Appunti del corso - parte 1

Document information

University: Politecnico di Milano
Degree programme: Biomedical Engineering
Subject: Principi di Bioimmagini
Material language: Italian
Academic year: 2025-2026
Classification: Notes · By topic
Original format: PDF
Text: Searchable text

What's included in this study material

Study material for Principi di Bioimmagini, shared by the Studwiz community and reviewed by moderators.

Import quality: text was extracted directly from the original document.

Extracted content from the document

Representative passages recognised in different parts of the material. The full extracted text remains available to search, while this compact preview makes the page easier to read.

Page 1

PRINCIPI DI BIOIMMAGINI Dai Segnali alle Immagini: Un segnale è una sequenza di numeri ordinati (spesso nel tempo). Anche se molti segnali sono di natura analogica, per poterli analizzare con computer digitali vengono spesso campionati e poi elaborati utilizzando tecniche di elaborazione digitale dei segnali. Tali tecniche e trasformazioni mettono spesso in evidenza determinate caratteristiche di un segnale; ad esempio, la trasformata di Fourier (FT) enfatizza le informazioni di frequenza contenute in un segnale. Quando tutte le caratteristiche informative di un segnale sono estratte, le feature risultanti vengono presentate a un classificatore che valuta le prestazioni del sistema che genera il segnale. Immagini mediche: A differenza delle immagini fotografiche, in cui le fotocamere vengono utilizzate per catturare l’intensità della luce e/o il colore degli oggetti, ogni tecnologia medica utilizza un diverso insieme di proprietà fisiche dei tessuti viventi per generare un’immagine. Ad esempio, mentre la risonanza magnetica (MRI) si basa sulle proprietà magnetiche di un tessuto, la tomografia computerizzata (CT) si basa sull’interazione tra i raggi X e i tessuti biologici per formare un’immagine. In altre parole, nell’imaging medico vengono impiegati sensori di diverse proprietà fisiche dei materiali (inclusi intensità della luce e colore) per registrare informazioni anatomiche e funzionali sul tessuto in esame. Generazione ed Elaborazione di un’Immagine Biomedica: 1. Raccolta dei dati: i dati sono generati dall’interazione di una sorgente di energia con gli organismi viventi. 2. Ricostruzione: i dati acquisiti vengono trasformati in un’immagine. Da soli, infatti, non sono in una forma direttamente interpretabile; è quindi necessario un processo di ricostruzione per…

Page 5

Il contrasto dipende dalla densità dei protoni e dalle proprietà di rilassamento T1 e T2 dei tessuti. È possibile usare agenti di contrasto come il gadolinio per migliorare la differenziazione, sebbene possa accumularsi nel cervello. La MRI permette acquisizioni in tutte le direzioni nello spazio e anche analisi total body. La Risonanza Magnetica Funzionale (fMRI) utilizza le differenze tra sangue ossigenato e deossigenato per ottenere informazioni sull’attività cerebrale. 5. Energia Meccanica – Ecografia (Ultrasuoni – US) L’ecografia utilizza onde meccaniche (ultrasuoni) emesse tramite una sonda esterna contenente un cristallo piezoelettrico. La sonda invia impulsi ultrasonici e riceve le onde riflesse dai tessuti, generando l’immagine. È possibile variare il tipo di energia cambiando la sonda o usando sonde multifrequenza. Il contrasto può essere aumentato tramite microbolle, che migliorano la riflessione degli ultrasuoni e permettono di evidenziare meglio le strutture. 6.

