IT202000023257A1

IT202000023257A1 - Sistema e metodo per l’imaging diagnostico di acqua e grasso

Info

Publication number: IT202000023257A1
Application number: IT102020000023257A
Authority: IT
Inventors: Rosario Varriale; Luca Balbi; Annamaria Carbone
Original assignee: Esaote Spa
Priority date: 2020-10-02
Filing date: 2020-10-02
Publication date: 2022-04-02
Also published as: US11971466B2; US20220107376A1

Description

DESCRIZIONE dell'Invenzione Industriale dal titolo: ?Sistema e metodo per l?imaging diagnostico di acqua e grasso?

TESTO DELLA DESCRIZIONE

Campo dell?invenzione

La presente invenzione ha per oggetto un sistema ed un metodo per l?imaging diagnostico di acqua e grasso.

Background dell?invenzione

In generale, le applicazioni diagnostiche di acquisizione di immagini in risonanza magnetica (MRI) rilevano il segnale dei protoni, che compongono oltre il 90% dei nuclei nel corpo umano. I protoni rilevati sono parte quelli relativi all'acqua presente nei tessuti, oppure sono quelli contenuti nelle molecole come proteine o carboidrati o sono quelli contenuti nella materia di cui sono composti i tessuti grassi. Le intensit? di segnale nei voxel di immagini 3D o nei pixel di immagini 2D derivano da una combinazione della densit? degli spin, e dei tempi di rilassamento longitudinali e trasversali (T1 e T2, rispettivamente), nonch? dai parametri che definiscono le sequenze di imaging utilizzate durante il processo di eccitazione ed acquisizione dei segnali di risonanza magnetica. Sfruttando le caratteristiche particolari di atomi di idrogeno, la risonanza magnetica pu? fornire un eccellente contrasto tra i tessuti molli, a seconda che essi siano legati all'acqua o alle molecole lipidiche. Con un tempo di rilassamento T1 relativamente breve, il segnale derivante dal grasso appare spesso molto intenso in molte importanti sequenze di imaging diagnostico e pu? oscurare, ovvero non rendere visibile per abbagliamento, la patologia sottostante come ad esempio un edema polmonare, una infiammazione o un incremento di tessuti tumorali.

Per questo motivo, la maggior parte dei protocolli di acquisizione di immagini diagnostiche MRI utilizza metodologie di soppressione dei segnali di risonanza magnetica nucleare derivanti dal grasso, allo scopo di migliorare la visualizzazione delle suddette patologie. Questo ? particolarmente vero per sequenze di imaging standard come Fast Spin Echo (FSE), spoiled gradient echo (SPGR) e steady state free precession (SSFP). Una soppressione affidabile dei segnali di risonanza magnetica nucleare derivanti dal grasso presenta l'ulteriore vantaggio di eliminare l'artefatto da shift chimico, in virt? del fatto che il segnale derivante dal grasso non ? pi? presente e le larghezze di banda inferiori possono essere utilizzate in combinazione con tecniche per migliorare il rapporto segnale-rumore (SNR) in condizione di soppressione del segnale derivante dal grasso.

D?altra parte, per?, esistono diverse patologie nelle quali pu? essere desiderabile la visualizzazione diretta dei segnali di risonanza magnetica derivanti dalla materia di cui sono composti i tessuti grassi, ad esempio come tumori grassi, adenomi surrenali, angiomiolipomi, liposarcomi e altri tumori mesenchimali. Oltre a ci?, esiste anche un forte interesse per la quantificazione della quantit? di tessuto adiposo viscerale come pure per le malattie infiltrative grasse come la steatosi epatica.

Al fine di poter rilevare mediante imaging diagnostico in risonanza magnetica nucleare sia le patologie visibili nelle immagini in modo ottimale utilizzando i segnali di risonanza dovuti all?acqua sia le patologie visibili in modo ottimale nelle immagini ottenute dai segnali di risonanza magnetica nucleare dovute ai tessuti grassi, attualmente sono note delle tecniche cosiddette di separazione delle immagini in risonanza magnetica nucleare derivanti dall?acqua da quelle derivanti dai grassi. Tali tecniche note permettono di generare immagini diagnostiche sulla base dei soli segnali derivanti dall?acqua e/o dei soli segnali derivanti dai tessuti lipidici.

Allo stato dell?arte sono noti metodi di separazione delle immagini acqua-grasso che sono basati sullo shift chimico e che sono noti genericamente come metodi ?Dixon?. Differentemente dai metodi che sopprimono il segnale proveniente dai tessuti lipidici o che eccitano selettivamente gli echi di risonanza dell?acqua, i metodi noti come metodi ?Dixon? si basano sugli spostamenti di fase creati dalle differenze della frequenza di risonanza relativa al grasso da quella relativa all?acqua per separare i segnali di risonanza magnetica nucleare provenienti dall?acqua da quelli provenienti dai tessuti lipidici. Le informazioni sulla fase vengono codificate mediante l?acquisizione di immagini con tempi di eco (TE) leggermente diversi sfruttando la differenza della frequenza di risonanza tra acqua e grasso. Acquisendo immagini con specifici valori TE opportunamente selezionati, il segnale combinato proveniente da un voxel contenente sia segnali derivanti dall?acqua che segnali derivanti dal grasso pu? essere scomposto in immagini separate generate sulla base dei segnali derivanti dalla sola acqua e sulla base dei segnali derivanti dal solo grasso ed in cui sono soppresse rispettivamente le immagini relative ai segnali provenienti dai grassi le e immagini relative ai segnali provenienti dalla sola acqua.

Questo tipo di approccio denominato anche metodo a ?due punti?, risulta per? sensibile alle disomogeneit? del campo magnetico statico B0. Queste disomogeneit? comportano scambi di immagine derivanti da acqua con quelle derivanti da grasso e viceversa. Ci? si verifica perch? le disomogeneit? del campo statico B0 creano una naturale ambiguit? quando solo una specie chimica (acqua, grasso) domina il segnale derivante da un pixel od un voxel: in questo caso, il segnale derivante dal grasso risulta indistinguibile dal segnale derivante dall?acqua che ? sfalsato rispetto alla frequenza di risonanza di 210 Hz. Pertanto, per aversi una affidabilit? nella separazione corretta delle immagini derivanti da acqua e da grasso nei noti metodi ? necessario risolvere le suddette ambiguit? sottoponendo i dati immagine all?elaborazione mediante algoritmi di unwrapping.

Allo stato dell?arte sono noti metodi modificati e pi? complessi denominati ad esempio metodi a ?tre punti? od a ?quattro punti?, come quelli noti da Glover e Schneider in cui viene acquisita una terza immagine che viene utilizzata per compensare le disomogeneit? e quindi evitare lo scambio fra loro di immagini derivanti dall?acqua con immagini derivanti da grasso o viceversa.

Questi metodi noti si sono dimostrati legati a diversi inconvenienti fra cui il pi? grave consiste nell?allungare sensibilmente il tempo di scansione, ovvero la durata della scansione di un target. Al fine di ridurre la penalizzazione dei metodi Dixon in relazione ai tempi di scansione sono stati sviluppati metodi che comprendono l?acquisizione parziale dello spazio k metodi di imaging parallelo e metodi di acquisizione multi-eco che vengono eseguiti in combinazione con i suddetti metodi di separazione delle immagini acqua/grasso. Tuttavia, queste tecnologie non incidono su una riduzione dei tempi dovuti alla separazione dei segnali acqua e grasso, ma costituiscono artifizi di abbreviazione di altri passaggi del processo di acquisizione delle immagini in risonanza magnetica nucleare e quindi aggirano ma non risolvono in misura piena e soddisfacente gli inconvenienti sopra descritti con riferimento ai metodi di separazione delle immagini acqua e grasso, sia per quanto riguarda l?affidabilit? della separazione delle immagini acqua/grasso, sia per quanto riguarda i tempi di scansione e/o elaborazione delle immagini.

Attualmente esiste pertanto una necessit? relativa al fatto di poter usufruire di tecniche di separazione di immagini acqua/grasso affidabili e che non pesino in misura sensibile sui tempi di scansione e/o di elaborazione senza necessitare di altri artifizi collaterali di abbreviazione dei tempi di acquisizione delle immagini e senza pesare sulla qualit? delle immagini come ad esempio sul rapporto segnale/rumore.

Breve descrizione dell?Invenzione

Uno scopo della presente invenzione ? quello di fornire un metodo ed un sistema per l?imaging diagnostico in risonanza magnetica nucleare che consenta la separazione di immagini derivanti da acqua ed immagini derivanti da grasso eliminando gli errori dovuti alle disomogeneit? del campo magnetico statico.

Nella sua forma esecutiva pi? generale, l?invenzione ha per oggetto un metodo per l?acquisizione e l?output separato di immagini diagnostiche in risonanza magnetica nucleare in base ai segnali derivanti da acqua e da grasso, il quale metodo prevede i seguenti passi:

a) definire almeno una slice di immagine che attraversa con un prestabilito orientamento relativo un corpo od una zona di un corpo in esame;

b) per almeno detta una slice o per almeno parte o tutte le dette slice, quando queste sono pi? di una, acquisire almeno una immagine anatomica in risonanza magnetica nucleare lungo la detta slice;

c) per almeno detta una slice o per almeno parte o tutte le dette slice, quando queste sono pi? di una, e per ciascun pixel o voxel dell?immagine in risonanza magnetica nucleare acquisita lungo la detta slice, eseguire una separazione delle componenti di segnale corrispondenti all?intensit? del detto pixel o del detto voxel derivanti dall?acqua dei tessuti nel corpo in esame da quelle componenti di segnale derivanti dai tessuti grassi nel detto corpo in esame;

d) per almeno detta una slice o per almeno parte o tutte le dette slice, quando queste sono pi? di una, generare immagine denominata solo acqua che ? generata sulla base delle componenti di segnale dei segnali MRI derivanti dalla sola acqua separate al passo precedente;

e) per almeno detta una slice o per almeno parte o tutte le dette slice, quando queste sono pi? di una, generare una immagine denominata solo grasso che ? generata sulla base delle componenti dei segnali MRI derivanti dal solo grasso separate al passo precedente;

f) ordinare le immagini relative alle singole slice in una sequenza che per ciascuna slice prevede prima la o le dette immagini anatomiche e successivamente la o le dette immagini solo acqua seguite dalla o dalle dette immagini solo grasso;

g) ordinare le immagini relative alle singole slice secondo l?ordine di posizione delle dette slice quando queste sono pi? di una, ed in cui

h) la separazione delle componenti di segnale corrispondenti all?intensit? del detto pixel o del detto voxel derivanti dall?acqua dei tessuti nel corpo in esame da quelle componenti di segnale derivanti dai tessuti grassi nel detto corpo in esame del passo c) essendo eseguita mediante un algoritmo di machine learning, ovvero ad apprendimento automatico ed i quali algoritmi sono configurati per la classificazione della componente di segnale come derivanti dall?acqua o dai tessuti grassi presenti nel corpo in esame.

