ITGE20110026A1 - Metodo per l'estrazione di informazioni di interesse da dataset multidimensionali, multiparametrici e/o multi temporali - Google Patents

Description

"Metodo per l'estrazione di informazioni di interesse da dataset multidimensionali, multiparametrici e/o multi temporali"

TESTO DELLA DESCRIZIONE

La presente invenzione ha per oggetto un metodo per l'estrazione di informazioni di interesse da dataset multidimensionali, multiparametrici e/o multi temporali relativi ad uno stesso oggetto in osservazione mediante tecniche di fusione di dati.

Nell'ambito generico della intelligenza artificiale, i sistemi operanti sulla base della detta intelligenza artificiale devono essere messi in grado di acquisire informazioni dal mondo circostante e di utilizzare queste informazioni in modo da far risaltare informazioni e metadati che non sono immediatamente visibili o da mettere in risalto caratteristiche o strutture od eventi che non appaiono immediatamente visibili.

Una prassi attualmente utilizzata à ̈ quella di operare mediante una fusione di dati da differenti dataset multiparametrici, cioà ̈ da un certo numero di dataset che comprende dati relativi almeno in parte a diversi parametri, oppure da dataset che alternativamente od in combinazione al fatto di avere dati per almeno una parte di diversi parametri presenta dati rilevati in istanti temporali diversi.

La tecnica della fusione à ̈ nota ed ampiamente descritta ad esempio nel documento Dasarthy, Decision Fusion, IEEE Computer Society Press, 1994.

La fusione à ̈ vantaggiosa per diversi scopi quali il rilevamento, il riconoscimento, l'identificazione, il tracking, l'esecuzione di decisioni. Questi scopi vengono perseguiti in un grande numero di diversi campi di applicazione, quali ad esempio la robotica, la medicina, nei monitoraggi geologici ed in molti altri campi.

Con la fusione si mira quindi a migliorare l'affidabilità di processi decisionali automatici od eseguiti da macchine robotizzate od operanti con intelligenza artificiale.

Ad esempio grazie ad informazioni aggiuntive o complementari mediante acquisizione di immagini con diverse modalità, con diversi sensori e fusione di queste immagini à ̈ possibile migliorare, mediante la fusione dei dati immagine relativi a questi oggetti, le informazioni sull'oggetto riprodotto nell'immagine e quindi favorire l'affidabilità della scelta decisionale dipendente dal contenuto informativo dell'immagine, sia a livello di decisione umana che eseguita da una macchina avente intelligenza artificiale.

I sistemi di data fusion combinano più sorgenti di dati origine fra loro per formare nuovi set di dati in cui l'informazione à ̈ organizzata in modo diverso e il contenuto può venire meglio estratto dal dato.

In realtà i noti sistemi di data fusion, non sono soddisfacenti per quanto riguarda il fatto di fondere fra loro le informazioni in modo mirato alla rivelazione delle strutture di dati di interesse.

Sono noti sistemi di trattamento di dati che operano sui dati in modo da operare a livello delle feature (caratteristiche) rappresentate dai dati stessi. Lo spazio delle informazioni di un insieme di dati può essere sottoposto ad una trasformazione che genera una nuova base di vettori ortogonali che descrivono le cosiddette features e con cui à ̈ possibile rappresentare i dati del detto insieme. Un noto metodo che opera questa trasformazione à ̈ la cosiddetta Analisi dei componenti Principali (cosiddetta PCA).

Un descrizione rigorosa e più approfondita di questa tecnica nota à ̈ riportata nel documento Principal Component Analysis I.T. Jolliffe, Second edition, Springer series in statistica, ISBNO-387-95442-2, 2002. Tale descrizione si considera parte della presente descrizione.

Questa trasformata descrive i dati come combinazione di diverse "features", generando un cosiddetto vettore delle "features" che identifica in sostanza l'informazione rappresentata dai dati suddividendola dalla informazione più rilevante e via, via meno rilevante.

L'invenzione ha lo scopo di generare un metodo per l'estrazione di informazioni di interesse da dataset multidimensionali, multiparametrici e/o multi temporali che possa operare in modo veloce e consenta di mettere in evidenza in modo affidabile e sicuro e senza pesare eccessivamente sui mezzi destinati ad eseguire le operazioni di computo.

