WSPOMAGANIE OBRAZOWEJ DIAGNOSTYKI

Transkrypt

1 WSPOMAGANIE OBRAZOWEJ DIAGNOSTYKI Adam Głowacz Techniki Obrazowania Medycznego

2 Plan prezentacji Wprowadzenie Systemy ACD i CAD Wstępne przetwarzanie obrazów Ekstrakcja cech Klasyfikacja Przykłady rozpoznawania obrazów w medycynie Podsumowanie i kierunki dalszych badań 2

3 Wprowadzenie (1) Co to jest obrazowa diagnostyka medyczna? Co jest wykorzystywane we Wspomaganiu obrazowej diagnostyki? Po co nam wspomaganie diagnostyki obrazowej? 3

4 Wprowadzenie (2) Obrazowa diagnostyka medyczna, inaczej diagnostyka obrazowa, bazuje przede wszystkim na symptomach pozyskanych w badaniach obrazowych, na podstawie danych obrazowych pochodzących z różnych systemów obrazowania medycznego. Skuteczna diagnostyka obrazowa zależy zarówno od jakości obrazowania medycznego, tj. metod akwizycji, rekonstrukcji i prezentacji obrazów, jak i od efektywności samego procesu diagnozy. 4

5 Wprowadzenie (3) Doskonalenie systemów obrazowania dokonuje się także dzięki wykorzystaniu nowoczesnych technologii komputerowych. Przykładowo, rekonstrukcja obrazów przestrzennych w tomografii komputerowej czy rezonansu magnetycznego w dużym stopniu zależy od jakości wykorzystanych algorytmów, mocy obliczeniowej i zasobów pamięciowych sprzętu komputerowego. 5

6 Wprowadzenie (4) Wspomaganie obrazowej diagnostyki wykorzystuje wiele metod analizy danych, algorytmów przetwarzania danych, detekcji i klasyfikacji informacji. Przykłady zastosowań wspomagania komputerowego w medycynie: inteligentne wspomaganie decyzji: diagnozy medyczne, zalecenia dodatkowych testów, decyzje w nagłych przypadkach; klasyfikacja struktur: rozpoznawanie symptomów, klasyfikacja stanu zdrowia, zachowań człowieka; 6

7 Wprowadzenie (5) kontrola: sprawdzanie dawek leków, możliwych interakcji leków, potencjalnych przeciwwskazań; planowanie: terapii, diety; sterowanie: urządzeń podtrzymujących funkcje życiowe, monitorowanie stanu pacjenta; analiza obrazów: rozpoznawanie i interpretacja obrazów z aparatury medycznej; prognozowanie: rozwoju choroby; selekcja cech: na co warto zwrócić uwagę; 7

8 Wprowadzenie (6) Detekcja zmian czy innych anormalności jest zwykle zadaniem ukierunkowanym na określony rodzaj patologii. Tak jest w badaniach przesiewowych, np. raka płuc, gdy poszukiwane są określone symptomy zmian chorobowych, a zadaniem radiologa jest detekcja wszystkich obszarów i cech podejrzanych w dużej masie wykonywanych badań. Przeglądane obrazy zawierają patologie w stosunkowo małym procencie (średnio 3-4 przypadki zmian rakowych na 1000). 8

9 Wprowadzenie (7) Zastosowanie technik komputerowych, śledzących określone, specyficzne cechy potencjalnych patologii i sygnalizujących obszary podejrzane z zadowalającą czułością, jest w tym przypadku bardzo pożądane. Wykryta zmiana opisywana jest za pomocą wielu cech, zaczynając od zmiany rozmiaru i kształtu, poprzez cechy obrazowe typu tekstura, średni poziom jasności, charakter krawędzi (zarys zmiany), kontrast lokalny, zróżnicowanie w stosunku do otoczenia. 9