Con il termine machine learning od apprendimento automatico, si intende l?utilizzo di algoritmi matematici e statistici generici che, esposti a una determinata serie di dati in una fase iniziale definita ?di addestramento? (training e testing) e passando per una seconda fase di valutazione dei risultati con ottimizzazione dei parametri, ricavano autonomamente la funzione ? non sempre conosciuta e non sempre conoscibile ? in grado di individuare in una differente serie di dati (dati di esecuzione), il valore pi? probabile di una condizione definita da un parametro che presenta valori previsti nell?ambito di una prestabilita scala di valori o di un insieme di valori, indicando eventualmente un grado di confidenza nella stima.

Per l?esecuzione del detto metodo ? possibile prevedere diverse varianti esecutive e diversi perfezionamenti che verranno elencati qui di seguito e che possono venire impiegati alternativamente od in qualsivoglia combinazione o sottocombinazione fra loro. Le combinazioni o sottocombinazioni esplicitamente descritte in seguito costituiscono puri esempi preferiti non limitativi del concetto generale o della possibilit? di permutazione delle singole varianti o dei singoli perfezionamenti nelle diverse combinazioni possibili anche se non esplicitamente descritte.

In relazione alla definizione di algoritmo di machine learning utilizzato per la separazione come al precedente punto h) questo ? configurato mediante processi di training e testing con i dati immagine di un database in cui i dati immagine sono univocamente correlati all?esito noto di appartenere ai segnali derivanti dall?acqua e dal grasso, ovvero di generare immagini in risonanza magnetica nucleare relative all?acqua od al grasso.

Inoltre, gli algoritmi di machine learning hanno dei meccanismi di feedback relativi ai risultati delle elaborazioni che eseguono che in base a parametri di fitness dei risultati o ad altri parametri statistici di affidabilit? dei risultati determinano un upgrade dei parametri di impostazione degli stessi, come ad esempio diversi coefficienti e/o la matrice dei pesi dei singoli nodi nelle reti neurali.

Gli algoritmi di classificazione sono noti allo stato dell?arte e sono relativi alla soluzione di un problema di classificazione, cio? un problema di apprendimento supervisionato che richiede di fare una scelta tra due o pi? classi da attribuire ai dati, in genere fornendo una probabilit? per ogni classe.

Esempi non limitativi di algoritmi di classificazione utilizzabili singolarmente od in combinazione con il suddetto esempio esecutivo sono costituiti dalle reti neurali e da algoritmi di deep learning, come anche algoritmi pi? comuni come il Naive Bayes Classifier, l?Albero decisionale, la Regressione logistica, K-Nearest Neighbours (K-NN) e Support Vector Machine (SVM). Si possono anche usare combinazioni di algoritmi di classificazione, come quelle note con la denominazione Random Forest e altri metodi di potenziamento come AdaBoost e XGBoost.

Un elenco esemplificativo pi? completo di algoritmi di classificazione utilizzabili per l?esecuzione del passo di separazione dai dati immagine acquisiti mediante in risonanza magnetica nucleare in dati immagine relativi ai segnali derivanti dall?acqua e dati immagine relativi ai segnali derivanti da tessuti grassi ? disponibile alla pagina web relativa al seguente link https://en.wikipedia.org/wiki/Category:Classification _algorithms

Ulteriori algoritmi costituiti da reti neurali specializzate in relazione all?elaborazione di immagini, come ad esempio il metodo descritto nel documento US2007233624. In questo caso l?algoritmo agisce in modo diverso da quanto avviene con reti neurali tradizionali in cui la matrice dei pesi relativi ai vari nodi viene modificata per portare le funzioni di attivazione interne dei nodi a combinarsi in modo da soddisfare le condizioni al contorno definite dai parametri delle variabili di input e di output che sono determinate da valori fissi dei casi noti in addestramento, per cui una volta addestrata, la rete fornisce parametri di output quando vengono immessi parametri di input i quali parametri di output sono determinati dalla matrice dei pesi e dai parametri delle funzioni di attivazione dei nodi che sono state determinate nella fase di training. Infatti, in questo algoritmo la rete ? strutturata prevedendo un nodo per ciascun pixel o voxel dell?immagine e ponendo come output i valori delle matrici dei pesi dei singoli nodi, che a loro volta modificano le caratteristiche dei vari pixel o voxel.

E? possibile prevedere diversi modi di definire parametri descrittivi dell?aspetto di un pixel o di un voxel che sono funzione della provenienza di un segnale di risonanza magnetica dall?acqua o da tessuti grassi.

Una forma esecutiva prevede che quale parametro del pixel o voxel venga utilizzata l?intensit? del pixel o del voxel.

Preferibilmente tale intensit? viene espressa in una scala di gradazione di grigi, corrispondendo alle gradazioni via via pi? chiare una maggiore intensit? ed alle gradazioni di grigio via via pi? scure un valore via, via minore dell?intensit?.

Una forma esecutiva alternativa pu? prevedere che un pixel o voxel sia sempre connotato, per quanto riguarda l?individuazione della provenienza da acqua o da grasso del corrispondente segnale in risonanza magnetica nucleare, da un valore di intensit?, anche eventualmente espresso con una scala di grigi, ma nell?ambito del processo di elaborazione dell?algoritmo, ciascun pixel o ciascun voxel sia identificato anche dai valori di intensit? dei pixel o voxel che lo circondano e che sono almeno immediatamente adiacenti allo stesso, ovvero cosiddetti pixel o voxel dell?intorno di gradiente 1.

Il documento EP1345154 descrive un sistema di codifica di pixel o voxel che prevede di definire le caratteristiche di parametri descrittivi di un pixel o voxel in funzione del valore di detti parametri del pixel o voxel in esame ed anche dei pixel che circondano il detto pixel o voxel in esame e sono immediatamente adiacenti allo stesso.

La precisione e l?affidabilit? dei risultati forniti da un algoritmo auto-apprendente dipendono soprattutto anche dalla qualit? dei dati noti sulla base dei quali, l?algoritmo viene addestrato e testato. Diversi effetti possono presentarsi durante l?addestramento come la presenza di mini o massimi relativi in cui il processo iterativo di calcolo resta impigliato per cui una certa variabile non progredisce pi? verso una condizione di convergenza, ripercuotendosi cos? sull?intero processo di definizione dei parametri interni delle funzioni che l?algoritmo utilizza per eseguire l?elaborazione e che vengono definiti durante la fase di training.

Pertanto, una forma esecutiva perfezionata prevede di combinare le forme esecutive secondo una o pi? delle varianti o delle combinazioni o sottocombinazioni pi? sopra descritte con un sistema ed in particolare con un algoritmo di ottimizzazione del database di casi noti di training e testing.

Sistemi di ottimizzazione del database di training e testing sono noti ed un esempio pu? essere costituito dal sistema descritto nel documento EP1586076. L?algoritmo di ottimizzazione del database di training e testing sfrutta la combinazione con una rete neurale per generare combinazioni alternative di record in una pluralit? di databse di training e testing figli. La fitness del risultato di una rete neurale addestrata con i diversi database determina quale di questi database alternativi venga mantenuto come database genitore e quale venga scartato. Il processo di ottimizzazione ? iterativo e pu? venire fermato sia in base al raggiungimento di un predefinito valore di fitness sia in base ad un prestabilito numero massimo di iterazioni.

Nell?esempio descritto in questo documento, sottogruppi di record di dati presenti in un database di training contenenti dati noti vengono generati combinando diversi record di dati del detto database selezionando questi record fra quelli presenti nel database di casi noti. Ciascun database viene utilizzato per addestrare una rete neurale od una combinazione di reti neurali e la qualit? di ciascuno dei detti database relativamente ad una migliore o peggiore rete neurale viene misurata sulla base della fitness ovvero dell?affidabilit? del risultato fornito da ciascuna rete addestrata con un diverso specifico sottogruppo di record. Un algoritmo genetico viene utilizzato per generare nuove combinazioni di record di dati per nuovi database di training. Questi vengono utilizzati per addestrare nuovamente le reti e le fitness delle reti cos? addestrate vengono nuovamente calcolati. Ogni iterazione viene eseguita partendo da database di record che hanno ottenuto i migliori risultati di fitness quali genitori per il calcolo e la generazione di una nuova generazione figlia di database di record e ci? viene ripetuto fintanto che non si ottiene un valore di fitness delle reti neurali sopra un determinato limite di soglia o non si raggiunge un numero massimo di iterazioni. Il databse di record che ha fornito la migliore fitness alla fine della successione di iterazioni ? il database di training ottimizzato.

Secondo una ulteriore forma esecutiva del metodo sopra descritto, successivamente al passo di acquisizione di una prima immagine MRI lungo una prestabilita slice, e prima del passo di separazione vengono previsti ulteriormente i passi di

per almeno detta una slice o per almeno parte o tutte le dette slice, quando queste sono pi? di una, acquisire una immagine denominata solo acqua che ? generata sulla base di segnali MRI derivanti dalla sola acqua;

per almeno detta una slice o per almeno parte o tutte le dette slice, quando queste sono pi? di una, acquisire una immagine denominata solo grasso che ? generata sulla base di segnali MRI derivanti dal solo grasso;

mentre ? previsto un passo di convalida in cui l?algoritmo di machine learning, ovvero ad apprendimento automatico ? configurato ed ? utilizzato per la classificazione di convalida delle immagini acquisite come relative alla sola componente di segnale derivante dall?acqua o relative alla sola componente di segnale derivante dai tessuti grassi presenti nel corpo in esame.

