• pattern recognition
• computer aided detection

Il lavoro oggetto di questa tesi consiste nello sviluppo di algoritmi per l’analisi automatica di immagini biomediche acquisite mediante Tomografia Assiale Computerizzata (TAC), con l’obiettivo di identificare le lesioni tumorali polmonari. In particolare sono stati sviluppati algoritmi paralleli efficienti in termini di tempo di esecuzione utilizzando le Graphical Processing Units (GPU ) attraverso la tecnologia CUDA (Compute Unified Device Architecture) di NVIDIA.
Il tumore polmonare è attualmente la maggiore causa di morte fra le patologie neoplastiche e la TAC si è dimostrata essere la tecnica più efficace per la diagnosi precoce di questa patologia, il cui segno radiologico principale consiste nella formazione di noduli polmonari non calcifici. Recenti studi del National Lung Screening Trial (U.S.) hanno dimostrato che lo screening della popolazione asintomatica considerata a rischio effettuato con la TAC spirale multislice toracica è in grado di ridurre la mortalità del 20% rispetto a uno screening effettuato con la radiografia.
Un esame TAC, specialmente se acquisito nella modalità a bassa dose e strato sottile come nel caso dello screening, è composto da molte (3-400) immagini bidimensionali molto rumorose che il radiologo deve analizzare attentamente alla ricerca di piccoli noduli. La grande mole di dati prodotta in una scansione TAC rende quindi la lettura delle immagini un compito lungo e gravoso per il radiologo. In letteratura è stato dimostrato che nella routine clinica molti noduli polmonari sono persi alla prima lettura.
Con queste premesse nasce l’esigenza di sviluppare uno strumento per affiancare il radiologo nel suo lavoro, che prende il nome di Computer Aided Detection (CAD).
In questo lavoro di tesi è descritto il sistema CAD per la ricerca automatica di noduli polmonari interni, sviluppato nell’ambito della collaborazione MAGIC-5 dell’INFN (Istituto Nazionale di Fisica Nucleare). Il CAD realizzato è costituito da tre moduli. Un primo modulo si occupa di isolare il volume polmonare dal resto dell’immagine utilizzando un processo basato su thresholding, region-growing e operatori morfologici.
Successivamente un secondo modulo si occupa di identificare i candidati noduli. Questi sono modellizzati come oggetti sferici di profilo gaussiano. La matrice tridimensionale dei dati viene analizzata con un algoritmo multiscala basato sugli autovalori della matrice hessiana associata all’immagine, ideato per discriminare fra oggetti ad alta sfericità ed oggetti planari o cilindrici. Un ultimo modulo si occupa della riduzione del numero dei falsi positivi presenti fra i candidati noduli. Questo avviene caratterizzando ogni voxel (volume pixel) di ciascuna regione di interesse con dei vettori di features che vengono analizzati da un classificatore di tipo Support Vector Machine.
In un contesto di screening della popolazione in cui vengono prodotte molte immagini, la velocità di esecuzione del CAD può diventare un fattore limitante. Inoltre il CAD ha dimostrato di essere utile e funzionante anche applicato ad analisi cliniche, dove è importante la velocità di risposta del sistema. Il lavoro descritto in questa tesi è consistito nell’utilizzo della tecnologia CUDA di NVIDIA per la programmazione su GPU con l’obiettivo di ridurre
i tempi di esecuzione del CAD.
Negli ultimi anni l’incremento delle prestazioni dei software dovuta al semplice aumento della capacità di elaborazione dei microprocessori ha rallentato la sua crescita. Le applicazioni che invece continuano ad avere incrementi di prestazioni sono i programmi paralleli, con i quali più processi cooperano a completare il lavoro in modo più rapido. L’industria dei semiconduttori si è quindi orientata verso lo sviluppo di due principali paradigmi di processori: le multi-core CPU (Central Processing Unit) e le many-core GPU (Graphical Processing Unit). Queste ultime sono progettate per eseguire computazioni intense e altamente parallele, e sono particolarmente adatte a risolvere problemi che possono essere espressi come calcoli paralleli sui dati: il dato viene partizionato e lo stesso programma viene eseguito in parallelo su tutti gli elementi.
In particolare, in questo lavoro di tesi, è stata studiata e realizzata una implementazione parallela dell’algoritmo di identificazione dei candidati noduli. Rispetto alle versioni precedentemente ottimizzate è stato possibile ottenere un guadagno temporale di un fattore 15, mantenendo invariate le performance di identificazione dei noduli.
Questi risultati dimostrano come l’utilizzo delle GPU apporti un contributo significativo nel campo dell’analisi delle immagini mediche e che ulteriori sforzi possono quindi essere fatti per completare l’implementazione di tutto il CAD su GPU.