Academic literature on the topic 'Immagini biomedicali'

Come afferma I. M. Young, alcune concettualizzazioni e pratiche odierne della medicina sembrano alienare la donna incinta dalla sua esperienza corporea. Oggigiorno, il sottoporre la gestante a ripetuti esami ecografici è diventata pratica routinaria. D’altra parte, sembra ormai assodato che una visione precoce delle immagini fetali possa facilitare il sorgere di una relazione emozionale della madre al bambino. Lo scopo di questo articolo è, pertanto, quello di fornire un’analisi dei principali studi presenti in letteratura sull’argomento al fine di chiarire se davvero il mezzo ecografico favorisce lo sviluppo di una relazione materna al feto, quali sono le caratteristiche di tale relazione e, infine, di discutere le implicazioni che tale processo di ridefinizione della gravidanza come evento biomedico ha sulla donna. Infatti, il boom ecografico sembra aver incoraggiato la diffusione di una visione della gestazione come appartenente soltanto al feto: il centro dello schermo diventa il solo fulcro del processo riproduttivo e “fetalità” diventa il sinonimo vero di procreazione. Da questo punto di vista, pertanto, l’uso di tale tecnica, fornendo un’immagine “separata” del bambino, colto nella sua autonomia, sembra aver incoraggiato la diffusione di una visione individualista del soggetto e delle sue caratteristiche, nonché di una cultura disincarnata della gestazione in cui la fragilità materna sembra essere completamente ignorata.----------As Young states, some conceptualizations and practices of medicine seem to alienate the pregnant subject from her bodily experience. Nowadays the use of the ultrasound technique in pregnancy has become a routine practice, especially because early fetal images encourage the maternal emotional relationship to the fetus. Thus, the aim of this paper is to survey the extant literature in order to clarify whether ultrasounds actually encourage the maternal bond to the fetus, to make explicit what kind of bond ultrasounds are really able to produce, and finally to discuss the repercussion on the position of women in the process of redefinition of pregnancy as a biomedical event. Indeed, the boom of ultrasound in obstetric practice seems to have encouraged the spread of a vision of gestation as an event belonging only to the fetus. Thus, the center of the screen becomes the only center of the reproductive process and “foetality” becomes the real synonymous of procreation. In this light, ultrasound technology seems to implement an individualistic vision of the subject and its future, as it separates the fetus from its mother and to cooperate to create a disembodied culture of gestation and procreation where the “maternal fragility” is completely ignored.