Secondo questa ulteriore forma esecutiva della presente invenzione, i suddetti passi di acquisizione della o delle immagini solo acqua e della o delle immagini solo grasso sono sottoposte ad un ulteriore passo di convalida che consiste nell?analizzare la probabilit? che le dette immagini effettivamente derivino da segnali MRI della sola acqua o da segnali MRI del solo grasso ed il quale passo prevede di elaborare le dette immagini con un algoritmo predittivo, come un algoritmo di classificazione o simili, il quale algoritmo ? stato addestrato e testato sulla base di una pluralit? di immagini MRI della quali ? noto e confermato che si tratta di immagini generate sulla base di segnali derivanti da sola acqua e da solo grasso.

Analogamente alla prima forma esecutiva una volta generate le immagini relative ad acqua ed al grasso sono previsti anche in questo caso i passi di ordinare le immagini relative alle singole slice in una sequenza che per ciascuna slice prevede prima la o le dette immagini anatomiche e successivamente la o le dette immagini solo acqua seguite dalla o dalle dette immagini solo grasso;

ordinare le immagini relative alle singole slice secondo l?ordine di posizione delle dette slice quando queste sono pi? di una.

Secondo una forma esecutiva del metodo secondo la presente invenzione, il metodo prevede di eseguire una sequenza di acquisizione di immagini acqua e grasso che prevede l?acquisizione di una successione di due immagini anatomiche MRI e la seguente acquisizione di due immagini i cui segnali sono relativi all?acqua ed una immagine in cui i segnali sono relativi al grasso, le dette immagini venendo ordinate secondo una sequenza che prevede prima le due immagini anatomiche e successivamente l?immagine relativa all?acqua e l?immagine relativa al grasso, essendo detta sequenza mantenuta fissa per tutte le acquisizioni di immagini MRI, mentre il suddetto algoritmo di machine learning, ovvero il suddetto algoritmo predittivo o di classificazione ? utilizzato per identificare quale fra le due immagini acquisite successivamente alle due immagini anatomiche ? relativa all?acqua e quale ? relativa al grasso e di generare la sequenza di immagini suddetta.

Secondo ancora una forma esecutiva del metodo della presente invenzione ? prevista una fase di riduzione della grandezza dell?immagine, ovvero del numero di pixel o di voxel. Tale fase di riduzione precede la fase di elaborazione dei parametri che descrivono l?aspetto dei pixel o dei voxel, ad esempio l?intensit? espressa in una scala di grigi.

Una forma esecutiva prevede di utilizzare un operatore di analisi dei parametri che determinano l?aspetto dei pixel il quale operatore identifica regioni dell?immagine da analizzare in cui i parametri di definizione dell?aspetto dei pixel sono relativi a segnali derivanti da acqua o da grasso, sottoponendo al processo di elaborazione per mezzo dell?algoritmo di machine learning solo i pixel che rientrano nel range dei detti parametri di aspetto che sono funzionali alla determinazione dell?immagine quale derivante da acqua o da grasso.

Tale operatore pu? essere costituito da un filtro o simili sotto forma di ?traveling window? avente una prestabilita dimensione di pixel, cio? avendo una dimensione che copre o si sovrappone ad un prestabilito numero di pixel, ad esempio nove pixel di cui il pixel centrale ? il pixel target.

Una forma esecutiva alternativa del suddetto passo di riduzione del numero di pixel pu? prevedere ad esempio, di fondere insieme in uno o pi? pixel o voxel i pixel od i voxel dell?immagine originaria che presentano la stessa intensit?, ad esempio con riferimento al metro di misurazione secondo la detta scala di grigi.

Secondo una forma esecutiva, la determinazione della condizione di identit? viene eseguita prevedendo un campo del valore di intensit? misurato con la detta scala di grigi che ? centrato su un prestabilito valore di intensit?.

Secondo una prima variante esecutiva, il valore massimo ed il valore minimo di ciascun campo di valori di intensit? che definisce i valori di intensit? dei pixel o voxel da considerare identici e quindi da fondere insieme possono essere definiti in modo fisso. In questo caso, volendo definire a priori una grandezza di immagine, cio? una immagine formata da un prestabilito numero di pixel o di voxel, ad esempio e generalmente una immagine formata da 4096 (64x64) pixel o da o 65536 (64x64x16) voxel, in modo da generare sempre una immagine con dimensioni fisse e prestabilite da sottoporre all?elaborazione mediante l?algoritmo di classificazione, la fase di riduzione della grandezza d?immagine prevede di fondere i pixel o i voxel aventi una intensit? rientrante in uno dei campi di intensit? previsti in pi? di un solo pixel o voxel in funzione della condizione fissa al contorno che l?immagine finale deve presentare la grandezza, cio? il numero di pixel o di voxel stabilito all?inizio, ad esempio 4096 pixel per una immagine 2D ad esempio lungo una slice o 65536 per una immagine 3D di una regione target in esame.

In una variante esecutiva, il detto valore massimo ed il detto valore minimo del campo di intensit?, pu? essere dinamico, per cui la risoluzione della scala di gradazione di grigi come metro per la misurazione delle intensit? dei pixel o dei voxel diviene maggiore o minore in funzione del numero di pixel o di voxel che risultano avere una intensit? che ricade in uno dei campi di valore di intensit? e della condizione al contorno che definisce una grandezza finale dell?immagine da elaborare relativamente al numero di pixel o di voxel.

Una terza variante esecutiva pu? prevedere invece di eseguire la fase di riduzione della grandezza di immagine senza definire una immagine ridotta avente un prestabilito numero fisso di pixel o di voxel e di adeguare alla grandezza di immagine finale l?algoritmo di elaborazione in relazione, ad esempio al numero di input di una rete neurale od altri parametri che dipendono in modo specifico dal tipo di algoritmo di classificazione utilizzato.

In una forma esecutiva, quando i tempi di elaborazione lo consentono, ? possibile modificare anche la risoluzione della scala di grigi in relazione ai campi di valori che definiscono quali valori di intensit? dei pixel o dei voxel sono da considerare identici fra loro, ovvero il valore massimo e minimo di intensit? dei detti campi di valori, in funzione della fitness del risultato o di altro parametro statistico di misurazione dell?affidabilit? del risultato.

Sempre quando i tempi di elaborazione non venissero aumentati in misura non accettabile dal punto di vista pratico, una possibile forma esecutiva pu? prevedere di combinare l?elaborazione delle immagini con un algoritmo di classificazione per la separazione delle immagini derivanti da acqua da quelle derivanti da grasso, con un algoritmo rientrante nella classificazione di algoritmo di machine learning od auto apprendente, che ottimizza la suddivisione della scala di gradazione di grigi con riferimento ai campi di valori di intensit? o di gradazione di grigio per i quali i pixel od i voxel sono da considerare identici o da fondere in un unico pixel o voxel od in un gruppo di un prestabilito numero di pixel o di voxel per la riduzione della grandezza dell?immagine da elaborare rispetto all?immagine originariamente acquisita.

Un esempio di un possibile algoritmo di ottimizzazione della suddivisione in campi della scala di gradazione di grigi che costituisce la metrica di misurazione dell?intensit? dei pixel o dei voxel pu? essere costituito da un algoritmo genetico. Questo genera nuove suddivisioni in campi di valori della scala di gradazione di grigi, relativamente alla definizione dei valori limite di questi campi combinando secondo regole genetiche le suddivisioni delle scale di gradazione di grigi precedentemente definite ed in funzione dei parametri di fitness o di affidabilit? del risultato di classificazione ottenuto dall?algoritmo di classificazione per le immagini ridotte in dimensioni con le dette precedenti suddivisioni in campi di valore della scala di gradazione dei grigi.

Le suddivisioni della scala di grigi che forniscono risultati in termini di affidabilit? o fitness inferiori ad una certa soglia prestabilita vengono scartate, mentre le altre vengono combinate secondo regole di combinazione tipiche della genetica e riprodotte in funzioni matematiche di combinazione nell?algoritmo genetico.

In questo modo l?algoritmo genetico converge verso una ottimale metrica di determinazione dei campi di valori per i quali pixel o voxel devono essere fusi fra loro per generare una immagine di grandezza ridotta che per? mantiene costante od addirittura migliora l?affidabilit? della classificazione delle immagini originarie in immagini derivanti da acqua o da grasso.

Secondo una forma esecutiva, le immagini acquisite secondo una o pi? delle precedenti rivendicazioni vengono sottoposte ad un passo di riscalatura delle intensit? in relazione ad una unica identica scala di gradazione grigi, ovvero ad una unica metrica di misurazione della intensit? dei pixel o dei voxel.

Con riferimento alle diverse varianti pi? sopra esposte, queste sono da considerarsi degli esempi non limitativi dei concetti pi? generali che consentono al tecnico del ramo di attuare le forme esecutive descritte sia in forma generale che in forma specifica applicando solamente le conoscenze tecniche di base tipiche dell?esperto del ramo.

La presente invenzione si riferisce anche ad un sistema MRI per generare immagini acquisite mediante risonanza magnetica nucleare separate relativamente ai contributi di segnale generati da acqua e da grasso, il quale sistema ? configurato per attuare il metodo secondo una o pi? delle varianti esecutive descritte in precedenza.

Queste ed altre caratteristiche e vantaggi della presente invenzione risulteranno pi? chiaramente dalla seguente descrizione di alcuni esempi esecutivi illustrati nei disegni allegati in cui:

La fig. 1 mostra un diagramma di flusso del metodo secondo la presente invenzione relativo alla separazione delle immagini MRI derivanti da acqua dalle immagini MRI derivanti da grasso.