10 Systemy ACD (1) Pierwsze metody komputerowej analizy obrazów medycznych opracowano już w latach 60. i 70. ubiegłego wieku. Optymistyczną wizją tych prac było zastąpienie radiologa przez komputer w detekcji podejrzanych zmian. Wizja ta wynikała w dużym stopniu z entuzjazmu towarzyszącemu rozwojowi nowych technik komputerowych. Chodziło o alternatywne w stosunku do radiologa podejmowanie decyzji diagnostycznych, czyli w pełni automatyczną, komputerową diagnozę (ACD automated computer diagnosis). Uzyskiwane wyniki nie przewyższały jednak ocen specjalistów pod względem trafności. 10

11 Systemy ACD (2) Uzyskiwane wskazania nie zawsze miały przewidywalny charakter, zależały od całej gamy nie do końca zdefiniowanych czynników. Entuzjazm towarzyszący tym pracom stopniowo malał, podobnie jak nadzieja związana z możliwościami zastąpienia człowieka przez komputer. Powodem był także, oprócz rozczarowania z ograniczonych efektów automatycznych diagnoz, także realny opór środowiska medycznego przed komputerowym zastępstwem. 11

12 Systemy CAD (1) Ograniczenia metod ACD wpłynęły na zmianę dominującej koncepcji wspomagania. Poprawę efektywności interpretacji badań uzyskano nie poprzez zastąpienie ocen radiologów wskazaniami narzędzi komputerowych, ale poprzez wyposażenie specjalistów w dodatkowe narzędzia, sugerujące zmiany podejrzane tj. odbiegające od normy anormalne, generujące różne formy podpowiedzi, wskazań pomocniczych. Daje to efekt jedynie komputerowego wspomagania pracy radiologów, nazywany ogólnie komputerowo wspomaganą diagnozą CAD (computer-aided diagnosis). 12

13 Systemy CAD (2) Charakterystyczne właściwości narzędzi CAD, które zdecydowały o ich przydatności w pracy diagnostycznej to: skuteczne przetwarzanie informacji o ograniczonym poziomie trudności - niezawodna analiza, służąca rozwiązaniu w sposób automatyczny podstawowych zagadnień dotyczących procesu diagnozy, np. określenie cech danych obrazowych, struktur z obliczeniem ich parametrów itp. 13

14 Systemy CAD (3) Dostarczając dodatkowych informacji, ukazując efekty obliczeniowych analiz, potencjalnie zwiększa się możliwości właściwej interpretacji. komputerowe podpowiedzi mają charakter uzupełniający prawidłowe interpretacje lekarzy, na zasadzie synergii kompetencji radiologów i możliwości komputerów. CAD znalazł zdecydowanie więcej potwierdzeń użyteczności klinicznej niż ACD, owocując rozwiązaniami komercyjnymi, np. w diagnostyce mammograficznej. 14

15 Systemy CAD (4) Gdyby nawet, wskutek stale udoskonalanych metod komputerowej obróbki obrazów, udało się uzyskać wyraźnie większą poprawność wskazań komputerów w stosunku do trafności decyzji radiologów, to i tak wykorzystanie tych wskazań przez radiologów, pozwoli osiągnąć jeszcze wyższą skuteczność diagnozy. 15

16 Systemy CAD (5) Komputerowo wspomagana diagnoza (CAD) na podstawie badań obrazowych oznacza podejmowanie decyzji diagnostycznych przez radiologa, który wykorzystuje efekty działania komputerowych narzędzi wspomagania. Narzędzia te mogą być stosowane na etapie analizy obrazów medycznych jako druga opinia w detekcji zmian, do opisu, oceny właściwości i interpretacji zaawansowania choroby. 16

17 System rozpoznawania obrazu Elementy systemu rozpoznawania obrazów: Wstępne przetwarzanie obrazu obejmuje akwizycje obrazu, przetwarzanie wstępne, poprawę jakości obrazu, np. eliminacja zakłóceń, poprawa kontrastu, filtracja itd., Ekstrakcja cech dotyczy segmentacji obrazu oraz wydzielania i opisu cech obiektów obrazu, np. detekcja brzegów i konturów, przetwarzanie morfologiczne, itd., Klasyfikacja - polega na rozpoznawaniu analizowanego obrazu. 17