L'invenzione consegue gli scopi su esposti con un metodo per l'estrazione di informazioni di interesse da dataset multidimensionali, multiparametrici e/o multi temporali relativi ad uno stesso oggetto in osservazione mediante tecniche di fusione di dati in cui

in cui sono previsti una pluralità di diversi dataset relativi allo stesso oggetto e con dati riferiti a diversi parametri e/o a diversi istanti temporali di acquisizione dei detti parametri;

i detti dataset vengono sottoposti ad un primo passo di elaborazione mediante analisi delle componenti principali (cosiddetta PCA) da cui vengono generati un identico numero di dataset con dati trasformati e rappresentati da una combinazione di "feature" ;

ciascuno di detti dataset viene combinato in modo non lineare con il corrispondente dataset trasformato ottenendo un certo prestabilito numero di dataset di combinazione mediante parametri di pesatura;

i quali parametri di pesatura sono stabiliti in modo empirico sperimentale mediante dataset di training i quali dataset di training vengono utilizzati per determinare i valori dei parametri di pesatura non lineare che massimizzano il valore delle nuove feature associate ai dati di interesse, rispetto a quelle degli altri dati.

Il metodo sopra descritto combina fra loro i dati dei diversi dataset in modo tale da raggruppare in singoli cluster i dati relativi alle caratteristiche d'interesse preventivamente definite e per 1'evidenziazione delle quali à ̈ stata ottimizzata la funzione non lineare di combinazione ed anche da massimizzare la distanza dei detti gruppi di dati fra loro.

Secondo un perfezionamento, i dataset vengono fusi fra loro in modo da generare tre dataset di combinazione venendo a ciascuno dei detti dataset di combinazione associato un diverso colore di rappresentazione dei dati in una immagine fra i tre colori RGB, venendo le dette tre immagini fra loro sovrapposte e quindi visualizzando i dati di interesse con il colore bianco derivante dalla combinazione dei tre colori RGB.

Una particolare applicazione à ̈ quella relativa al trattamento di immagini digitali in qualsivoglia campo.

L'invenzione consiste quindi in un metodo per l'estrazione di informazioni di interesse da dataset multidimensionali, multiparametrici e/o multi temporali che opera mediante fusione di dati multiparametrici, multi-sensoriali e/o multi-temporali anche di tipo volumetrico- a livello numerico, in cui i dati originali vengono trasformati secondo il particolare procedimento descritto che tiene conto delle caratteristiche intrinseche dei dati stessi. Successivamente i dati trasformati vengono combinati opportunamente insieme ai dati originali sulla base dell'applicazione e dell'obiettivo che si intende raggiungere, ovvero sulla base delle strutture di interesse che si vogliono evidenziare.

Il metodo fornisce un nuovo volume di dati tridimensionale. Per la calibrazione dei parametri di combinazione dei dati si utilizza un training set.

Infine, quale ulteriore passo aggiuntivo, ai nuovi dati ottenuti secondo i passi di trasformazione e combinazione, viene associata un'informazione colorimetrica che ne consente la visualizzazione: ogni dimensione del nuovo volume viene, cioà ̈, associata a un canale colore in uno spazio colore predeterminato (ad esempio RGB). Nel caso i volumi originali di dati siano in numero minore o uguale a tre, inoltre, ne deriva che nell'applicazione del metodo non avviene alcuna perdita di contenuto informativo ma solo una sua diversa distribuzione, con conseguente esaltazione di determinati contenuti rispetto ad altri.

Tale metodo à ̈ generale e risulta adattabile in tutti i campi dove si devono trattare dati multiparametrici e quindi multi-dimensionali.

In particolar modo, il metodo risulta particolarmente adatto nel campo dell'imaging biomedico o nell'analisi di cambiamenti da dati telerilevati.

Ulteriori perfezionamenti e caratteristiche della presente invenzione sono oggetto delle sottorivendicazioni .

Le caratteristiche dell'invenzione ed i vantaggi della stessa risulteranno più chiaramente dalla seguente descrizione di alcuni esempi esecutivi illustrati nei disegni allegati in cui:

Le figg. la, lb, le illustrano i dati originali costituiti dalle immagini MRI di un cervello affetto da sclerosi multipla, lOOma slice di volume e rispettivamente rappresentano: (a) immagine Tlpesata, (b) immagine T2-pesata, (c) immagine Protondensity.

Le figg. 2a, 2b, 2c illustrano le immagini relative ai dati immagine delle precedenti figure la, lb, le trasformati con PCA: ÃŒOOâ„¢<1>slice di volume ed in cui la fig. 2a illustra i dati originali proiettati lungo l'asse della prima componente principale, la fig. 2b illustra i dati originali proiettati lungo l'asse della seconda componente principale, la fig. 2c illustra i dati originali proiettati lungo l'asse della terza componente principale.