La figura 2 ? un diagramma di flusso relativo alla fase della determinazione della ottimale grandezza dell?immagine per seguire l?algoritmo di separazione delle immagini da acqua da quelle da grasso.

La figura 3 ? uno schema a blocchi di una unit? di elaborazione delle immagini MRI per la separazione delle immagini derivanti da acqua da quelle derivanti da grasso.

La figura 4 mostra la configurazione di una forma esecutiva di una unit? di elaborazione per l?esecuzione del metodo secondo la presente invenzione.

La fig. 5 illustra schematicamente un esempio di una macchina per il rilevamento d'immagini in risonanza magnetica nucleare secondo l'invenzione.

La fig. 6 illustra uno schema a blocchi pi? dettagliato della macchina secondo la fig. 5.

La fig. 7 illustra uno schema a blocchi di una variante della macchina secondo le figg. 5 e 6, in cui la macchina viene comandata da una unit? centrale di rete e non da un computer dedicato.

La fig. 8 illustra un diagramma di flusso secondo un ulteriore esempio esecutivo della presente invenzione.

Nella figura 1 ? mostrato il diagramma di flusso di un primo esempio esecutivo del metodo di separazione delle immagini acqua/grasso secondo la presente invenzione.

Al passo 400, come tipicamente avviene per l?acquisizione di immagini MRI viene acquisita una immagine scout di un target. Questa immagine ha scout ha lo scopo di selezionare uno o pi? piani di sezione lunco cui si desidera acquisire una immagine. Sull?immagine visualizzata 401 viene definito almeno un piano di sezione e/o la slice lungo cui si desidera acquisire l?immagine 402, 403.

Al passo 404 ? possibile selezionare una specifica regione d?interesse ROI che ? una zona dell?intera immagine acquisita centrata su un particolare anatomico di interesse.

La selezione di una ROI consente di limitare le dimensioni dell?immagine e quindi di ridurre i dati su cui il processo di elaborazione verr? eseguito riducendo cos? il carico computazionale e i tempi di elaborazione.

Al passo 405 vengono selezionati parametri descrittivi dell?aspetto dei pixel o dei voxel che sono rilevanti al fine della separazione delle immagini acqua e grasso e che in questo caso sono in particolare l?intensit? del segnale di risonanza relativo alla zona corrispondente a ciascun pixel o voxel.

Come apparir? pi? chiaramente a seguito l?intensit? del segnale ? espressa nel pixel o nel voxel con una metrica definita da una scala di gradazione di grigi che rende l?aspetto del pixel pi? chiaro o bianco per valori di intensit? di segnale pi? elevati e progressivamente di tonalit? grigia sempre pi? scura fino al nero per valori di intensit? progressivamente pi? bassi.

Al passo 406 viene selezionato un algoritmo di separazione che come descritto pi? sopra ? un algoritmo di machine learning. Fra i diversi algoritmi di machine learning per la soluzione del problema di separazione delle immagini derivati da acqua o da grasso risulta preferibile un algoritmo cosiddetto di classificazione o di clustering che attribuisce i pattern di dati di input dell?algoritmo ad una o pi? classi o gruppi o categorie definite a priori e che caratterizzano l?output dell?algoritmo.

L?algoritmo di separazione viene quindi lanciato venendo dati come input i valori di intensit? dei pixel o dei voxel che formano l?immagine selezionata e/o la ROI selezionata ai passi precedenti come indicato al passo 407.

L?algoritmo classifica i contributi dei vari pixel come derivanti da acqua e/o da grasso e consente quindi la ricostruzione di immagini derivanti dalla sola acqua e dal solo grasso.

Secondo una forma esecutiva preferita, come ben noto allo stato dell?arte, sulla base dello shift chimico fra frequenza di risonanza derivante dall?acqua e frequenza di risonanza relativa al grasso ? possibile ottimizzare le sequenze di acquisizione delle immagini per generare immagini derivanti dalla sola acqua ed immagini derivanti dal solo grasso. In questo caso, tuttavia la separazione derivante dalle sequenze di acquisizione pu? portare a errori a causa delle inomogeneit? sia pire piccole del campo magnetico statico, per cui le immagini acquisite possono esser scambiate.

Pertanto, secondo una ulteriore caratteristica dell?invenzione, il processo di separazione delle immagini derivanti da acqua e grasso pu? essere perfezionato eseguendo l?acquisizione di due immagini con due sequenze alternative una impostata specificatamente per l?acquisizione di immagini derivanti dall?acqua e l?altra impostata specificatamente per immagini derivanti da grasso.

Successivamente il metodo prevede di eseguire il passo di elaborazione con l?algoritmo di classificazione su ambedue le immagini e quindi convalidare l?attribuzione delle immagini acquisite ai contributi di segnale derivanti dalla sola acqua ed a quelli derivanti dal solo grasso, evitando in larghissima misura eventuali scambi di immagini relativamente alla provenienza da acqua o da grasso senza peraltro necessitare di ulteriori acquisizioni di immagini di convalida come previste nei noti metodi.

I risultati dell?algoritmo di separazione vengono memorizzati come indicato al passo 408 e viene calcolato un valore statistico di fitness della attribuzione delle immagini acquisite ed elaborate, passo 409.

Questo passaggio ? usualmente eseguito nelle elaborazioni mediante algoritmi di machine learning, poich? il risultato ottenuto da qualsiasi esecuzione dell?algoritmo fa parte di un processo di verifica ed apprendimento dello stesso e la misurazione della fitness di un ciclo di elaborazione consente ai processi di autoapprendimento previsti di valutare il risultato ed utilizzarlo o meno quale informazione utilizzabile per un adeguamento della configurazione dell?algoritmo stesso.

Se il valore di fitness, ovvero l?affidabilit? del risultato ? sotto ad una certa soglia prestabilita, ? possibile ripetere la separazione, ad esempio modificando alcuni parametri di esecuzione dell?algoritmo o cambiando tipologia di algoritmo oppure utilizzando un algoritmo addestrato con metodi di addestramento e/o una base dati di addestramento modificata.

Se l?affidabilit? ? sufficiente al passo di decisione 410 viene consentito di passare al passo 411 di generazione delle immagini derivanti da acqua e da grasso.

Come indicato al passo 412, le immagini vengono quindi ordinate in una sequenza corrispondente a quella di acquisizione. E quindi al passo 413 memorizzate per una futura consultazione e/o ulteriore elaborazione e/o le immagini vengono visualizzate.

Come gi? messo in evidenza nella parte introduttiva, al fine di avere elevate prestazioni degli algoritmi di machine learning come quelli di classificazione qui considerati in particolare, ? necessario ottimizzare l?addestramento di questi algoritmi. La fitness dei risultati, cio? la loro affidabilit? dipende anche da come vengono codificati i parametri che identificano e descrivono le caratteristiche del pixel o del voxel di una immagine, quando il parametro od i parametri da valutare sono quelli relativi all?aspetto che il pixel od il voxel assume in una immagine.

Il diagramma di flusso considera l?utilizzo di un algoritmo gi? addestrato. Tuttavia vale la pena in questo contesto segnalare che per la fase di addestramento sono presenti allo stato dell?arte diversi algoritmi di ottimizzazione del database di casi noti necessari all?addestramento dell?algoritmo, cio? a dare all?algoritmo una conoscenza di base inziale che verr? poi incrementata sulla base delle esecuzioni dello stesso sui casi da elaborare.

Fra i diversi metodi di generazione di un database di casi noti presenti allo stato dell?arte un esempio ? costituito dal metodo di ottimizzazione descritto nel documento EP1586076. Secondo questo metodo, da un database di casi noti, cio? di casi in cui l?attribuzione di una immagine ai contributi di segnale derivanti da acqua o dai contributi di segnale derivanti da grasso ? certa e convalidata secondo le tecniche note, vengono selezionati un prestabilito numero di record in modo casuale. Si generano un prestabilito numero di questi database casuali che vengono utilizzati ciascuno per addestrare uno stesso tipo di algoritmo di machine learning. Si esegue quindi il testing di ciascun algoritmo addestrato con una diversa composizione del database di addestramento e si calcola la fitness per ciascun algoritmo.

Questo insieme di algoritmi costituisce la popolazione di partenza di un algoritmo genetico e il gene di ciascun individuo ? costituito dallo specifico database di addestramento. Il valore della fitness di ciascun algoritmo costituisce il criterio di selezione di ciascun individuo della popolazione iniziale per generare una popolazione di individui genitori da cui procedere alla generazione di una popolazione di individui figli con i meccanismi noti di cross over e di mutazione che prevedono la combinazione dei geni degli individui genitori per la generazione dei geni degli individui figli. In via generale tali meccanismi fanno si che i record del databse di addestramento dei due individui genitori vengano combinati fra loro generando un nuovo database di addestramento. Gli algoritmi figli sono costituiti dagli algoritmi addestrati su questi nuovi database di addestramento e di cui viene calcolata anche la fitness. Il ciclo si conclude con l?elezione quale popolazione di individui genitori per un nuovo ciclo degli individui genitori e degli individui figli del primo ciclo che hanno ottenuto una fitness che ad esempio ? migliore di un certo valore minimo. Gli altri vengono scartati.

I cicli si ripetono fino al raggiungimento di un massimo numero di iterazioni preimpostato o fino al raggiungimento di un valore di fitness superiore ad una determinata soglia oppure fino al raggiungimento di una condizione in cui per due o pi? successive esecuzioni la fitness degli individui figli resta sostanzialmente invariata.

Quanto sopra ? solo un esempio di ottimizzazione del databse di addestramento. ? possibile prevedere alternativamente od in combinazione altri metodi di ottimizzazione del database di addestramento che possono essere anche basati su metodi di filtratura o di classificazione dei record che formano il databse di addestramento.

Per quanto concerne la definizione dei parametri che costituiscono i valori di input dell?algoritmo che sono tipicamente genetici, il documento EP1345154 descrive un sistema di codifica di pixel o voxel che prevede di definire le caratteristiche di parametri descrittivi di un pixel o voxel in funzione del valore di detti parametri del pixel o voxel in esame ed anche dei pixel che circondano il detto pixel o voxel in esame e sono immediatamente adiacenti allo stesso. Questa metodologia di codifica consente di evitare di isolare un pixel dal suo contesto rendendo maggiormente affidabile il risultato dell?elaborazione.