Nuovi ed efficienti metodi computazionali sono attualmente necessari per elaborare la ingente mole di dati generata dalle più recenti tecnologie sviluppate in svariati settori delle scienze della vita, tra cui la biologia computazionale e l’imaging medicale. In altre discipline, come la biologia dei sistemi in cui si modellano matematicamente le reti biochimiche, è necessario affrontare problemi relativi alla mancanza di dati quantitativi, e allo stesso tempo simulare efficacemente le dinamiche emergenti di queste reti. In questi contesti applicativi, le infrastrutture di calcolo ad elevate prestazioni si stanno rivelando uno strumento fondamentale per affrontare e risolvere i problemi che insorgono, in quanto permettono sia di elaborare in tempo reale ingenti quantità di dati sia di eseguire simulazioni in modo efficace ed efficiente. Durante gli ultimi anni si sta sempre di più radicando l’uso di dispositivi general-purpose caratterizzati da decine, centinaia o migliaia di core di calcolo, come ad esempio i coprocessori Many Integrated Cores e le Graphics Processing Units (GPU). L’uso delle GPU è motivato sia dalla efficienza computazionale che possono raggiungere (nell’ordine dei teraflop) grazie alle migliaia di core a disposizione sia dall’efficienza energetica che le contraddistingue. Oltre al calcolo ad elevate prestazioni, in questa tesi si sono sfruttate tecniche di intelligenza computazionale per affrontare problemi di ottimizzazione, come ad esempio la stima di parametri nella biologia dei sistemi, l’inferenza degli aplotipi nella bioinformatica, l’enhancement e la segmentazione di immagini medicali caratterizzate da istogrammi bimodali dei livelli di grigio che costituiscono le immagini stesse. La stima di parametri è stata affrontata sfruttando approcci di computazione evolutiva e di swarm intelligence insieme a nuovi simulatori accelerati su GPU - sviluppati appositamente per eseguire in parallelo sia molte simulazioni corrispondenti a diverse parametrizzazione dei modelli matematici che una singola simulazione di reti biochimiche a larga scala - permettendo di ridurre drasticamente il tempo di calcolo richiesto per calcolare le funzioni di fitness di questi approcci. Grazie alla loro efficacia nel risolvere i problemi combinatori, gli Algoritmi Genetici sono stati utilizzati per risolvere i problemi relativi alla ricostruzione degli aplotipi e l’enhancement delle immagini medicali. I due metodi proposti sono stati sviluppati sfruttando il paradigma Master-Slave che permette di distribuire il gravoso carico computazionale richiesto per risolvere questi problemi, riducendo notevolmente i tempi di calcolo. I risultati ottenuti in questa tesi mostrano come l’utilizzo del calcolo ad elevate prestazioni, unito alle tecniche di intelligenza computazionale, rappresenti una strategia efficace per la risoluzione di questi problemi, permettendo di effettuare analisi computazionali complesse richieste nelle scienze della vita.
Recent advances in several research fields of Life Sciences, such as Bioinformatics, Computational Biology and Medical Imaging, are generating huge amounts of data that require effective computational tools to be analyzed, while other disciplines, like Systems Biology, typically deal with mathematical models of biochemical networks, where issues related to the lack of quantitative parameters and the efficient description of the emergent dynamics must be faced. In these contexts, High-Performance Computing (HPC) infrastructures represent a fundamental means to tackle these problems, allowing for both real-time processing of data and fast simulations. In the latest years, the use of general-purpose many-core devices, such as Many Integrated Core coprocessors and Graphics Processing Units (GPUs), gained ground. The second ones, which are pervasive, relatively cheap and extremely efficient parallel many-core coprocessors capable of achieving tera-scale performance on common workstations, have been extensively exploited in the work presented in this thesis. Moreover, some of the problems described here require the application of Computational Intelligence (CI) methods. As a matter fact, the Parameter Estimation problem in Systems Biology, the Haplotype Assembly problem in Genome Analysis as well as the enhancement and segmentation of medical images characterized by a bimodal gray level intensity histogram can be viewed as optimization problems, which can be effectively addressed by relying on CI approaches. In the case of the Parameter Estimation problem, Evolutionary and Swarm Intelligence techniques were exploited and coupled with novel GPU-powered simulators-designed and developed in this thesis to execute both coarse-grained and fine-grained simulations-which were used to perform in a parallel fashion the biochemical simulations underlying the fitness functions required by these population-based approaches. The Haplotype Assembly and the enhancement of medical images problems were both addressed by means of Genetic Algorithms (GAs), which were shown to be very effective in solving combinatorial problems. Since the proposed approaches based on GAs are computationally demanding, a Master-Slave paradigm was exploited to distribute the workload, reducing the required running time. The overall results show that coupling HPC and CI techniques is advantageous to address these problems and speed up the computational analyses in these research fields.

L’analisi istologica riveste un ruolo fondamentale per la pianificazione di eventuali terapie mediche o chirurgiche, fornendo diagnosi sulla base dell’analisi di tessuti, o cellule, prelevati con biopsie o durante operazioni. Se fino ad alcuni anni fa l’analisi veniva fatta direttamente al microscopio, la sempre maggiore diffusione di fotocamere digitali accoppiate consente di operare anche su immagini digitali. Il presente lavoro di tesi ha riguardato lo studio e l’implementazione di un opportuno metodo di segmentazione automatica di immagini istopatologiche, avendo come riferimento esclusivamente ciò che viene visivamente percepito dall’operatore. L’obiettivo è stato quello di costituire uno strumento software semplice da utilizzare ed in grado di assistere l’istopatologo nell’identificazione di regioni percettivamente simili, presenti all’interno dell’immagine istologica, al fine di considerarle per una successiva analisi, oppure di escluderle. Il metodo sviluppato permette di analizzare una ampia varietà di immagini istologiche e di classificarne le regioni esclusivamente in base alla percezione visiva e senza sfruttare alcuna conoscenza a priori riguardante il tessuto biologico analizzato. Nella Tesi viene spiegato il procedimento logico seguito per la progettazione e la realizzazione dell’algoritmo, che ha portato all’adozione dello spazio colore Lab come dominio su cu cui calcolare gli istogrammi. Inoltre, si descrive come un metodo di classificazione non supervisionata utilizzi questi istogrammi per pervenire alla segmentazione delle immagini in classi corrispondenti alla percezione visiva dell’utente. Al fine di valutare l’efficacia dell’algoritmo è stato messo a punto un protocollo ed un sistema di validazione, che ha coinvolto 7 utenti, basato su un data set di 39 immagini, che comprendono una ampia varietà di tessuti biologici acquisiti da diversi dispositivi e a diversi ingrandimenti. Gli esperimenti confermano l’efficacia dell’algoritmo nella maggior parte dei casi, mettendo altresì in evidenza quelle tipologie di immagini in cui le prestazioni risultano non pienamente soddisfacenti.