La figura 3 illustra l'immagine di figura 2c (proiezione lungo la terza componente) invertita.

La figura 4 illustra l'immagine di visualizzazione a colori delle immagini di output 0.

Le figure 5a, 5b e 5c illustrano rispettivamente la composizione RGB dei dati originali, la composizione RGB dei dati trasformati e quella dei dati combinati (0).

Le figure 6a e 6b illustrano rispettivamente la distribuzione dei dati all'interno dello spazio delle feature dei dati originali e quella dei dati trasformati, in cui il cerchio evidenzia la posizione delle strutture di interesse.

La figura 7 illustra una immagine della zona alluvionata prima del verificarsi dell'evento.

La figura 8 Ã ̈ una vista analoga a quella della figura 7, ma relativa a un istante temporale successivo all'evento.

La figura 9 Ã ̈ una vista della prima componente principale.

La figura 10 Ã ̈ una immagine della seconda componente principale.

La figura 11 illustra l'immagine relativa alla composizione RGB dei dati trasformati con enhancement delle aree inondate.

Come già indicato in precedenza, l'obiettivo del metodo secondo la presente invenzione à ̈ la fusione di dati volta ad un enhancement delle strutture di interesse. Tale enhancement si ottiene sia in termini di una migliore clusterizzazione dei dati in uno spazio di feature scelte, sia in arricchimento in termini di visualizzazione a colori.

In particolare, l’obiettivo à ̈ massimizzare il valore delle nuove feature associate ai dati di interesse, rispetto a quelle degli altri cluster. In questo modo, quando a ciascuna feature à ̈ associato un corrispondente canale colore, le strutture di interesse vengono visualizzate in colore biancastro, in contrasto con le regioni circostanti (colorate o più scure) .

Inoltre, qualora fosse ritenuto necessario, a partire dal volume colorato così ottenuto à ̈ possibile ottenere come risultato aggiuntivo un rendering tridimensionale monoparametrico di strutture di interesse con mascheramento delle strutture circostanti .

I passi del metodo secondo la presente invenzione sono indicati più in dettaglio qui di seguito :

Siano dati n volumi di dati originali (VI, ..., Vn) , che si riferiscono a uno stesso oggetto di osservazione e che sono stati acquisiti secondo diverse modalità ovvero in differenti istanti temporali, ed i quali dati sono coregistrati tra loro.

1. Si normalizzano tali dati tra 0 e 1 secondo la formula:

<n>†̃ max(F. ) - min(F. )

2. Si effettua un'analisi delle componenti principali (PCA) , allo scopo di aumentare la scorrelazione fra i volumi di dati, ottenendo così n volumi di dati trasformati (PCI,..., PCn)

3. Si calcola il nuovo vettore tridimensionale di feature di output, 0, secondo la seguente formula:

^ = Σ«,.Λ " k;

j= i j= 1 In cui Ϊ = l,—,3 j = i,..., n

-1 ≤ a.j< 1 0.5 < β-j< 4

a, : β. . Yi ,■ k, .

dove<,J>,<,J>, ,<,J>sono definiti durante la fase di training e sono volti a massimizzare il

valore di per i dati di interesse.

4. Si fondono i tre volumi in un unico volume colorato .

Tale risultato si ottiene ponendo ciascuno dei tre volumi ottenuti al passo precedente su un canale colore diverso (a titolo di esempio si veda la Fig. 4) . Si otterrà così un volume in scala di rossi, uno in scala di verdi e uno in scala di blu, che composti assieme formano un volume colorato, in cui la regione di interesse si presenta con colore biancastro.

Nonostante dalla descrizione generale del metodo questo à ̈ applicabile a qualsivoglia tipo di dati, essendo un insieme di dati comunque sempre rappresentabile in uno spazio sotto forma di grafico mono-, bi-, tri- o n-dimensionale, risulta più semplice descrivere applicazioni specifiche del metodo che si riferiscono ad immagini bi-dimensionali o a sezioni di immagini tridimensionali.

Come già indicato nei passi generali le immagini costituiscono dataset di dati origine e sono fra loro coregistrate. Tale passo può venire eseguito con qualsivoglia tipo di noto metodo di registrazione. Questi metodi appartengono allo stato dell'arte ed al bagaglio tecnico di base dell'esperto del ramo e non sono parte della presente invenzione e pertanto non sono descritti in dettaglio.