La figura 8 mostra il diagramma di flusso di una forma esecutiva alternativa del metodo secondo la presente invenzione.

In questo caso il metodo prevede una sequenza di acquisizione di immagini, cio? una successione di acquisizione di immagini da non confondere con le sequenze di acquisizione che riguardano la codifica e l?eccitazione dei segnali di risonanza, la quale successione di immagini ? tipicamente utilizzata allo stato dell?arte ed in cui per una slice o per ciascuna slice vengono acquisite due immagini anatomiche in successione e dopo di queste rispettivamente una immagine relativa ai segnali NMR derivanti dall?acqua ed una immagine relativa ai segnali NMR derivanti dal grasso.

Per queste due ultime immagini ? possibile di prevedere l?utilizzo di sequenze di acquisizione che sono tarate rispettivamente per l?ottimizzazione di acquisizione di segnali derivanti dall?acqua e/o dal grasso ovvero per la soppressione dei segnali provenienti dal grasso.

Il processo inizia con l?acquisizione di una immagine scout come indicato al passo 800 e con la visualizzazione della stessa al passo 801. Su questa immagine scout l?utente pu? selezionare una o pi? slice lungo cui eseguire la vera e propria acquisizione delle immagini NMR, ovvero dei segnali di risonanza da cui ricostruire l?immagine NMR relativa alla slice selezionata come indicato al passo 802.Il passo 803 prevede l?acquisizione della successione di immagini (sequenza di acquisizione delle quattro immagini di cui due anatomiche una relativa all?acqua e l?ultima relativa a grasso). Come indicato al passo 804, al fine di limitare i dati da sottoporre ad elaborazione e quindi ottimizzare sia il risultato della classificazione ed al tempo stesso ridurre l?onere computazionale riducendo il numero di pixel da elaborare, ? possibile selezionare una ROI, ovvero selezionare una o pi? regioni dell?immagine da elaborare i cui pixel sono rappresentativi per la classificazione come segnali derivanti da acqua o segnali derivanti dal grasso. Tale processo ?p descritto con maggiore dettaglio nella seguente descrizione.

Una volta eseguita la scelta della ROI che ad esempio pu? comprendere solo parte dell?immagine acquisita o l?intera immagine come indicato a titolo di esempio non limitativo ai passi 814, 815, vengono selezionati parametri descrittivi dei pixel o dei voxel d?immagine che sono correlati al fatto se il segnale rappresentato con il detto pixel ? relativo all?acqua od al grasso come indicato al passo 805.

Poich? ? possibile prevedere diversi algoritmi di classificazione al passo 806 ? lasciata la libert? di selezionare uno specifico algoritmo di classificazione che eventualmente pu? essere costituito anche da una combinazione di algoritmi di classificazione e/o di un algoritmo di classificazione con altri tipi di algoritmi.

Al passo 807 viene eseguito l?algoritmo selezionato ed al passo 809 viene calcolata la fitness del risultato se la fitness rientra in un campo di valori per cui il risultato ? considerato attendibile o buono, come indicato al passo 810, si passa al passo 811 in cui all?immagine elaborata viene attribuita l?etichetta individuata dall?algoritmo eseguito sulla stessa o su parte dei pixel della stessa e la quale etichetta identifica la detta immagine come relativa all?acqua od al grasso.

In caso contrario si pu? ripetere l?elaborazione eventualmente modificando l?algoritmo e/o modificando alternativamente od in combinazione i parametri descrittivi dei pixel o voxel e/o la ROI.

Al passo 812 ? infine prevista l?esecuzione dell?ordinamento delle immagini secondo la successione prestabilita ovvero prima le due immagini anatomiche poi l?immagine riconosciuta ed etichettata come derivante dall?acqua ed alla fine l?immagine riconosciuta ed etichettata come derivante dal grasso. Tale successione di immagini pu? venire memorizzata e/o visualizzata come indicato al passo 813.

Poich? in ambedue le forme esecutive descritte, gi? l?acquisizione delle immagini MRI richiede tempi di scansione abbastanza lunghi, ? importante poter mantenere i tempi di esame contenuti, per cui come gi? pi? sopra indicato uno scopo della presente invenzione ? quello di ridurre i tempi di esame. In questo caso, ? possibile ridurre i tempi di elaborazione procedendo ad una riduzione del numero di pixel o di voxel di una immagine.

Poich? il parametro rilevante per determinare la provenienza del contributo di segnale dall?acqua o dal grasso ? il valore di intensit? del pixel o del voxel che ? espressa nell?immagine secondo una scala di grigi, risulta possibile limitare il numero di pixel o di voxel raggruppando in un unico pixel od in un gruppo di pixel o di voxel avente un minore numero di pixel o di voxel i pixel od i voxel dell?immagine iniziale che presentano una identica intensit?, ovviamente all?interno di un campo di tolleranza del valore di intensit?.

Al fine di eseguire questa riduzione di grandezza dell?immagine ? possibile seguire diverse alternative. Tuttavia, una grandezza di immagine massima da utilizzare pu? essere definita ed ? tipicamente di 256 pixel considerando una immagine 2D.

Secondo una prima forma esecutiva del processo di riduzione del numero di pixel da sottoporre ad elaborazione per la classificazione e l?etichettatura di una immagine come immagine derivate da acqua o da grasso, la riduzione ? eseguita analizzando uno o pi? dei parametri che determinano l?aspetto del pixel o del voxel ad esempio i valori di gradazione di grigio degli stessi o di intensit? degli stessi quando l?intensit? ? rappresentata in una scala di gradazione di grigi che determina l?aspetto visivo dei singoli pixel in base all?intensit? del segnale o della combinazione di segnali ricevuti relativi al corrispondente pixel o voxel.

In una forma esecutiva ? possibile sottoporre l?immagine da classificare ad un procedimento di filtratura od analisi che identifica nella detta immagine solo pixel o voxel la cui gradazione nella scala di grigi ricade nell?ambito di un certo range della detta scala di grigi o di una combinazione di due o pi? range della detta scala di gradazione di grigi con cui i pixel sono rappresentati nell?immagine visiva.

Esistono diversi metodi noti di realizzazione di questi filtri. Una forma esecutiva prevede ad esempio un filtro del tipo cosiddetta a finestra traslabile o travelling window, in cui una finestra corrispondente ad un certo numero di pixel viene fatta scorrere lungo l?immagine e rappresenta quando combinata ai pixel su cui ricade un operatore che esegue una operazione, ad esempio di selezione od altre operazioni. La combinazione dell?operatore pu? essere ad esempio una operazione secondo una prestabilita funzione come una addizione, una sottrazione, una moltiplicazione, una divisione, una convoluzione od altre operazioni matematiche, ad esempio, tipiche del calcolo matriciale.

Il risultato ? che almeno solo una parte dei pixel dell?immagine da elaborare viene selezionata per essere sottoposta all?elaborazione con l?algoritmo di classificazione, la quale parte di pixel presenta valori dei parametri di descrizione dell?aspetto dei pixel con valori che sono corrispondenti a quelli funzionali per la determinazione del fatto se l?immagine ? relativa all?acqua od al grasso.

Un esempio non limitativo prevede che vengano selezionati i pixel di una o pi? regioni dell?immagine da elaborare il cui valore di intensit? del segnale corrispondente e quindi la cui gradazione di grigio nella scala di gradazione di grigi che esprime la detta intensit? di segnale ricade in un certo range di intensit? di segnale o di gradazione di grigio.

Secondo una variante esecutiva per determinare la rilevanza o meno di un pixel dell?immagine per la classificazione acqua o grasso dell?immagine ? anche possibile prevedere una forma esecutiva in cui oltre al parametro rappresentativo dell?apparenza del pixel cio? del valore di intensit? del segnale corrispondente al detto pixel vengono anche considerate le relazioni di questo parametro con i valori dei parametri dei pixel di contorno.

Questa ulteriore forma esecutiva pu? essere attuata anch?essa utilizzando un operatore del tipo a finestra traslabile il quale presenta una estensione pari ad esempio a nove pixel nella forma 2D od a 27 pixel nella forma 3D ed il quale operatore comprende funzioni di selezione del pixel centrale target quale utile o meno al processo di classificazione che comprendono combinazioni dei valori dei parametri descrittivi del pixel target centrale e di almeno o tutti i pixel di contorno.

Tipicamente secondo un possibile esempio i valori di intensit?, ovvero la gradazione di grigio corrispondente dei pixel di contorno viene utilizzata per calcolare pesi statistici del valore corrispondente del pixel target sulla base di differenze, medie, variazioni standard od altre funzioni simili che si basano sulle differenze di detti parametri fra pixel target e pixel di contorno e sulla distanza fra il pixel target ed il pixel di contorno.

Un esempio non limitativo di questo tipo di filtratura per la selezione dei singoli pixel da utilizzare nel processo di classificazione ? descritto ad esempio nel documento WO03077182A1. In questo documento viene definito un metodo di codifica di un pixel target in una immagine le caratteristiche di tale pixel sono determinate anche sulla base delle caratteristiche dei pixel di contorno direttamente adiacenti al pixel target.

Il diagramma di flusso della figura 2 mostra una ulteriore forma esecutiva del processo di riduzione della grandezza delle immagini acquisite da sottoporre ad elaborazione di separazione delle immagini acqua e grasso.

E? da notare che questa forma esecutiva pu? essere prevista in combinazione od alternativamente a quella pi? sopra descritta.

Al passo 501 viene selezionata una ROI nell?immagine acquisita che consente di limitare gi? in partenza l?elaborazione su solo una zona di immagine di interesse. Il passo 501 pu? anche essere omesso operando quindi sull?intera immagine acquisita.

La passo 502 viene definita una grandezza di immagine desiderata indicando il numero di pixel o di voxel relativo.