Nell'ambito della Diagnostica per Immagini, l'imaging ibrido sta assumendo un ruolo fondamentale in molte applicazioni cliniche, tra cui oncologia, neurologia e cardiologia. La possibilità di integrare informazioni complementari, funzionali e morfologiche, in un'unica immagine, permette di valutare con estrema accuratezza varie tipologie di malattie, diminuendo i tempi di acquisizione e i disagi per i pazienti. La risonanza magnetica, in sostituzione alla TAC nel sistema integrato PET/TC, introduce notevoli vantaggi quali l'acquisizione simultanea dei dati, l'ottimo contrasto dei tessuti molli, l'assenza di radiazioni ionizzanti e la correzione degli artefatti da movimento; ciò migliora l'accuratezza delle immagini e, di conseguenza, il processo diagnostico. Nonostante sia un interessante strumento di diagnostica e l'apice dello sviluppo tecnologico in imaging nucleare, vi sono alcune problematiche che ne impediscono la diffusa adozione, tra cui le interferenze reciproche tra le due modalità, i costi elevati e ancora una ridotta pubblicazione di articoli al riguardo.

L'obiettivo di questo studio è quello di mettere in luce i diversi fattori che, negli ultimi anni, hanno portato ad un impiego sempre più diffuso della PET in ambito clinico, in Italia e all'estero. La recente integrazione delle informazioni funzionali della PET con le informazioni morfologiche di una TC, mediante tomografi ibridi PET/CT, ha radicalmente cambiato l’approccio alla stadiazione e al follow-up dei pazienti, rendendo questa tecnica una delle massime espressioni della moderna diagnostica per immagini, al giorno d'oggi utilizzata principalmente in campo oncologico. Nei primi capitoli, dopo un breve richiamo alla struttura della materia, ai concetti di radiazione e decadimento radioattivo, si analizzano le apparecchiature e i principi di funzionamento della tecnica PET/TC. Successivamente, nel capitolo 4 sono illustrati i diversi tipi di radiofarmaci e le loro applicazioni, con un’attenzione particolare al PSMA, impiegato principalmente nei tumori alla prostata, reni, tiroide e mammella. Proprio alla cura e alla diagnosi del tumore alla prostata è dedicato il capitolo 5, con un breve confronto tra l’ormai accreditata PET/CT con 18F-Colina e l’innovativa Ga-PSMA PET/CT. Nel capitolo 6 si prendono in considerazione le procedure e i protocolli da seguire durante un esame PET/TC, le misure di preparazione, prevenzione e le precauzioni che pazienti e personale sanitario devono osservare. Nel capitolo 7, infine, un breve cenno alle ultime innovazioni tecnologiche: imaging ibrido PET/MRI e fotomoltiplicatori SiPM. Le fonti bibliografiche citate constano principalmente di articoli in lingua inglese pubblicati sul portale PubMed. Parte della documentazione relativa alla progettazione dell'apparecchiatura PET/CT e al suo utilizzo è, invece, stata fornita da personale dell'arcispedale Santa Maria Nuova di Reggio Emilia.

I metodi di texture analysis al giorno d'oggi si basano prevalentemente su ROIs (regions of interest), il che può essere limitativo nel caso di malattie neurodegenerative come la malattia di Alzheimer. A tale proposito, in questa tesi si descrive un approccio voxelwise recentemente proposto in letteratura basato sulla tecnica chiamata VGLCM-TOP-3D, la quale mostra una migliore sensibilità ai cambiamenti tenui a livello di tessitura. Tramite uno studio multicenter è stata attuata una comparazione di affidabilità, confrontando tecnica ROI based con quella voxelwise. Infine, si è sfruttata la tecnica sulla malattia di Alzheimer, osservando soprattutto i cambiamenti di tessitura nel passaggio da mild cognitive impairmente a malattia di Alzheimer.

Il lavoro fornisce una ricostruzione anatomica tridimensionale dell'atrio sinistro in pazienti affetti da fibrillazione atriale. Le immagini utilizzate sono state acquisite in risonanza magnetica e, precisamente sono dati coronali di angio RM. L'elaborazione prevede una segmentazione dei dati e un'individuazione del contorno dell'area anatomica di interesse. Il risultato finale è l'interpolazione lungo l'asse z di acquisizione e una visualizzazione in tre dimensioni.

