il suo numero, il metodo comprendente le fasi di: (a) ottenere almeno un'immagine ecografica di un'entità anatomica esaminata inclusa la massa anatomica; (b) usare un primo algoritmo basato su una rete neurale che elabora l'immagine per produrre la caratterizzazione come una cisti e/o la classe della cisti; (c) utilizzare un secondo algoritmo di grafica computazionale per: i. identificare regioni interne dell'immagine, in particolare una regione fluida o una regione di confine, sulla base di almeno una prima e una seconda soglia applicate a una funzione matematica dell'ecogenicità dell'immagine; ii. classificare la regione interna come una regione sierosa o una regione solida sulla base di un parametro morfologico quantitativo della regione interna e su un modello di aggregazione che genera un'associazione tra almeno una regione interna fluida e una regione interna di confine quando viene verificata una condizione di prossimità tra regioni; iii. contare il numero di regioni sierose come loculi sierosi e/o un numero di regioni solide; (d) fornire una classificazione dell’immagine comprendente la classe e la sottoclasse basata sulla combinazione dei risultati del primo e del secondo algoritmo.
2. 2. Il metodo secondo la rivendicazione 1, in cui la fase di identificare comprende la fase di associare alla stessa entità anatomica, in particolare una cisti, una regione di basso livello ecogeno a una regione di alto livello ecogeno, in base alla distanza tra i relativi centroidi.
3. 3. Il metodo secondo la rivendicazione 1 o 2, in cui la fase di ottenere comprende la fase di ottenere una clip multiframe di immagini ad ultrasuoni della massa anatomica; e comprendente la fase di fornire una classe o sottoclasse generale della clip in modo tale che il multiloculare prevale su uniloculare e/o solido prevale sul sieroso quando una prima sottoclasse di un primo fotogramma e una seconda sottoclasse di un secondo fotogramma della clip hanno risultati diversi provenienti da detta fase di fornire una classificazione dell'immagine.
4. 4. Il metodo secondo la rivendicazione 1, 2 o 3, in cui la fase di utilizzare un secondo algoritmo comprende la fase di produrre come risultati il numero di loculi come parte della sottoclasse.
5. 5. Il metodo secondo una qualsiasi delle rivendicazioni precedenti, in cui la fase di utilizzare il secondo algoritmo comprende la fase di confrontare un'area complessiva delle regioni sierose e un'area complessiva delle regioni solide e che la fase di fornire la classificazione comprende la fase di indicare la sottoclasse in base alla fase di confrontare.
6. 6. Il metodo secondo una qualsiasi delle rivendicazioni precedenti, in cui la fase di utilizzare il secondo algoritmo è tale che le regioni sierose e le regioni di confine attorno alle regioni sierose sono identificate come rispettive caratteristiche geometriche, che i relativi centroidi sono calcolati come rispettive ulteriori caratteristiche geometriche e che le posizioni dei centroidi sono calcolate come rispettivi parametri quantitativi.
7. 7. Il metodo secondo la rivendicazione 6, in cui la fase di utilizzare il secondo algoritmo è tale che il centroide è associato a una data regione sierosa in base alla distanza massima predefinita tra il centroide della regione sierosa e i centroidi delle regioni di confine.
8. 8. Il metodo secondo una qualsiasi delle rivendicazioni precedenti, in cui la fase di utilizzare il secondo algoritmo è tale che un filtro entropico o un filtro a matrice hessiana viene applicato all'immagine in modo da aumentare la differenziazione tra una regione fluida a basso livello ecogeno e un alto livello ecogeno che circonda la regione solida di confine.
9. 9. Il metodo secondo una qualsiasi delle rivendicazioni precedenti, in cui la rete neurale è una rete convoluzionale feed-forward o una rete multistrato feed-forward.
10. 10. Il metodo secondo una qualsiasi delle rivendicazioni precedenti, in cui sia il primo che il secondo algoritmo generano una classificazione sierosa o solida e una sottoclassificazione uniloculare o multiloculare e in cui la fase di fornire si basa sul fatto che i risultati del primo e il secondo algoritmo sono gli stessi.
11. 11. Il metodo secondo una qualsiasi delle rivendicazioni precedenti, in cui il secondo algoritmo è selezionato nel gruppo comprendente un algoritmo di estrazione del bordo, un algoritmo di estrazione della regione e un algoritmo per la descrizione delle proprietà dell'immagine.