Page 9

pixel), mentre immagini a bassa risoluzione (come SPECT e scintigrafia) utilizzano un numero inferiore di pixel per coprire lo stesso campo di vista (FOV). Le scelte dipendono comunque in modo significativo dall’applicazione specifica. N.B: la trasformata di Fourier dell’impulso è una linea retta orizzontale. Effetto di filtraggio passa-basso della MTF: più le frequenze sono alte e più vengono diminuite CONTRASTO L’obiettivo principale di un’immagine è permettere il riconoscimento di forme e strutture al suo interno. Per questo motivo, i pattern (cioè le strutture di interesse) devono essere chiaramente separati dallo sfondo. Affinché ciò avvenga, è necessario che i pattern presentino un buon contrasto rispetto al background, ovvero quella parte dell’immagine che non contiene informazioni utili. Il contrasto è quindi una caratteristica fondamentale per mettere in evidenza forme e strutture, e non riguarda l’aspetto spaziale dell’immagine, ma l’ampiezza (cioè le differenze di intensità o livelli di grigio). Una misura del contrasto può essere ottenuta selezionando, manualmente o automaticamente, una regione di interesse (ROI) all’interno della struttura da analizzare. Il livello di grigio all’interno della ROI (regione A) viene poi confrontato con quello dello sfondo (regione B). Una maggiore differenza di intensità tra ROI e background facilita il riconoscimento degli oggetti nell’immagine. Per questo motivo, molte tecniche di imaging prevedono l’utilizzo di mezzi di contrasto, che aumentano artificialmente questa differenza. Il confronto tra ROI e background avviene quindi in termini di: Il contrasto è un parametro misurabile che definisce la risoluzione della misura di una grandezza fisica rappresentata nell’immagine. In questo contesto, per “misura” si intende…

Page 13

OPERATORI PUNTUALI (TRASFORMAZIONI PIXEL A PIXEL) T viene chiamata operazione di elaborazione puntuale (point processing operation): 𝑔(𝑥, 𝑦) = 𝑇[𝑓(𝑥, 𝑦]𝑔(𝑥, 𝑦) = 𝑇[f(x,y)] dove g(x, y) rappresenta il valore del pixel dell’immagine elaborata e f(x, y) rappresenta il valore del pixel dell’immagine originale. Un’immagine è definita in: ma generalmente si considerano immagini quadrate (N=M). 8 I pixel possono assumere valori da 0 a 255, visto che vi sono 2 livelli di grigi. La trasformazione LOOK-UP-TABLE (LUT) è il tipo di operatore puntuale che associa a ciascun valore iniziale un valore leggermente modificato. In pratica, si applica una corrispondenza predefinita tra i livelli di intensità in ingresso e quelli in uscita. Le IMMAGINI NEGATIVE sono utili per evidenziare dettagli chiari presenti in aree scure dell’immagine o viceversa. Si ottengono sottraendo, pixel per pixel, il valore dell’intensità luminosa dal valore massimo possibile. Questa trasformazione è particolarmente utilizzata, ad esempio, nell’elaborazione delle mammografie. Le trasformazioni di THRESHOLDING (soglia) sono particolarmente utili nella segmentazione, poiché permettono di isolare un oggetto di interesse dallo sfondo. Tuttavia, questa operazione comporta una perdita di informazioni: i pixel con intensità sopra una certa soglia vengono assegnati al valore 1 (bianco), mentre quelli al di sotto assumono il valore 0 (nero). Questo tipo di trasformazione è spesso utilizzato per evidenziare i contorni delle strutture. La soglia deve essere stabilita in modo opportuno, poiché in base al suo valore i contorni risultano più o meno netti o sgranati. Per questo motivo, è comune utilizzare soglie regolabili, così da poter ottimizzare la precisione nel rilevamento dei bordi.

Page 18

Questo tipo di trasformazioni consente di adattare la mappa dei livelli di grigio in base alle esigenze specifiche dell’immagine. Le immagini mostrano, ad esempio, una trasformazione lineare di contrast stretching, utilizzata per aumentare il contrasto di un’immagine di scarsa qualità. Gray Level Slicing: Il Gray Level Slicing è una tecnica che mette in evidenza un intervallo specifico di livelli di grigio. È simile alla soglia (thresholding), ma con una differenza importante: gli altri livelli di grigio possono essere soppressi oppure mantenuti. Questa trasformazione è utile per evidenziare caratteristiche specifiche all’interno di un’immagine, rendendo più visibili determinate strutture o regioni di interesse.

Preview

First page of the document.