Esempio 1

Enhancement delle placche di sclerosi multipla a partire da sequenze spaziali di acquisizioni multiparametriche del cervello, secondo le tre diverse modalità MRI Tl-pesata, T2-pesata, Proton-Density (PD) le immagini relative alle dette acquisizioni sono riprodotte nelle figure la, lb, le.

Dopo aver normalizzato i dati relativi alle immagini secondo le tre diverse modalità MRI Tlpesata, T2-pesata, Proton-Density secondo il primo passo del metodo della presente invenzione, viene eseguito il secondo passo che prevede la proiezione dei dati lungo le componenti principali ottenute mediante la trasformazione PCA. Il risultato di questo passo à ̈ illustrato nelle immagini delle figure 2a, 2b, 2c.

Al termine del secondo passo si hanno a disposizione i seguenti dati:

Tì PCÌ V = T2 PC = PC2 PD PCi dati originali dati trasformati

Si nota che le placche di sclerosi sono meglio evidenziate e chiare nell'immagine di figura la (T2pesata) e figura 2b (Proiezione lungo la seconda componente principale, PC2). Anche nella figura 2c (PC3) le placche sono risaltanti rispetto al tessuto circostante. Le placche in quest'ultimo caso si presentano però molto scure. Invertendo l'immagine, ovvero creandone il negativo, si ottiene un'immagine molto ben contrastata, in cui le placche risultano chiare (Fig. 3).

Dopo aver eseguito una fase di determinazione empirica sperimentale dei parametri ottimali della combinazione pesata non lineare si ottengono i valori di questi parametri.

Tale determinazione sperimentale può essere eseguita sia ponendo in input i dati immagine originale e quelli trasformati ed in output una immagine di output realizzata secondo il livello di enhancement desiderato, oppure eseguendo una serie di variazioni dei detti parametri e verificando I dati di output ad esempio sotto forma d'immagine, scegliendo quali parametri da utilizzare per l'applicazione del metodo quelli che hanno dato i migliori risultati.

In questo caso le matrici di parametri proposte risultano pertanto:

010 111 0 0 0 1 I /

a = 0 0 0 β = 111 r = 0 1 0 k 111

0 0 0 111 0 0-1 1 1 1

Facendo la composizione RGB dei volumi di output così ottenuti, ovvero ponendo sui tre canali le slice di ciascun volume di output Oi (figura.4), si ottiene la composizione presentata in figura 5b, in cui le placche risultano quasi bianche e ben contrastanti rispetto al tessuto circostante, a differenza della mera composizione RGB dei dati originali presentata in figura 5a.

Osservando la clusterizzazione dei dati nello spazio tridimensionale originale e confrontandola con quella nello spazio trasformato (Figura 6), si può notare come le strutture di interesse (indicate dal cerchio) siano meglio separate dagli altri cluster e quindi meglio distinguibili visivamente nel volume trasformato.

Inoltre, come ulteriore risultato, si à ̈ ottenuto uno "stretching" dei dati che risultano ora meglio distribuiti lungo gli assi del nuovo spazio trasformato tridimensionale. A livello visivo, ciò comporta uno stretching dell'istogramma dell'immagine con conseguenti aumento del contrasto ed enhancement delle strutture di interesse.

Esempio 2.

Enhancement delle aree inondate ottenuta da dati origine consistenti in una coppia co-registrata di immagini SAR (Synthetic Aperture Radar) le cui immagini sono riprodotte nelle figure 7 e 8

I dati origine sono costituiti dal dataset VI, la cui immagine riportata in Figura 7 corrisponde ad una acquisizione SAR di una porzione di territorio prima di un evento alluvionale, e dal dataset V2, la cui immagine à ̈ riportata in Figura 8, e corrisponde all'acquisizione SAR della stessa porzione di territorio dopo l'evento alluvionale. In questo caso, dunque, n=2.

I dati origine sono quindi definiti come Pre

V =

Post

Il risultato 0 dell'Analisi delle Componenti principali à ̈ riportato in Figura 9 e Figura 10. L'area inondata à ̈ quella che appare molto chiara nella seconda componente principale (Figura 10).