18 Przykład systemu rozpoznawania obrazu (1) 18

19 Przykład systemu rozpoznawania obrazu (2) Ogólny schemat metod detekcji i klasyfikacji mikrozwapnień, przykład zaczerpnięty z programu MammoViewer 19

20 Wstępne przetwarzania obrazu (1) Wstępne przetwarzanie obrazu zawiera następujące operacje: filtracji, binaryzacji, transformacji pomiędzy przestrzeniami barw (RGB, grayscale, binary, indexed), wycinania obrazu, normalizacji obrazu. 20

21 Ekstrakcja cech (1) Ekstrakcja cech obrazu może zawierać następujące operacje: sumowanie pikseli w pionie i poziomie, transformacje dzięki, którym otrzymujemy końcowe wektory cech, wyliczenia pola i obwodu obiektu, wyznaczania liczby obiektów, wyznaczania centroidu, wyznaczania maksimów i minimów, wyznaczania przekroju obrazu. 21

22 Ekstrakcja cech (2) morfologiczne (erozja, dylatacja, otwarcie, zamknięcie, laplasjan morfologiczny, detekcja szczytów, detekcja masek defektów, morfologiczne wygładzanie), pogrubianie obiektów, szkieletyzacji, odejmowania obrazów, transformacje SHT (ang. Standard Hough Transform), FFT, DCT, NMF (ang. Nonnegative Matrix Factorization), kwadratowo-drzewowa dekompozycja obrazu, transformacje falkowe, tworzenia i wyrównywania histogramu. 22

23 Klasyfikacja (1) Końcowym etapem analizy obrazów może być klasyfikacja obiektów i ich interpretacja. Faza rozpoznawania obrazów zwykle nie wykorzystuje gotowych procedur analizy danych a wymaga raczej specjalizowanych, bardziej zaawansowanych metod analizy, np. bazujących na sztucznej inteligencji. 23

24 Klasyfikacja (2) Cechy zachowania inteligentnego: możliwość wnioskowania na podstawie zbioru różnych, nieskojarzonych ze sobą danych, zdolność do uczenia się na przykładach i zastosowania wiedzy w innych zadaniach analizy danych, zdolność rozpoznawania obiektów na podstawie niekompletnych danych. 24

25 Klasyfikacja (3) Wzorzec to zbiór cech, ściślej, wzorzec to wektor cech x=[x 1, x 2,, x N ]. Klasa wzorców to zbiór wzorców charakteryzujących się podobnymi wektorami cech. Klasy wzorców oznaczmy: w 1, w 2, w j gdzie indeks j jest numerem klasy. Klasyfikacja jest zadaniem polegającym na przyporządkowaniu wzorców do ich klas: X w 25

26 Klasyfikacja (4) Przestrzeń cech Przestrzeń klas w 1 Przyporządkowanie wiele do jednego w 2 w 3 26

27 Klasyfikacja (5) Przyporządkowanie x w powinno być bezbłędne dla jak największej liczby wzorców. Konkretne sformułowanie tego zadania zależy od stopnia posiadanej wiedzy (modelu) o rozkładzie statystycznym zbioru cech, jak również granicach klas. 27

28 Selekcja cech i ich własności (1) dyskryminacja - cechy powinny przyjmować znacząco różne wartości dla obiektów z różnych klas, np. średnica owocu jest dobrą cechą dla rozróżnienia wiśni i grejpfrutów, niezawodność - cechy powinny przyjmować podobne wartości dla wszystkich obiektów danej klasy, np. kolor jest zła cechą dla jabłek, 28

29 Selekcja cech i ich własności (2) niezależność - cechy wykorzystywane w danym systemie klasyfikacji powinny być nieskorelowane ze sobą, np. waga i wielkość owocu są cechami silnie skorelowanymi, mała liczba - złożoność systemu klasyfikacji rośnie szybko wraz z liczbą klasyfikowanych cech, np. należy eliminować cechy skorelowane. 29