Al passo 503 si definisce quale parametro di descrizione delle caratteristiche dei pixel o dei voxel la loro intensit? ed al passo 504 viene definita una scala di gradazione di grigi che determinano l?aspetto del pixel o voxel nell?immagine in funzione del corrispondente valore di intensit?. Tutte le immagini sottoposte ad elaborazione vengono riscaldate in modo che i valori di intensit? siano all?interno di un campo prestabilito ad esempio 0 per intensit? 0 e 1 per intensit? massima. Questo passo indicato con 505 consente di correlare la metrica della scala di gradazione di grigi ai valori di intensit? rendendo confrontabili fra loro tutte le immagini.

Al passo 506 si definisce un limite massimo ed un limite minimo di gradazione di grigio di campi di gradazione di grigio in cui viene suddivisa la scala di gradazione di grigi.

Al passo 507 i pixel od i voxel dell?immagine vengono raggruppati secondo il campo della gradazione di grigi a cui appartengono.

Viene quindi definito un campo di possibili grandezze di immagine considerando il numero dei pixel di ciascun gruppo ed il fatto che questi pixel possono venire fusi insieme in un unico solo pixel oppure in due o pi? pixel riducendo il numero di pixel che inizialmente era classificato come appartenente allo stesso campo di gradazione di grigi. Il processo di combinazione o fusione dei suddetti pixel vene eseguito al passo 508.

Viene quindi generata una nuova immagine che presenta un numero minore di pixel o di voxel in funzione delle scelte del numero di pixel in cui i pixel aventi una gradazione di grigio che ricade nello stesso campo sono stati fusi fra loro, passo 509.

La nuova immagine viene quindi sottoposta ad elaborazione con l?algoritmo di separazione come indicato al passo 510 e la fitness del risultato viene calcolata al passo 511. Se il valore della fitness ? minore di una certa soglia minima, il processo viene ripetuto riconsiderando il numero di pixel da fondere fra loro e quindi modificando la grandezza dell?immagine sempre avendo come dimensione massima quella impostata al passo 502. Vengono quindi ripetuti i passi 508 a 511.

Se la fitness ? migliore di una soglia minima prestabilita, il processo prosegue come descritto con riferimento al diagramma di flusso della figura 1 e come indicato dal passo 512.

La riduzione della grandezza di immagine pu? essere eseguita secondo diverse alternative. Nell?esempio esecutivo della figura 2, ? previsto di scegliere una dimensione di immagine massima, mentre la riduzione di immagine ? a sua volta scelta sulla base del numero di pixel che possono essere fusi insieme poich? ricadono in uno stesso campo di gradazione di grigi in cui ? suddivisa la scala. Tuttavia, ? anche possibile che la scelta della dimensione dell?immagine ridotta sia fissa e quindi vengano modificati il numero di pixel da fondere insieme che ricadono nello stesso campo della scala di gradazione di grigi oppure l?estensione, ovvero i limiti massimo e minimo dei campi in cui la scala di gradazione di grigi ? suddivisa.

Con riferimento al sistema per la separazione delle immagini acqua e grasso un esempio esecutivo di una forma esecutiva generica ? mostrato nella figura 3. In questa forma esecutiva il sistema di separazione delle immagini acqua e grasso che utilizza il metodo della presente invenzione ? integrato in un apparato MRI. Il magnete e le altre parti associate ad esso sono indicati globalmente dall?icona 600. Con 601 sono indicati i poli e con 602 una antenna di ricezione degli echi di risonanza. Con il blocco 613 sono indicati tutti gli usuali sistemi di controllo ed impostazione di uno scanner MRI, ad esempio quelli indicati con maggiore dettaglio nelle forme esecutive delle figure 5 a 7. Il segnale di antenna ricevuto da un ricevitore 603 e successivamente amplificato 604 viene avviato ad una sezione di generazione d?immagine 605. La forma esecutiva illustrata prevede una modalit? di acquisizione in cui per ciascuna slice viene acquisita una immagine anatomica e successivamente con una sequenza di acquisizione dedicata ed ottimizzata una immagine relativa alla sola acqua ed una immagine relativa al solo grasso. L?immagine anatomica viene memorizzata mentre le immagini acquisite con le sequenze di acquisizione ottimizzate per la sola acqua e per il solo grasso vengono sottoposte ad una elaborazione mediante l?algoritmo di classificazione secondo una o pi? delle forme esecutive precedentemente descritte. Tale elaborazione ha luogo in una unit? di elaborazione indicata con separatore di immagini acqua/grasso e dal numero 606. L?esito della classificazione convalida l?appartenenza di una immagine alle immagini derivanti dalla sola acqua ed alle immagini derivanti dal solo grasso. Queste vengono memorizzate rispettivamente in memorie od aree di memoria dedicate 607 e 608.

Una ulteriore unit? di elaborazione 609 provvede quindi all?ordinamento delle immagini corrispondentemente ad una sequenza di acquisizione che prevede l?acquisizione per ciascuna slice o ROI, prima della immagine anatomica, successivamente della immagine relativa ai contributi della sola acqua e successivamente dell?immagine relativa ai contributi del solo grasso. Le immagini cos? ordinate sono quindi memorizzate in una memoria 610 ed eventualmente visualizzate in un display 611.

La visualizzazione pu? avvenire secondo un ordine prestabilito ed in successione, ad esempio secondo la sequenza in cui sono state ordinate oppure la visualizzazione pu? avvenire contemporaneamente in pi? aree dei uno schermo di visualizzazione fra loro affiancate oppure pu? avvenire in base ad un richiamo od una selezione da parte dell?utente.

Quando l?algoritmo non ? del tipo auto apprendente i record utilizzati per l?elaborazione ed il risultato della stessa vengono utilizzati per essere aggiunti ad un database di casi noto il quale corrisponde o dal quel viene generato un databse di training tale unit? operativa ? indicata con 612 nella figura 3.

La figura 4 mostra uno scema a blocchi di un esempio esecutivo di un sistema di elaborazione che pu? essere previsto quale unit? separata o separabile, cio? non stabilmente integrata in un apparato MRI.

Una CPU 700 controlla il flusso di dati e le unit? periferiche eseguendo programmi di controllo delle periferiche e programmi di elaborazione che codificano le istruzioni per caricare i dati di input eseguire i passi di elaborazione dell?algoritmo e rendere disponibili i dati di output.

A tale scopo il sistema di elaborazione comprende una interfaccia di input dati indicata con 701 che comunica con una memoria di lavoro 702 ed una interfaccia di output 703. Il processore controlla memorie od arre di memoria in cui sono memorizzati i programmi che codificano le istruzioni per eseguire uno o pi? algoritmi di elaborazione per la separazione delle immagini acqua/grasso, i processi di impostazione della distribuzione dei campi di gradazione di grigio in cui la scala di gradazione di grigi ? suddivisa, i processi di riscalatura della scala di gradazione di grigi, i processi di impostazione della dimensione delle immagini ed una memoria in cui ? memorizzato un database di addestramento.

Queste memorie sono indicate nella figura 4 rispettivamente con 705, 706, 707 e 708.

Dal punto di vista hardware, il sistema pu? essere costituito da una unit? appositamente costruita e configurata oppure da un elaboratore di costruzione convenzionale e reperibile in commercio, come un pc, un notebook o simili, una workstation.

Una alternativa pu? prevedere che l?elaborazione venga eseguita in remoto da un server gestito anche da terze parti, come ad esempio un centro clinico od un ospedale od un centro specializzato in elaborazione di immagini oppure anche dalla ditta che ha prodotto e/o distribuito l?apparato MRI, essendo prevista una unit? di comunicazione via cavo, o wireless che utilizza protocolli di comunicazione dedicati oppure le usuali connessioni internet, con cui le immagini acquisite dall?apparato MRI vengono trasmesse al server per l?elaborazione da parte dello stesso e i risultati dell?elaborazione vengono quindi trasmesse dal server all?apparato MRI o ad una stazione locale di comunicazione.

Questa soluzione presenta il vantaggio di avere un database di casi noti particolarmente grande e soprattutto di avere un grande numero di casi di apprendimento derivanti dai processi di elaborazione eseguiti. Inoltre, i processi di ottimizzazione dei database di addestramento e quelli di ottimizzazione dell?addestramento degli algoritmi non devono venire eseguiti da sistemi dei singoli utenti portando via tempo agli stessi ma vengono eseguiti in remoto presso i gestori del server di elaborazione.

Con riferimento alla figura 6, una macchina per il rilevamento d'immagini in risonanza magnetica nucleare comprende una unit? di eccitazione e ricezione costituita da una unit? magnetica 1. L'unit? magnetica presenta magneti permanenti o resistivi o superconduttivi per la generazione di un campo statico in una cavit? 101 di alloggiamento del corpo del paziente o di una parte di esso, in particolare di un limitato distretto anatomico, come ad esempio una gamba, un braccio, la testa, ecc.

Come generalmente noto, al magnete di generazione del campo statico sono associate diverse bobine fra cui:

bobine di eccitazione per l'eccitazione degli spin nucleari;

bobine di generazione di gradienti magnetici per la selezione del piano di sezione lungo cui viene rilevata l'immagine, per la codifica degli spin nucleari, al fine di identificare univocamente i segnali emessi ad una prestabilita posizione spaziale e quindi assegnare in modo univoco, l'informazione ricevuta ad un prestabilito pixel di una matrice di pixel che costituisce l'immagine visualizzata;

bobine di ricezione per la ricezione degli echi di risonanza magnetica.

Inoltre, sono previsti altri mezzi, come ad esempio sensori per il controllo della temperatura e/o mezzi di apporto o di generazione di calore e mezzi di dissipazione del calore per l'impostazione ed il mantenimento di una prestabilita temperatura di lavoro, ecc.