In questo caso sempre mediante determinazione empirica come sopra descritta per l'esempio 1, vengono fissati I valori dei parametri di fusione ottimali che risultano essere:

0 0 11 01 11

a = 0-1 β= 1 1 r = 0 0 k= 11

1 0 1 1 0 0 11

Il risultato che si ottiene à ̈ riportato in Figura 11, dove appare in grigio l'acqua stabile e in bianco l'area inondata, che rappresenta in questo caso la struttura di interesse da evidenziare. Poiché la rappresentazione del materiale grafico allegato alla presente domanda di brevetto à ̈ forzatamente in gradazioni di grigio, l'area relativa alla zona inondata à ̈ stata evidenziata con una cornice rettangolare. Nell'immagine a colori l'area inondata à ̈ bianca, mentre le restanti aree sono colorate in questo caso in verde o viola, per cui l'area bianca risalta in modo chiaro ed evidente dalle altre aree colorate. Una perdita in termini di evidenza del risultato si ha anche con riferimento alla figura 5b del precedente esempio 1 in cui nell'immagine in gradazioni di grigio non si riesce ad apprezzare quanto venga messa in evidenza l'area relativa alle placche grazie alla differenza di colore fra area bianca (placche ed area colorata.

Da quanto sopra esposto risulta evidente che il metodo qui proposto per l'estrazione di informazioni di interesse da dataset multi-parametrici e/o multitemporali mediante la fusione di detti dati risulta essere di supporto nell'analisi visiva di grosse moli di dati, grazie alla visualizzazione integrata di informazioni e 1<1>enhancement di strutture di interesse rispetto a regioni adiacenti.

Vantaggi dell'applicazione di tale procedura sono la riduzione del tempo di analisi visiva dei dati, la focalizzazione dell'attenzione su zone di interesse (per esempio segni di patologia in immagini biomediche o, più in generale, di cambiamento) con conseguente riduzione di mancato allarme.

Inoltre, il metodo applicato a grandi moli di dati multidimensionali consente di fondere fra loro dati multiparametrici o dati multi temporali in modo mirato all'evidenziazione di caratteristiche o qualità descritte dai dati stessi, favorendo una migliore separazione dei cluster di dati riferiti alle features che vengono generati nella trasformazione PCA, la quale migliore clusterizzazione massimizza la distanza dei cluster fra loro rendendo meglio visibili od identificabili I cluster di dati aventi le caratteristiche di interesse. Tale operazione viene eseguita con basso dispendio di calcolo e con notevole affidabilità, per cui il metodo secondo la presente invenzione può operare anche come metodo di data mining o di classificazione.

ESEMPIO 3

L'invenzione si applica a qualsiasi sistema Harware/software del tipo comprendente mezzi computerizzati dotati di intelligenza artificiale. Quando questo sistema à ̈ destinato ad eseguire un programma di controllo decisionale per l'esecuzione di prestabilite funzioni in base all'esito di una analisi di dati, allora l'analisi dei detti dati può venire eseguita sui dati di output di un metodo di trattamento secondo la presente invenzione. In questo caso, in particolare quando il sistema rileva i dati mediante diversi sensori operanti secondo diverse modalità o per il rilevamento di un certo numero di diversi parametri oppure essendo detti dati rilevati in istanti di tempo diversi, il sistema può essere provvisto di un programma per l'estrazione di informazioni di interesse da dataset multidimensionali, multiparametrici e/o multi temporali relativi ad uno stesso oggetto in osservazione mediante tecniche di fusione che opera secondo il metodo della presente invenzione. In questo caso l'analisi dei dati per determinare l'esecuzione della detta certa funzione viene vantaggiosamente eseguita sui dati di output del detto programma I quali sono stati assoggettati al trattamento del presente metodo e quindi presentano una chiara evidenziazione delle caratteristiche rilevanti al fine della decisione. Ciò rende l'operazione del sistema più sicura ed efficiente e riduce I costi relativi a condizioni di malfunzionamento .

Claims (11)

