endomicroscopia confocale ed esofago di barrett: diagnosi...
TRANSCRIPT
Endomicroscopia Confocale
ed Esofago di Barrett:
Diagnosi Computer-Assistita
E. Grisan1, E. Veronese1,G. Diamantis2, C. Trovato3, C. Crosta3, G. Battaglia2
1 Dipartimento di Ingegneria dell’Informazione, Università di Padova 2 Centro di Endoscopia Avanzata, Istituto Oncologico Veneto
3 Divisione di Endoscopia , Istituto Europeo di Oncologia
1. Premessa e Obiettivi
L’ Esofago di Barrett (BE) è una condizione in cui l'epitelio stratificato squamoso che normalmente riveste la parete dell'esofago viene sostituito da mucosa di tipo intestinale. E’ importante differenziarla dalla metaplasia gastrica, identificando la presenza di goblet cells, perché solo in questo caso è documentata una possibile evoluzione verso il cancro. Sono pertanto necessarie biopsie multiple per fare diagnosi di Barrett e scoprire focolai di iniziale trasformazione neoplastica. L’endomicroscopia confocale (CLE) garantisce un elevato rapporto di ingrandimento per l'osservazione della morfologia cellulare durante l'endoscopia, e consente la scelta di un piano focale fino a 250 mm. Tali capacità hanno fatto ipotizzare la possibilità di utilizzare l’endomicroscopia confocale come istologia virtuale real-time. Tuttavia una diagnosi basata su CLE dipende fortemente dall’esperienza dell’operatore: si possono avere grandi differenze, in termini di sensibilità e specificità, nella diagnosi di BE e di presenza di displasia (di basso o alto grado) o neoplasia.
Obiettivo: Identificare automaticamente la presenza di metaplasia intestinale (MI) da immagini di endomicroscopia confocale, fornendo un possibile strumento per aumentare la sensibilità e specificità degli esami effettuati con CLE.
8. Conclusioni Il metodo proposto: - è in grado di identificare automaticamente la presenza di Metaplasia
Intestinale su immagini di endomicroscopia confocale con elevata accuratezza.
- potenzialmente, migliorando la sensibilità e specificità degli esami CLE, potrebbe permettere di diminuire il numero di biopsie necessarie per la diagnosi di esofago di Barrett.
- può facilmente essere integrato in un sistema endoscopico per una elaborazione in tempo reale.
7. Risultati
Preprocessing e
Estrazione tessitura
5. Diagnosi computer-aided
3. Preprocessing
4. Analisi della tessitura
Entropia Soglia
Ogni sottoimmagine Ixy viene caratterizzata 1) Distribuzione dei livelli di grigio
momenti statistici dei livelli di grigio
2) Regioni chiare identificazione delle regioni con una intensità di grigio elevata
3) Tessitura: distribuzione dei livelli di grigio e loro organizzazione spaziale
Usando una procedura di validazione leave-one-out, il metodo proposto raggiunge una sensibilità di 98.85% nell’identificazione di metaplasia intestinale (MI), ed una specificità del 65.22%. Questo risultato è ottenuto con un semplice meccanismo di voto, in cui una immagine è classificata come di MI se la maggioranza delle sue sottoimmagini analizzate sono classificate come MI.
Classificazione
sottoimmagini Support Vector Machine (SVM)
MI MG
Classificazione
immagine
Attraverso l’analisi della curva ROC, variando la percentuale di sottoimmagini necessaria per classificare la MI, si può scegliere di spostare il punto di funzionamento, ottenendo un compromesso ottimo: sensibilità: 96.5% specificità: 95.6%, PPV: 99.6%.
6. Immagini Immagini di endomicroscopia confocale (EC-3870CIFK; Pentax, Tokyo, Japan) con le corrispondenti biopsie sono state ottenute da 29 pazienti consecutivi con diagnosi di BE sottoposti a sorveglianza endoscopica. Tra queste sono state selezionate 285 immagini di buona qualità (262 immagini con Metaplasia Intestinale e 23 con Metaplasia Gastrica). Le immagini hanno un campo di vista di 500x500 mm, con 1024x1024 pixel. Ogni immagine è stata divisa in 64 sottoimmagini quadrate per l’analisi.
2. Metodo proposto
Regioni da scartare
Regioni da analizzare
MI
N MI
N MG
> T
Numero di regioni MI
Numero di regioni MG
Non
analizzabile
MI MG
Preprocessing Analisi
Tessitura Classificazione sottoimmagini
Diagnosi immagine
1) Identificazione delle regioni analizzabili
2) Divisione in sottoimmagini
Estrazione caratteristiche di ogni regione
Classificazione di ogni regione con SVM
Classificazione dell’intera immagine basata sulle sue regioni
Diagnosi proposta