Preprocessing

Preprocessing

Il preprocessing delle immagini radiologiche è una fase cruciale che influisce sull’accuratezza e sull’affidabilità dell’estrazione delle features. Il preprocessing è essenziale per ridurre la variabilità e rendere le features radiomiche comparabili tra scansioni e pazienti diversi, soprattutto considerando le diverse modalità di imaging (ad esempio, PET, RM e TC). Il preprocessing delle immagini include diverse procedure, illustrate nei seguenti paragrafi. 

Normalizzazione e Standardizzazione

Nell’ambito del preprocessing delle immagini, normalizzazione e standardizzazione sono spesso confuse, ma si tratta di processi distinti. La normalizzazione (o scaling min-max) scala i dati a un intervallo specifico, come [0, 1] o [−1, 1], mentre la standardizzazione (o normalizzazione Z-score) adatta i dati a una media di 0 e una deviazione standard di 1, trasformandoli in una distribuzione normale, permettendo una migliore comprensione della distribuzione e della variabilità dei dati. 

• Normalizzazione. La normalizzazione comporta la divisione del valore di ciascun pixel per il valore massimo possibile per quel pixel (255 per un’immagine a 8 bit, 4095 per un’immagine a 12 bit e 65.535 per un’immagine a 16 bit). Ad esempio, le immagini TC sono principalmente codificate a 12 bit con 4095  livelli di grigio; normalizzare un’immagine TC comporta dividere ogni valore di pixel per 4095 per ottenere un intervallo compreso tra 0 e 1.
• Standardizzazione. La standardizzazione è particolarmente raccomandata nella RM, poiché, a differenza della TC, i valori di intensità di segnale (livelli di grigio dell’immagine) non sono valori assoluti direttamente confrontabili tra diversi esami. I metodi di normalizzazione influenzano l’estrazione delle features e la scelta del metodo dipende dalle caratteristiche del dataset e dal tipo di features desiderate.

Discretizzazione

La discretizzazione implica la modifica delle immagini per aderire a un formato o scala comune ed è cruciale per le scansioni RM, dove i valori di intensità possono variare significativamente tra diversi scanner o protocolli di scansione. La discretizzazione dei livelli di grigio consiste nella conversione dei valori di intensità continui (o di densità per la TC) in bin discreti, semplificando la distribuzione delle intensità e facilitando l’analisi delle texture. La discretizzazione coinvolge tre parametri chiave: l’intervallo dei dati, il numero di bin e la larghezza di ciascun bin, ma solo due possono essere controllati indipendentemente.

• Intervallo dei dati. L’intervallo è generalmente preservato dai dati originali, sebbene possa essere modificato in determinati contesti, ad esempio quando lo si confronta con un dataset di riferimento.
• Numero di bin. Il numero ottimale di bin è fondamentale, poiché pochi bin possono nascondere features, mentre troppi possono amplificare il rumore; trovare il giusto equilibrio dipende dai parametri di acquisizione dei dati e dal contenuto delle features. Fissare il numero di bin, come spesso accade nella RM, aiuta a normalizzare le intensità delle immagini e migliorare la riproducibilità tra campioni diversi.
• Larghezza o dimensione dei bin. Fissare la dimensione del bin, come spesso avviene nella PET, consente una relazione diretta tra i bin e la scala di intensità originale, facilitando il confronto di dati con intervalli diversi. 

Co-registrazione

La co-registrazione delle immagini è necessaria quando una singola maschera di segmentazione deve essere applicata a diversi set di immagini (ad esempio in esami con diverse fasi contrastografiche o sequenze di risonanza). Questo processo comporta l’allineamento di immagini acquisite in tempi diversi, da scanner o modalità di imaging diversi, a un sistema di coordinate comune. Negli studi di neuroimaging, la co-registrazione delle immagini può anche comportare l’allineamento delle immagini da diverse sequenze o modalità a un riferimento comune usando atlanti anatomici, come quello dell’Istituto Neurologico di Montreal, utilizzato per mappare la posizione delle strutture cerebrali indipendentemente dalle differenze individuali nelle dimensioni e nella forma del cervello.

Resampling

L’upsampling e il downsampling sono tecniche utilizzate per regolare la risoluzione delle immagini. In caso di uno spessore di fetta (slice) elevato (ad esempio, ≥5 mm), un upsampling elevato a una risoluzione molto fine (ad esempio, 1 × 1 × 1 mm³) potrebbe introdurre artefatti e imprecisioni. Invece, l’uso di tecniche di estrazione delle features 2D che garantiscono l’isotropia in-plane dei pixel può essere più appropriato. Al contrario, per l’estrazione di caratteristiche 3D, ottenere valori di voxel isotropi (cioè con la stessa dimensione nei tre assi dello spazio, per esempio voxel di 1 x 1 x 1 mm) è essenziale per garantire l’invarianza rotazionale delle features di texture.

Filtri e Miglioramento delle Immagini

I filtri ed il miglioramento delle immagini sono tecniche utilizzate per evidenziare features specifiche o per ridurre il rumore. Il filtraggio delle immagini può essere utilizzato prima dell’estrazione delle features come fase di preprocessing per evidenziare particolari proprietà dell’immagine. Ad esempio, la decomposizione wavelet utilizza filtri passa-basso per catturare componenti a bassa frequenza (strutture di base dell’immagine come colori e contrasti) e un filtro passa-alto per catturare componenti ad alta frequenza (dettagli fini, come i bordi). Inoltre, i filtri Laplaciano o Gaussiano, con valori di σ specifici, può migliorare i bordi e rendere le features più distintive.