Facoltà
di medicina e chirurgia
|
Unità
Operativa di Statistica Medica e Biometria Il
Direttore |
|
Istituto
di Statistica Medica e Biometria Il
Direttore |
Il giorno
19 gennaio 2005 alle ore 11.30 alle ore 14.00 presso l’Aula D dell’Istituto
Nazionale per lo Studio e la Cura dei Tumori, Via G.Venezian 1, Milano.
Si
terranno i Seminari:
Dipartimento di
Ingegneria dell’Informazione ed Ingegneria Elettrica
“Un
sistema per l’analisi computerizzata e la fruizione in rete di immagini
mammografiche per la diagnosi precoce del cancro alla
mammella”.
Nel
campo della diagnostica per immagini e segnatamente nell’interpretazione di
immagini mammografiche, le tecnologie CAD (Computer Aided Detection)
rappresentano una possibilità per incrementare sensibilità e specificità degli
esami. Il sistema CAD che si sta realizzando nell’ambito del progetto presentato
è rivolto all’individuazione e classificazione di cluster di microcalcificazioni
e comprende diverse fasi:
·
preelaborazione
della mammografia, al fine di migliorare la qualità dell’immagine in termini di
contrasto e di rumore;
·
individuazione
delle aree candidate ad ospitare microcalcificazioni;
·
aggregazione
in cluster delle microcalcificazioni individuate;
·
classificazione
dei cluster risultanti dal passo precedente in maligni o
benigni.
Le
fasi preliminari prevedono l’impiego di tecniche avanzate di Visione
Artificiale, basate su strumenti di analisi delle immagini quali le trasformate
Wavelet e modelli statistici bidimensionali (Markov Random Fields). Le regioni
individuate sono poi sottoposte ad una fase di analisi e classificazione che
fornisce una stima della presenza di microcalcificazioni sulla base di un
insieme di caratteristiche sia morfologiche che relative alla texture della regione.La successiva fase
di aggregazione individua i possibili cluster di microcalcificazioni sui quali
viene effettuata un’ulteriore fase di classificazione con l’obiettivo di stimare
l’eventuale malignità del cluster. Viene qui impiegato un sistema a
classificatori cooperanti che sfrutta sia i risultati della classificazione
delle singole microcalcificazioni sia i risultati della classificazione del
cluster inteso come un’entità a sé stante. Tale soluzione porta ad una maggiore
affidabilità della risposta complessiva in quanto vengono ad essere combinate
evidenze provenienti da fonti diverse.Il progetto prevede anche la realizzazione
di un supporto telematico per agevolare il processo di diagnosi comparativa, lo
scambio di conoscenze e la formazione del personale medico. Tale sistema è
basato su un image server che consente la trasmissione delle mammografie anche
su reti a banda limitata, nonché la ricerca sulla base di opportuni
metadati.
Dipartimento di Automazione
Elettromagnetismo
Ingegneria dell’Informazione e Matematica
Industriale
“La
curva ROC in problemi di pattern recognition”
All’interno
del Pattern Recognition rivestono una particolare importanza le applicazioni che
richiedono di scegliere tra due possibili risultati, come, ad esempio, le
applicazioni di tipo biomedico, l’individuazione di frodi su transazioni
bancarie, l’individuazione dei tentativi di intrusione in sistemi telematici,
ecc. In questo caso, infatti, è necessario che gli algoritmi di classificazione
automatica impiegati offrano delle garanzie elevate di affidabilità in quanto un
errore porterebbe a compiere un’azione esattamente contraria a quella corretta.
Di conseguenza, è fondamentale utilizzare strumenti che, da un lato, diano una
valutazione adeguata delle capacità del classificatore da utilizzare e,
dall’altro, consentano una regolazione del classificatore finalizzata a
minimizzare il costo atteso di classificazione.
In
questo contesto, la curva ROC (Receiver
Operating Characteristic) rappresenta uno strumento particolarmente efficace
in quanto fornisce una descrizione delle prestazioni del classificatore a
diversi punti di lavoro, indipendentemente dalle probabilità a priori delle due classi. Di
conseguenza, la curva ROC permette di analizzare il comportamento del
classificatore sotto diverse distribuzioni di costi e di probabilità a priori
delle classi. L’analisi basata sulla curva ROC è basata sulla teoria di
decisione statistica ed è stata inizialmente impiegata in problemi legati
all’individuazione di bersagli radar. Attualmente è largamente impiegata nella
valutazione di sistemi di diagnosi medica (in particolare nell’imaging medico) e
in molti settori del Pattern Recognition.
In
questo seminario verranno presentate le principali metodologie dell’analisi
basata sulla curva ROC in problemi di Pattern Recognition a due classi. Si farà
particolare riferimento a metodi per l’ottimizzazione di classificatori singoli
e di sistemi di classificazione cooperanti.
Dott.
Elia Biganzoli
|
Via
Venezian, 1 – 20133 Milano (02
503.20855 702-503.20866 :patrizia.lamusta@unimi.it |