30 Selekcja cech i ich własności (3) W praktyce testuje się wybrany intuicyjnie zbiór cech (wzorzec), którego rozmiar zostaje zredukowany do akceptowalnej wielkości. Selekcja cech może polegać na eliminacji cech o najgorszych właściwościach, przy zachowaniu wymaganej jakości systemu klasyfikacji. Badanie jakości klasyfikacji dla wszystkich możliwych kombinacji podzbioru n cech ze zbioru wszystkich N cech jest w praktyce zbyt kosztowne obliczeniowo dla dużych N. 30

31 Wybrane metody klasyfikacji Klasyfikator Nearest Mean Klasyfikator K-Nearest Neighbour Linowa Analiza Dyskriminacyjna Klasyfikator Bayesa Drzewa decyzyjne Sztuczne sieci neuronowe Algorytmy genetyczne Systemy rozmyte Ukryte modele Markowa 31

32 Klasyfikator NearestMean(1) Podczas etapu tworzenia wzorców do rozpoznawania otrzymywane są średnie wektory cech m 1, m 2,, m j (wzorce). Wektory te wyliczone są zgodnie ze wzorem. n 1 m j = x i n i= 1 gdzie: j jest numerem klasy wzorców, x i jest i-tym wektorem cech należącym do klasy wzorców w j, n jest liczbą wektorów cech, które należą do klasy wzorców w j. 32

33 Klasyfikator NearestMean(2) Czerwone koło, wzorzec powstały przez uśrednienie zbioru zielonych kół. 33

34 34 Klasyfikator NearestMean(3) Metryka Minkowskiego, to miara odległości między dwoma wektorami. Dla pary wektorów y = [y 1, y 2,, y n ], m j = [m 1, m 2,, m n ], wyraża się wzorem: Dla metryki Jacquarda i kosinusowej odległość wyraża się wzorami: r n i r y i m i d 1 1 ) ( ), ( = = m j y = = = = + = n i i i n i i n i i n i i i m y m y m y d ), ( j m y = = = = n i i n i i n i i i m y m y d ), ( j m y M, 2, 1, )), ( ( min = j w d j y m y j

35 Klasyfikator minimalnoodległościowy Klasyfikator minimalnoodległościowy sprawdza sie w zastosowaniach, w których odległość pomiędzy wzorcami klas jest duża w porównaniu z rozrzutem wzorców w klasie. Warunek ten jest jednak rzadko spełniany w praktyce chyba, że projektant systemu klasyfikacji zapewni spełnienie tego warunku. Zauważmy również, że klasyfikator minimalnoodległościowy wytwarza granice decyzyjne w postaci prostych i płaszczyzn, a nie wszystkie problemy klasyfikacji należą do rozdzielnych liniowo. 35

36 Naiwny Klasyfikator Bayesa(1) Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych (tu naiwność) Model prawdopodobieństwa można wyprowadzić korzystając z twierdzenia Bayesa. p( c j d ) = p( d c j ) p( d p( c ) j ) 36

37 Naiwny Klasyfikator Bayesa(2) Czy program się wykona? SL= [1; 2; 3; 2; 5; 6]; SW =[1; 1; 1.2; 1.2; 1.3; 1.2]; group = ['klasa1'; 'klasa1'; 'klasa1'; 'klasa2'; 'klasa2'; 'klasa2']; h1 = gscatter(sl,sw,group,'rb','v^',[],'off'); %klasyfikacja X=[1; 2; 3; 4; 5; 6]; Y =[1; 1; 1; 1.3; 1.4; 1.5]; nb = NaiveBayes.fit([SL SW], group) C = nb.predict([x,y]); hold on; gscatter(x,y,c,'rb','.',[ ],'off'); 37