Oggigiorno, la mole di dati biomedicali eterogenei è in continua crescita grazie alle nuove tecniche di sensing e alle tecnologie ad high-throughput. Relativamente all'analisi di immagini biomedicali, i progressi relativi alle modalità di acquisizione di immagini agli esperimenti di imaging ad high-throughput stanno creando nuove sfide. Questo ingente complesso di informazioni può spesso sopraffare le capacità analitiche sia dei medici nei loro processi decisionali sia dei biologi nell'investigazione di sistemi biochimici complessi. In particolare, i metodi di imaging quantitativo forniscono informazioni scientificamente rilevanti per la predizione, la prognosi o la valutazione della risposta al trattamento, prendendo in considerazione anche approcci di radiomica. Pertanto, l'analisi computazionale di immagini medicali e biologiche svolge un ruolo chiave in applicazioni di radiologia e di laboratorio. A tal proposito, framework basati su tecniche avanzate di Machine Learning e Computational Intelligence permettono di migliorare significativamente i tradizionali approcci tradizionali di Image Processing e Pattern Recognition. Tuttavia, le tecniche convenzionali di Intelligenza Artificiale devono essere propriamente adattate alle sfide uniche imposte dai dati di imaging biomedicale. La presente tesi mira a proporre innovativi metodi assistiti da calcolatore per l'analisi di immagini biomedicali, da utilizzare anche come strumento per lo sviluppo di Sistemi di Supporto alle Decisioni Cliniche, tenendo sempre in considerazione la fattibilità delle soluzioni sviluppate. In primo luogo, sono descritti gli algoritmi classici di Image Processing realizzati, focalizzandosi sugli approcci basati su regioni e sulla morfologia matematica. Dopodiché, si introducono le tecniche di Pattern Recognition, applicando il clustering fuzzy non supervisionato e i modelli basati su grafi (i.e., Random Walker e Automi Cellulari) per l'elaborazione di dati multispettrali e multimodali di imaging medicale. In riferimento ai metodi di Computational Intelligence, viene presentato un innovativo framework evolutivo basato sugli Algoritmi Genetici per il miglioramento e la segmentazione di immagini medicali. Inoltre, è discussa la co-registrazione di immagini multimodali utilizzando Particle Swarm Optimization. Infine, si investigano le Deep Neural Network: (i) le capacità di generalizzazione delle Convolutional Neural Network nell'ambito della segmentazione di immagini medicali provenienti da studi multi-istituzionali vengono affrontate mediante la progettazione di un'architettura che integra blocchi di ricalibrazione delle feature, e (ii) la generazione di immagini medicali realistiche basata sulle Generative Adversarial Network è applicata per scopi di data augmentation. In conclusione, il fine ultimo di tali studi è quello di ottenere conoscenza clinicamente e biologicamente utile che possa guidare le diagnosi e le terapie differenziali, conducendo verso l'integrazione di dati biomedicali per la medicina personalizzata. Difatti, i metodi assistiti da calcolatore per l'analisi delle immagini biomedicali sono vantaggiosi sia per la definizione di biomarcatori basati sull'imaging sia per la medicina e biologia quantitativa.
Nowadays, the amount of heterogeneous biomedical data is increasing more and more thanks to novel sensing techniques and high-throughput technologies. In reference to biomedical image analysis, the advances in image acquisition modalities and high-throughput imaging experiments are creating new challenges. This huge information ensemble could overwhelm the analytic capabilities needed by physicians in their daily decision-making tasks as well as by biologists investigating complex biochemical systems. In particular, quantitative imaging methods convey scientifically and clinically relevant information in prediction, prognosis or treatment response assessment, by also considering radiomics approaches. Therefore, the computational analysis of medical and biological images plays a key role in radiology and laboratory applications. In this regard, frameworks based on advanced Machine Learning and Computational Intelligence can significantly improve traditional Image Processing and Pattern Recognition approaches. However, conventional Artificial Intelligence techniques must be tailored to address the unique challenges concerning biomedical imaging data. This thesis aims at proposing novel and advanced computer-assisted methods for biomedical image analysis, also as an instrument in the development of Clinical Decision Support Systems, by always keeping in mind the clinical feasibility of the developed solutions. The devised classical Image Processing algorithms, with particular interest to region-based and morphological approaches in biomedical image segmentation, are first described. Afterwards, Pattern Recognition techniques are introduced, applying unsupervised fuzzy clustering and graph-based models (i.e., Random Walker and Cellular Automata) to multispectral and multimodal medical imaging data processing. Taking into account Computational Intelligence, an evolutionary framework based on Genetic Algorithms for medical image enhancement and segmentation is presented. Moreover, multimodal image co-registration using Particle Swarm Optimization is discussed. Finally, Deep Neural Networks are investigated: (i) the generalization abilities of Convolutional Neural Networks in medical image segmentation for multi-institutional datasets are addressed by conceiving an architecture that integrates adaptive feature recalibration blocks, and (ii) the generation of realistic medical images based on Generative Adversarial Networks is applied to data augmentation purposes. In conclusion, the ultimate goal of these research studies is to gain clinically and biologically useful insights that can guide differential diagnosis and therapies, leading towards biomedical data integration for personalized medicine. As a matter of fact, the proposed computer-assisted bioimage analysis methods can be beneficial for the definition of imaging biomarkers, as well as for quantitative medicine and biology.