Sviluppo di un framework in java per applicazioni di analisi automatica dei dati di qualità di immagine con architettura di tipo rete neurale

Introduzione

Lo scopo principale del processo di segmentazione è partizionare una immagine in regioni che risultino omogenee rispetto ad una o più caratteristiche o peculiarità. La segmentazione è uno strumento importante nell'image processing medico e risulta utile in molte applicazioni. Queste ultime includono il rilevamento del profilo delle coronarie negli angiogrammi, la quantificazione delle lesioni della sclerosi multipla, la simulazione e pianificazione di interventi, la misurazione del volume di tumori e la loro risposta alle terapie, la classificazione di cellule sanguigne, lo studio dello sviluppo del cervello, la scoperta di microcalcificazioni nonchè tumori nelle mammografie, ecc.
In letteratura le tecniche di segmentazione sono suddivise in classi:

- Manuali, semiautomatiche e automatiche.

- Pixel-based e region based.

- A delineazione manuale, segmentazione lowlevel e model based.

- Statistiche, fuzzy e a reti neuronali.

Le tecniche maggiormente usate possono essere classificate in due ampie categorie;
1) la segmentazione region-based che individua le regioni che soddisfano un dato criterio di omogeneità e
2) le segmentazione edge-based che ricerca i margini tra regioni con caratteristiche diverse.

Il Thresholding è un metodo molto comune di segmentazione region-based; in tale tecnica è scelto a priori un valore di "soglia" e l'immagine è divisa in gruppi di pixel con valori maggiori o uguali ad esso. Esempi di metodi di thresholding sono quelli basati sugli istogrammi dei livelli di grigio, su proprietà locali o ancora quelli di tipo dinamico.
Gli algoritmi di Clustering appartengono anch'essi alla segmentazione region-based e suddividono l'immagine in set o cluster di pixel che posseggono forti somiglianze. L'operazione di base è esaminare ogni pixel per poi assegnarlo al cluster che meglio rappresenta il valore del suo vettore caratteristico o la proprietà di interesse.

La Region Growing è un'altra classe appartenente alla classe degli algoritmi region-based che assegna a pixel o regioni adiacenti uno stesso segmento se i loro valori soddisfano un determinato criterio scelto in precedenza. La strategia degli algoritmi di segmentazione edge-based è, come già detto, quella di trovare i bordi dell'oggetto e segmentare le regioni racchiuse da essi. Tali algoritmi solitamente operano in funzione dell'ampiezza del margione e/o della fase dell'immagine prodotti precedentemente da un operatore gradiente.
Tradizionalmente, la maggior parte delle tecniche di segmentazione possono essere applicate ad un solo tipo di immagine, (MR, TC, PET, SPECT, ultrasuoni, ecc.), comunque le loro performance sono migliorabili combinando le immagini di uno stesso oggetto prodotte da fonti diverse (segmentazione multispectral).

Thresholding
Esistono svariate tecniche di thresholding: molte di esse sono basate sugli istogrammi dell'immagine ed altre su proprietà locali quali il valore della media o della deviazione standard o ancora del gradiente. L'approccio più intuitivo è tuttavia quello del global thresholding nel quale viene scelto un solo valore di soglia per l'intera immagine basandosi proprio sull'istogramma della stessa. Nel local thresholding invece la soglia viene scelta basandosi su proprietà locali come ad esempio il valore medio di grigio; infne nel dynamic o adaptive thresholding questa è selezionata indipendentemente per ogni pixel o gruppo di pixel.