38 Naiwny Klasyfikator Bayesa(3) 38

39 Naiwny Klasyfikator Bayesa(4) Czy program się wykona? SL= [1; 2; 3; 2; 5; 6]; SW =[1; 1; 1.2; 1.2; 1.2; 1.2]; group = ['klasa1'; 'klasa1'; 'klasa1'; 'klasa2'; 'klasa2'; 'klasa2']; h1 = gscatter(sl,sw,group,'rb','v^',[],'off'); %klasyfikacja X=[1; 2; 3; 4; 5; 6]; Y =[1; 1; 1; 1.3; 1.4; 1.5]; nb = NaiveBayes.fit([SL SW], group) C = nb.predict([x,y]); hold on; gscatter(x,y,c,'rb','.',[ ],'off'); 39

40 Naiwny Klasyfikator Bayesa(5) 40

41 Naiwny Klasyfikator Bayesa(6) Kiedy rzucamy dwa razy monetą, to wynik pierwszego rzutu w żadnym stopniu nie wpływa na wynik drugiego. Takie zdarzenia możemy nazwać zdarzeniami niezależnymi. Brak wpływu informacji o zajściu zdarzenia na prawdopodobieństwo drugiego jest istotą tak zwanej niezależności zdarzeń. Doświadczenia polegające na losowaniu ze zwracaniem oraz na oddawaniu kilku strzałów przez jednego strzelca uważamy za niezależne. 41

42 Naiwny Klasyfikator Bayesa(7) Nie pomylić klasyfikatora Bayesa z inną definicją niezależności. Niezależnymi nazywamy te spośród zmiennych, których wartość możemy zmieniać (zmienne manipulowane), podczas gdy zmienne zależne są jedynie mierzone lub rejestrowane. Rozróżnienie to wielu osobom wydaje się terminologicznie mylące, ponieważ, jak mówią studenci, wszystkie zmienne zależą od czegoś. 42

43 Naiwny Klasyfikator Bayesa(8) Jeśli wiemy, że kulek czerwonych jest 2 razy mniej niż zielonych (bo czerwonych jest 20 a zielonych 40) to prawdopodobieństwo tego, że kolejna (nowa) kulka będzie koloru zielonego jest dwa razy większe niż tego, że kulka będzie czerwona. Możemy napisać, że znane z góry prawdopodobieństwa: 43

44 Naiwny Klasyfikator Bayesa(9) Prawdopodobieństwo zielonych = liczba zielonych / liczba wszystkich kulek =40/60 Prawdopodobieństwo czerwonych = liczba czerwonych / liczba wszystkich kulek =20/60 44

45 Naiwny Klasyfikator Bayesa(10) Spróbujmy ustalić do której klasy należy kulka biała. Dokonujemy po prostu klasyfikacji kulki do jednej z dwóch klas: zielonych bądź czerwonych. Jeśli weźmiemy pod uwagę sąsiedztwo białej kulki takie jak zaznaczono, a więc do 4 najbliższych sąsiadów, to widzimy, że wśród nich są 3 kulki czerwone i 1 zielona. Obliczamy liczbę kulek w sąsiedztwie należących do danej klasy: zielonych bądź czerwonych z wzorów: 45

46 Naiwny Klasyfikator Bayesa(11) Kulka X jest zielona w swoim sąsiedztwie=1/40 Kulka X jest czerwona w swoim sąsiedztwie=3/20 Dlatego ostatecznie powiemy, że Prawdopodobieństwo, że kulka X jest zielona=prawdopodobieństwo kulki zielonej*prawdopodobieństwo, że kulka X jest zielona w swoim sąsiedztwie= (40/60)*(1/40)=1/60 46

47 Naiwny Klasyfikator Bayesa(12) Prawdopodobieństwo, że kulka X jest czerwona=prawdopodobieństwo kulki czerwonej*prawdopodobieństwo, że kulka X jest czerwona w swoim sąsiedztwie= (20/60)*(3/20)=1/20 Ostatecznie klasyfikujemy nową kulkę X do klasy kulek czerwonych, ponieważ ta klasa dostarcza nam większego prawdopodobieństwa posteriori. 47

48 Przykład 1 rozpoznawanie obrazu z zastosowaniem histogramu i NN Program napisany w Matlabie Histogram i klasyfikator Nearest Neighbour 48