Tutti gli elementi su descritti sono noti e comuni alle macchine per il rilevamento di immagini in risonanza magnetica nucleare di qualsivoglia tipo e grandezza, sia di macchine cosiddette "total body", cio? macchine destinate ad accogliere tutto od una gran parte del corpo del paziente, sia di quelle cosiddette dedicate ed atte ad accogliere solo alcuni arti o limitate parti o zone del corpo del paziente. Anche la geometria della struttura magnetica ovvero della cavit? di alloggiamento del copro in esame o di parte di esso pu? essere qualsivoglia ed in particolare sia di tipo aperto a forma di C od U o costituita da due poli separati da colonne, sia di tipo anulare cosiddetto chiuso.

La macchina illustrata ? una macchina con struttura magnetica chiusa, cio? anulare e la cavit? ? aperta solamente in corrispondenza dei due lati di testa trasversali all'asse.

Alla unit? magnetica sono associati generalmente un lettino od una poltrona lettino che ? indicata con 2 e che pu? presentare costruzioni qualsivoglia. In particolare, la poltrona od il lettino 2 possono presentare una struttura atta a formare nicchie di alloggiamento chiudibili come ? schematicamente illustrato nella fig. 6.

La unit? magnetica o struttura magnetica, con i componenti indicati in precedenza ? associata a unit? di controllo, comando ed elaborazione che hanno la funzione di comandare e regolare i vari componenti della struttura magnetica e di ricevere ed elaborare i segnali di eco per estrarne l'informazione utile alla ricostruzione dagli stessi di una immagine costituita da un insieme di punti immagine luminosi cosiddetti pixel che hanno luminosit? e/o colore correlati univocamente all'informazione ricevuta e posizione correlata alla posizione nella parte di corpo in esame da cui un segnale di eco ? stato emesso.

In particolare, ed in via generica, alla unit? magnetica sono associate una unit? elettronica 3 di comando dei dispositivi di eccitazione e di ricezione, una unit? 4 di immissione di comandi all'unit? di eccitazione e di ricezione, una unit? 5 di visualizzazione, trattamento immagini ed una unit? 6 di archiviazione e memorizzazione.

L'unit? 3 di comando dei dispositivi di eccitazione e di ricezione ? alloggiata almeno in parte nella cassa della unit? magnetica 1 e/o eventualmente anche almeno in parte nella struttura del lettino 2, in una parte 202, ad esempio una colonna di sopporto realizzata a guisa di armadio elettrico.

Le unit? 4 di immissione di comandi all'unit? di eccitazione e di ricezione, 5 di visualizzazione, trattamento immagini e 6 di archiviazione e memorizzazione sono invece comprese in parte come periferiche hardware ed in parte come programmi software in un personal computer di tipo tradizionale.

La comunicazione fra l'unit? 3 alloggiata nella cassa dell'unit? magnetica e/o nella struttura del lettino 2 con le unit? 4, 5, 6 della consolle di comando costituita dal personal computer viene eseguita per mezzo di un bus di comunicazione indicato con 7.

Il bus di comunicazione pu? essere di tipo qualsivoglia, come ad esempio un usuale bus di comunicazione del tipo ethernet od anche del tipo scsi, usb, o di altro tipo ancora e che consente la comunicazione in multiplexing di pi? unit? fra loro.

L'implementazione delle interfacce con il bus 7 sulle singole unit? 3, 4, 5, 6, ? cosa attualmente nota una volta stabilita la tipologia di bus da utilizzare.

In una forma esecutiva il personal computer o la workstation costituiscono ulteriormente un sistema come quello descritto nelle forme esecutive delle figure 3 o 4. In questo caso le diverse unit? identificate nelle figure di queste forme esecutive sono realizzate sottoforma di unit? software costituite da programmi che codificano istruzioni affinch? il od i processori del personal computer o della workstation e le periferiche degli stessi operino secondo le funzioni delle unit? operative descritte nelle forme esecutive delle figure 3 o 4.

La fig. 7 illustra con maggiore dettaglio quanto descritto in via generica con riferimento alla fig.

6. L'unit? magnetica 1 comprende come indicato nella figura diverse componenti e cio?, oltre ai magneti di generazione del campo statico, dei sensori di temperatura 10, dei mezzi riscaldatori e/o raffreddatori 11, almeno una bobina di compensazione magnetica 12, almeno una bobina di trasmissione od eccitazione 13, una o pi? bobine di gradiente 14 mezzi di sintonizzazione 15 ed almeno una bobina di ricezione 16 uno o pi? sensori di campo magnetico 17.

I sensori di temperatura ed i mezzi riscaldatori e/o raffreddatori sono comandati da una unit? di controllo temperatura 110 che comprende mezzi di lettura del segnale dei sensori 10 e mezzi di alimentazione dei riscaldatori e/o raffreddatori 11 che sono comandati da una unit? di controllo termico 210 sulla base della temperatura effettiva rilevata e del confronto di questa con valori nominali preventivamente impostabili.

L'unit? di controllo termico e magnetico comanda anche la bobina di compensazione 13 per correggere il campo magnetico statico con riferimento alle variazioni indotte nello stesso da campi magnetici esterni e sulla base dei valori effettivi di campo rilevati dai sensori di campo magnetico 17. Una unit? 130 di supervisione, pre-elaborazione e ricostruzione comanda una unit? 230 di controllo ed acquisizione dati che a sua volta comandagli amplificatori 330 e 430 rispettivamente del segnale fornito alla bobina di trasmissione 13 od eccitazione ed alla od alle bobine di gradiente 14.

Una unit? di ricezione 150 invece ? responsabile della sintonizzazione 15 della bobina di ricezione 16 e della identificazione della bobina di ricezione 16 , nonch? della ricezione dei dati raccolti dalla detta bobina di ricezione 16.

Tali unit? sono contenute all'interno della cassa dell'unit? magnetica, completamente od almeno in parte e/o in una nicchia chiudibile della struttura del lettino 2 completamente od almeno in parte.

Le unit? di supervisione, pre-elaborazione e ricostruzione 130, quella di controllo ed acquisizione 230, nonch? l'unit? di controllo termico e magnetico 110 e l'unit? di ricezione 150 comunicano fra loro e/o con le ulteriori unit? mediante un bus 7.

Pi? in particolare dette unit? comunicano con la CPU 18 di un usuale personal computer provvisto di usuali periferiche nella quantit? e tipologia desiderata o necessaria.

Alla CPU 18 sono collegate le periferiche di visualizzazione ed immissione comandi indicate con 118, 218, 318, nonch? almeno una memoria di massa, per l'archiviazione ed una memoria per il software specifico di trattamento e di visualizzazione delle immagini, per i programmi che codificano le funzioni di una o pi? delle unit? operative di un sistema di elaborazione delle immagini per la separazione di immagini relative all?acqua ed al grasso, ad esempio secondo una delle forme esecutive delle figure 3 o 4 e che sono riassunti in un unico box ed indicati globalmente con 418. La CPU 18 pu? inoltre a sua volta comunicare 107' con un rel? locale di comunicazione 7', come ad esempio una rete LAN interna all'ospedale od una rete intranet od internet, o di qualsivoglia adatto tipo. Il bus di comunicazione 7 ? collegato anche con una unit? modem 19 che consente la connessione ad una rete locale e/o ad altre macchine presenti e collegate alla rete locale mediante linea telefonica od altra linea di comunicazione anche di tipo wireless. Questa ridondanza consente, non solo di comunicare con reti locali in altri siti, ma costituisce una via alternativa di connessione alla rete locale LAN se le interfacce di rete dovessero presentare temporanei malfunzionamenti di comunicazione. L?interfaccia di comunicazione pu? essere utilizzata alternativamente per comunicare un server remoto che esegue le operazioni relative all?unit? di elaborazione, ad esempio secondo quanto previsto in una delle forme esecutive delle figure 3 e 4 come descritto pi? sopra.

Come risulta evidente da quanto sopra esposto, il bus di comunicazione non ? previsto solamente fra le singole unit?, ma si estende anche all'interno delle stesse, consentendo una grandissima libert? di configurazione e di utilizzo della macchina, nonch? di aggiunta di unit? funzionali con funzioni di tipo nuovo e/o di sostituzione di unit? di vecchio tipo con unit? di tipo pi? moderno. La facilit? di sostituzione sia per upgrading della macchina che per riparazione ? evidente. Fintanto che i segnali saranno codificati corrispondentemente al bus utilizzato una qualsivoglia unit? potr? connettersi al bus di comunicazione 7 e sar? in grado di scambiare dati e comandi con le altre unit?.

La costruzione della macchina secondo l'invenzione consente anche altre configurazioni che possono essere molto vantaggiosa sia dal punto di vista economico che dal punto di vista organizzativo e di gestione. Infatti, la connessione delle varie unit? fra loro per mezzo di un bus dati convenzionale consente di comandare pi? macchine, anche di diverso tipo, ma aventi medesima configurazione dell'elettronica di elaborazione e di comando da una sola postazione o da un numero limitato di postazioni. E' anche possibile prevedere un sistema comprendente pi? macchine organizzate in gruppi di macchine ciascuno dei quali gruppi presenta una sola consolle dedicata sotto forma di computer convenzionale, essendo i computer convenzionali associati a ciascun gruppo configurati come computer client che accedono mediante una rete ad un computer server. In questo caso, il computer server pu? contenere una grande quantit? di diversi programmi di comando delle procedure di rilevamento e/o elaborazione e ricostruzione delle immagini, come ad esempio un database di sequenze di acquisizione di immagini in risonanza magnetica nucleare, un database di procedure di filtratura dei segnali e/o di trattamento degli stessi per la modulazione della definizione e/o del contrasto e/o del rapporto segnale/rumore e/o dei tempi di rilevamento, mentre i computer client possono accedere ai database del server per prelevare dai database su indicati i programmi e/o le procedure di rilevamento e/o trattamento di immagini ed anche le procedure di separazione delle immagini acqua/grasso secondo una o pi? delle forme esecutive del metodo della presente invenzione pi? sopra descritte.

In questo modo, i computer client possono essere configurati in modo pi? economico, specialmente per quanto riguarda le memorie e le sezioni grafiche. E' possibile anche prevedere localmente mezzi di visualizzazione locali, come monitor o stampanti di qualit? limitata, associando i mezzi di maggiore qualit? al server. Ci? costituisce un notevole risparmio di risorse, consentendo di acquistare ad esempio monitor e/o altri mezzi di visualizzazione come stampanti o simili di maggiore qualit?.