1. RIVENDICAZIONI 1. Metodo per l'estrazione di informazioni di interesse da dataset multidimensionali, multiparametrici e/o multi temporali relativi ad uno stesso oggetto in osservazione mediante tecniche di fusione di dati in cui in cui sono previsti una pluralità di diversi dataset relativi allo stesso oggetto e con dati riferiti a diversi parametri e/o a diversi istanti temporali di acquisizione dei detti parametri; i detti dataset vengono sottoposti ad un primo passo di elaborazione mediante analisi delle componenti principali (cosiddetta PCA) da cui vengono generati un identico numero di dataset con dati trasformati e rappresentati da una combinazione di "feature"; ciascuno di detti dataset viene combinato in modo non lineare con il corrispondente dataset trasformato ottenendo un certo prestabilito numero di dataset di combinazione mediante parametri di pesatura; i quali parametri di pesatura sono stabiliti in modo empirico sperimentale mediante dataset di training i quali dataset di training vengono utilizzati per determinare i valori dei parametri di pesatura non lineare che massimizzano il valore delle nuove feature associate ai dati di interesse, rispetto a quelle degli altri dati.
2. 2. Metodo secondo la rivendicazione 1, in cui i dataset vengono fusi fra loro in modo da generare tre dataset di combinazione venendo a ciascuno dei detti dataset di combinazione associato un diverso colore di rappresentazione dei dati in una immagine fra i tre colori RGB, venendo le dette tre immagini fra loro sovrapposte e quindi visualizzando i dati di interesse con il colore bianco derivante dalla combinazione dei tre colori RGB.
3. 3. Metodo secondo le rivendicazioni 1 o 2, e che prevede un certo numero n di volumi di dati originali (VI, Vn) , che si riferiscono a uno stesso oggetto di osservazione e che sono stati acquisiti secondo diverse modalità ovvero in differenti istanti temporali, ed i quali dati sono coregistrati tra loro ed il quale metodo prevede i seguenti passi: a) normalizzazione dei dati tra 0 e 1 secondo la formula: Vt- min(F,) max(Fi.)- ιηΠη(Τ() b) esecuzione di un'analisi delle componenti principali (PCA) , allo scopo di aumentare la scorrelazione fra i volumi di dati, ottenendo così n volumi di dati trasformati (PCI,..., PCn) c) calcolo del nuovo vettore tridimensionale di feature di output, 0, secondo la seguente formula: O, = ∑1atJV<J>J ∑r,jPC in cui 3 j = l 1≤ au<1 0.5 < puj< 4 <a>u PUJ r, sono definiti durante la fase di training e sono volti a massimizzare il valore di per i dati di interesse. d) fusione dei tre volumi in un unico volume colorato .
4. 4. Metodo secondo la rivendicazione 3, in cui il passo d) prevede di attribuire a ciascuno dei tre volumi di dati ottenuti al passo precedente c) un colore diverso dei colori RGB ottenendo quindi un volume in scala di rossi, uno in scala di verdi e uno in scala di blu, e di comporre assieme un unico volume colorato, in cui la regione di interesse si presenta con colore biancastro.
5. 5. Metodo secondo una o più delle precedenti rivendicazioni, in cui il detto metodo à ̈ un metodo di trattamento di immagini digitali.
6. 6. Metodo secondo la rivendicazione 5, in cui il detto metodo à ̈ un metodo di trattamento di immagini diagnostiche acquisite secondo diverse modalità, e/o con diversi dispositivi e/o in diversi istanti di tempo per 1'evidenziazione di caratteristiche di determinati tessuti o zone specifiche di distretti anatomici .
7. 7. Metodo secondo la rivendicazione 5, caratterizzato dal fatto che il detto metodo à ̈ un metodo per 1'evidenziazione di caratteristiche geologiche e/o geofisiche di zone le cui immagini sono state acquisite secondo diverse modalità, e/o con diversi dispositivi e/o in diversi istanti di tempo .
8. 8. Metodo secondo la rivendicazione 5, caratterizzato dal fatto che à ̈ un metodo di data mining.
9. 9. Metodo secondo la rivendicazione 5, caratterizzato dal fatto che à ̈ un metodo di clusterizzazione di dati o di classificazione.
10. 10. Metodo secondo una o più delle precedenti rivendicazioni 5 a 9, caratterizzato dal fatto che à ̈ un metodo per la visualizzazione con evidenziazione delle strutture, dei cluster o delle feature di interesse dei dati multidimensionali in una immagine tridimensionale .
11. 11. Sistema comprendente mezzi computerizzati dotati di intelligenza artificiale e che eseguono un programma di controllo decisionale per l'esecuzione di prestabilite funzioni in base all'esito di una analisi di dati, essendo detti dati rilevati mediante diversi sensori operanti secondo diverse modalità o per il rilevamento di un certo numero di diversi parametri oppure essendo detti dati rilevati in istanti di tempo diversi, il quale sistema prevede un programma per l'estrazione di informazioni di interesse da dataset multidimensionali, multiparametrici e/o multi temporali relativi ad uno stesso oggetto in osservazione mediante tecniche di fusione che opera secondo I passi di metodo secondo una o più delle precedenti rivendicazioni, venendo l'analisi eseguita sui dati di output del detto programma.