49 Przykład 2 rozpoznawanie obrazu z zastosowaniem NMF i LDA (1) 49

50 Przykład 3 rozpoznawanie obrazu z zastosowaniem NMF,PCAi LDA (2) 50

51 Przykład 4 rozpoznawanie obrazu z zastosowaniem SOM (1) Zastosowano histogramy i SOM (ang. Selforganizing map) 51

52 Przykład 4 rozpoznawanie obrazu z zastosowaniem SOM (2) 52

53 Przykład 4 rozpoznawanie obrazu z zastosowaniem SOM (3) Histogram daje 256 wartości zatem do warstwy wejściowej było podłączonych 256 wejść, natomiast warstwa wyjściowa posiadała 100 wyjść z czego 4 były używane (ze względu na 4 wzorce). 53

54 Przykład 5 rozpoznawanie tęczówki oka Patentowany algorytm Daugmana 54

55 Przykład 6 rozpoznawanie tkanki mózgowia (1) 55

56 Przykład 6 rozpoznawanie tkanki mózgowia (2) Przykładowe wskazania wspomagające interpretację wczesnych badań udarowych, bazujące na analizie cech teksturowych tkanki mózgowia. Od lewej: wybrana warstwa badania wczesnego, automatyczne wskazanie obszarów podejrzanych (na zielono) oraz rozpoznanych obszarów hipodensyjnych (na czerwono). 56

57 Przykład 6 Wspomaganie diagnostyki udaru mózgu Segmentacja i wizualizacja 3D wybranych struktur mózgu, symptomów udaru Lokalizacja i segmentacja struktur potencjalnie udarowych (wskazówki z badania neurologicznego) Wizualizacja wczesnych symptomów udaru Automatyczne rozpoznanie obszarów hipodensyjnych Schematyzacja działań przedszpitalnych i szpitalnych dot. przypadków udaru Optymalizacja metod rekonstrukcji pod kątem diagnostyki udarowej 57

58 Przykład 7 Śródmiąższowe choroby płuc ocena zwłóknień Powstają na skutek uszkodzenia wyściółki pęcherzyków płucnych, co prowadzi do zapalenia i włóknienia śródmiąższu. Poszukiwanie cech teksturowych różnicujących obecność oraz stopień zaawansowania zmian włóknistych. 58

59 Przykład 8 MammoViewer(1) MammoViewer: 59

60 Przykład 8 MammoViewer(2) Wykryte klastry mikrozwapnień: (a) Oryginalny region wskazany przez radiologa (biały kontur). (b) Uwydatnione mikrozwapnienia. (c) Kształty wykrytych mikrozwapnień (czarne kontury). (d) Kształt klastra. 60

61 Przykład 8 MammoViewer(3) 61

62 Przykład 9 Wizualizacja i poprawa jakości badańbronchoskopowych 62

63 Przykład 10 Możliwości termografii w obrazowaniu zmian rakowych (1) 63

64 Przykład 10 Możliwości termografii w obrazowaniu zmian rakowych (2) 64

65 Przykład 11 Wspomaganie diagnostyki guzów nerki Tomografia CT guza Wilmsa prawej nerki u 13-miesięcznego pacjenta. Guz ma 11 cm średnicy. Powinniśmy posiadać dużą wiedzę jak szukany guz wygląda. 65

66 Przykład 12 Wspomaganie diagnostyki obrazów PET/MRI Zdjęcia mózgu PET/MRI Positron emission tomography/ Magnetic resonance imaging 66

67 Przykład 13 Wspomaganie diagnostyki obrazów PET/CT 67

68 Wspomaganie inne Wizualizacja i poprawa jakości badań bronchoskopowych Poprawa percepcji badań USG (sutek, tarczyca itp.) Segmentacja, wizualizacja wybranych struktur w USG (serce, wątroba itp.) Analiza dynamiki kontrastu w badaniach perfuzyjnych (USG, MRI itp.) Analiza badań termografii sutka Ocena złośliwości zmian w sonomammografii (USG piersi) Ocena złośliwości zmian w bronchoskopii 68