Un esempio di configurazione di una macchina secondo l'invenzione adatta a questa configurazione ? illustrato nella fig. 7. In questa figura per identiche funzioni od identici mezzi vengono utilizzati identici numeri di riferimento. Come risulta evidente dal confronto con la figura 6, le unit? espressamente dedicate al comando dell'unit? magnetica ed alla ricezione dei segnali di eco, nonch? alla loro elaborazione per l'estrazione dei dati d'informazione delle immagini sono identiche a quelle gi? descritte con riferimento alla figura 7.

A differenza del precedente esempio, invece, la macchina non presenta una consolle dedicata ma comprende una unit? CPU locale che gestisce le comunicazioni fra il bus 7 interno ed il bus di comunicazione, ad esempio una rete lan o simili indicata con 20. Un eventuale modem 21 consente la comunicazione mediante linee di tipo telefonico.

La CPU locale 20 a cui possono essere associate memorie locali, accede tramite la rete Lan ad un computer locale che costituisce le unit? di cui alla descrizione della fig. 2 e che ? destinato a gestire diverse macchine. Il computer locale, a sua volta pu? come gi? detto costituire un client di un computer server generale di comando di diversi gruppi di macchine.

La presenza di una CPU interna di gestione 20 non costituisce un vero e proprio aggravio di costi, sia per l'esiguo costo delle CPU che per il fatto che detta configurazione consente di limitare il numero dei computer dedicati al comando delle macchine.

Inoltre, la CPU locale ? eventualmente in grado di gestire anche periferiche locali, come mezzi di memorizzazione, di visualizzazione, di stampa, e di immissione di comandi.

? da notare che la presenza di una CPU locale 20 non costituisce nemmeno un impedimento, qualora ci? dovesse essere desiderato al fatto di provvedere una o pi? macchine con una consolle dedicata.

Con riferimento alle figure 6 a 7 ? da notare un ulteriore caratteristica dell'invenzione e che costituisce un vantaggio. Infatti, nelle macchine dedicate ? spesso necessario prevedere sostegni esterni alla macchina per arti o parti di arto che non vengono alloggiate nella cavit? o nel vano di rilevamento. In questo caso, ad esempio dovendo rilevare l'immagine di un ginocchio, l'altra gamba del paziente dovrebbe restare esterna alla struttura magnetica 1. Per consentire una comoda posizione al paziente, la cassa della unit? magnetica presenta estensioni laterali 201 che costituiscono gli armadi di alloggiamento delle unit? montate nella cassa dell'unit? magnetica ed allo stesso tempo dei sostegni per gli arti non alloggiati nel vano di rilevamento. Pertanto, la necessit? di creare spazio di alloggiamento per le unit? elettroniche associate stabilmente alla struttura magnetica vengono combinate con le necessit? di creare sostegni esterni alla unit? magnetica stessa, per cui gli eventuali maggiori ingombri determinati dall'invenzione sono comunque compensati dallo sfruttamento degli stessi come elementi di sostegno.

Claims

RIVENDICAZIONI

1. Metodo per l?acquisizione e l?output separato di immagini diagnostiche in risonanza magnetica nucleare in base ai segnali derivanti da acqua e da grasso, il quale metodo prevede i seguenti passi:

b) per almeno detta una slice o per almeno parte o tutte le dette slice, quando queste sono pi? di una, acquisire almeno una immagine anatomica in risonanza magnetica nucleare lungo la detta slice; c) per almeno detta una slice o per almeno parte o tutte le dette slice, quando queste sono pi? di una e per ciascun pixel o voxel della immagine in risonanza magnetica nucleare acquisita lungo la detta slice, eseguire una separazione delle componenti di segnale corrispondenti all?intensit? del detto pixel o del detto voxel derivanti dall?acqua dei tessuti nel corpo in esame da quelle componenti di segnale derivanti dai tessuti grassi nel detto corpo in esame;

2. Metodo secondo la rivendicazione 1, in cui l?algoritmo per la separazione di immagini relative al contributo del segnale derivante da acqua e di immagini relative al contributo di segnale derivante da grasso ? un algoritmo di classificazione.

3. Metodo secondo le rivendicazioni 1 o 2, in cui i pixel od i voxel sono rappresentati dal corrispondente parametro numerico relativo all?intensit? del pixel o del voxel espresso con una metrica definita da una scala di gradazione di grigi.

4. Metodo secondo una o pi? delle precedenti rivendicazioni, in cui il parametro descrittivo di ciascun pixel o voxel di una immagine ? costituito dalla combinazione dei parametri descrittivi di uno o pi? pixel o voxel di contorno dello stesso, eventualmente pesati in funzione della distanza dal detto pixel o voxel.

5. Metodo secondo una o pi? delle precedenti rivendicazioni, in cui l?algoritmo di separazione delle immagini di MRI derivanti da acqua da quelle derivanti da grasso ? addestrato con un database di training comprendente record relativi a casi noti il quale record comprende i parametri di intensit? dei pixel o dei voxel delle immagini relative ad acqua ed a grasso e la loro validazione come immagini derivati da acqua o da grasso eseguita da personale specializzato e/o con tecniche di separazione allo stato dell?arte.

6. Metodo secondo la rivendicazione 5, in cui il database di training ? generato mediante selezione ottimizzata di record da un database di casi noti.

7. Metodo secondo la rivendicazione 6, in cui la selezione dei record di casi noti per la generazione del databse di training viene seguita mediante un algoritmo genetico essendo il valore di fitness della classificazione ottenuta da un classificatore addestrato con un cero database di training il criterio di applicazione della selezione basata sul valore di fitness.

8. Metodo secondo una o pi? delle precedenti rivendicazioni, in cui successivamente al passo di acquisizione di una prima immagine MRI lungo una prestabilita slice, e prima del passo di separazione vengono previsti ulteriormente i passi di

9. Metodo secondo una o pi? delle precedenti rivendicazioni, in cui ? previsto di eseguire una successione di acquisizione di immagini acqua e grasso che prevede l?acquisizione di una successione di due immagini anatomiche MRI e la seguente acquisizione di due immagini i cui segnali sono relativi all?acqua ed una immagine in cui i segnali sono relativi al grasso, le dette immagini venendo ordinate secondo una successione che prevede prima le due immagini anatomiche e successivamente l?immagine relativa all?acqua e l?immagine relativa al grasso, essendo detta successione mantenuta fissa per tutte le acquisizioni di immagini MRI, mentre il suddetto algoritmo di machine learning, ovvero il suddetto algoritmo predittivo o di classificazione ? utilizzato per identificare quale fra le due immagini acquisite successivamente alle due immagini anatomiche ? relativa all?acqua e quale ? relativa al grasso e di generare la sequenza di immagini suddetta.

10. Metodo secondo una o pi? delle precedenti rivendicazioni in cui ? prevista una fase di riduzione della grandezza dell?immagine, ovvero del numero di pixel o di voxel e la quale fase di riduzione della grandezza delle immagini precede la fase di elaborazione dei parametri che descrivono l?aspetto dei pixel o dei voxel, ad esempio l?intensit? espressa in una scala di grigi.

11. Metodo secondo la rivendicazione 10, in cui ? previsto il passo di fondere insieme in uno o pi? pixel o voxel i pixel od i voxel dell?immagine originaria che presentano la stessa intensit?, ad esempio con riferimento al metro di misurazione secondo la detta scala di grigi.

12. Metodo secondo la rivendicazione 11, in cui la determinazione della condizione di identit? viene eseguita prevedendo la suddivisione della scala di gradazione di grigi in una pluralit? di campi di gradazione di grigi in cui ciascun campo corrisponde ad un campo di valori di intensit? che ? centrato su un prestabilito valore di intensit? e presenta un valore limite massimo ed un valore limite minimo, i quali campi definiscono i valori di intensit? dei pixel o voxel da considerare identici e quindi da fondere insieme in un unico pixel o voxel od in pi? pixel o voxel in modo da ottenere una riduzione variabile e selezionabile od una riduzione ad una dimensione prestabilita della grandezza delle immagini da sottoporre all?elaborazione.

13. Metodo secondo la rivendicazione 12, in cui il detto valore massimo ed il detto valore minimo dei campi in cui ? suddivisa la scala di gradazione di grigi o la scala di intensit? sono variabili in modo da variare la grandezza dell?immagine avente dimensioni ridotte.

14. Metodo secondo una o pi? delle precedenti rivendicazioni 11 a 13, in cui la grandezza dell?immagine viene selezionata in base alla fitness del risultato di classificazione di una esecuzione preventiva dell?algoritmo di separazione su immagini aventi diverse dimensioni ridotte rispetto alle immagini acquisite originariamente.

15. Metodo secondo una o pi? delle precedenti rivendicazioni 11 a 14, in cui la grandezza dell?immagine ridotta viene determinata mediante algoritmo genetico.

16. Metodo secondo una o pi? delle precedenti rivendicazioni in cui il passo di riduzione dei pixel delle immagini da sottoporre ad elaborazione mediante l?algoritmo di machine learning prevede di utilizzare un operatore di analisi dei parametri che determinano l?aspetto dei pixel il quale operatore identifica regioni dell?immagine da analizzare in cui i parametri di definizione dell?aspetto dei pixel sono relativi a segnali derivanti da acqua o da grasso, sottoponendo al processo di elaborazione per mezzo dell?algoritmo di machine learning solo i pixel che rientrano nel range dei detti parametri di aspetto che sono funzionali alla determinazione dell?immagine quale derivante da acqua o da grasso.

17. Sistema per la separazione di immagini MRI derivanti da acqua e/o da grasso il quale sistema ? costituito da una unit? di elaborazione integrata in un apparto MRI e che utilizza le stesse unit? di elaborazione previste per il controllo dell?apparato MRI o il quale sistema di elaborazione ? costituito da una unit? di elaborazione separata comunicante con un apparato MRI essendo il detto sistema costituito da un elaboratore locale o da un server remoto.