69 Przegląd rozwiązańkomercyjnych w mammografii (1) Powstało już kilka zaawansowanych technologicznie komercyjnych systemów detekcji zmian patologicznych w mammografii, m.in. ImageChecker firmy R2 Technology, SecondLook firmy icad, MammoReader firmy CADx, Mammex Mammo-CAD firmy Scanis, Kodak Mammography CAD System firmy Eastman Kodak, M-Vu Mammography CAD System firmy VuCOMP. 69

70 Przegląd rozwiązańkomercyjnych w mammografii (2) Testy systemu R2 ImageChecker przeprowadzone na dużej bazie badań wykazały, że jego czułość całkowita to ok. 90%. System ten zwiększa czułość radiologa o ok. 19.5% (od 3.2 do 3.8 schorzeń / 1000 badań). Czułość systemu icad SecondLook to 92-96%. Zwiększa czułość radiologa o ok. 21.2%. 70

71 Przegląd rozwiązańkomercyjnych w mammografii (3) 71

72 Systemy CAD w praktyce klinicznej W USA praktyka diagnozy ze wspomaganiem komputerowym jest już szeroko rozpowszechniona. W 2003 w USA działało ok stacji wspomagania detekcji. Około 25-30% (8 mln) badań przesiewowych było diagnozowanych przy pomocy systemów CAD. W 2004 powstały pierwsze systemy wspomagania diagnozy badań MRI (3TP ImagingScienses, CADimas breast MRI CAD, CADstream MRI) 72

73 Podsumowanie i kierunki dalszych badań(1) Wyzwania, stojące przed twórcami systemów CAD, są duże. Sukcesem są przede wszystkim rozwiązania komercyjne, klinicznie przydatne, coraz powszechniej stosowane. Wraz z rozwojem technologii teleinformatycznych powstają nowe możliwości aplikacji mobilnych, globalnych, rozproszonych. 73

74 Podsumowanie i kierunki dalszych badań(2) Rutyna doświadczonych specjalistów i brak doświadczenia młodych lekarzy, przyzwyczajenie, monotonia usypiająca czujne postrzeganie, zwyczajne zmęczenie, znużenie, zmniejszają skuteczność procedur medycznych. Celem komputerowego wspomagania diagnostyki obrazowej jest zapewnienie efektywnych narzędzi, które pozwolą w większym stopniu wykorzystać niezastąpiony potencjał specjalisty. 74

75 Podsumowanie i kierunki dalszych badań(3) Radiolog, oceniając badanie i formułując diagnozę, wykonuje bardzo trudne i złożone zadanie. Warto szukać odpowiedzi na pytania: jak przebiega proces analizy obrazu, w jakiej kolejności, na ile należy uwzględnić określony zestaw cech ogólnych i szczególnych, dlaczego pomijane są niektóre anormalności, co decyduje o nadinterpretacji konkretnej struktury, jak odróżnić zmianę złośliwą od łagodnej, gdzie postawić subiektywną granicę wzorca zmiany itp. 75

76 Podsumowanie i kierunki dalszych badań(4) Niezwykle ważna jest współpraca, wymiana doświadczeń, gromadzenie wzorców patologii w skali globalnej, wykorzystywanie najnowszych technologii szybkiego dostępu oraz wymiany danych obrazowych, wyszukiwanie po treści danych. 76

77 Podsumowanie i kierunki dalszych badań(5) Problem wymaga wysiłków i współpracy wielu ośrodków, integracji działań wyspecjalizowanych zespołów interdyscyplinarnych, wydobywania wiedzy rozproszonej w skali całego świata, zarówno medycznej, jak i technicznej. Potrzebne są referencyjne bazy danych statystycznie istotne i reprezentatywne, dostępność implementacji narzędzi z fazy badawczej, warunki realnej analizy porównawczej algorytmów, metod i koncepcji. 77

78 Podsumowanie i kierunki dalszych badań (6) Hologramy 3D organów 78

79 Dziękujębardzo za uwagę