1
RAPORT ŞTIINŢIFIC ŞI TEHNIC
Etapa III (Ianuarie-Decembrie 2016)
Titlu proiect: INFRASTRUCTURA DE SUPORT PENTRU DIAGNOSTIC IMAGISTIC INTELIGENT
Contractul de finanțare nr: 209/2014
Director: Prof. Univ. Dr. Cristin Constantin Vere
REZUMAT ETAPĂ:
A doua etapă a proiectului – Construirea modulelor de analiza si reconstructie – s-a întins
pe 12 luni (ianuarie‐decembrie 2016) şi a inclus sase activități: Includere pacienti, investigatii si
monitorizare (activitatea 3.1), Dezvoltarea modelului ANN (activitatea 3.2), Clasificare leziuni
(activitatea 3.3), Sistemul INDISIO (activitatea 3.4), Diseminare (activitatea 3.5) și Depunere patent
(activitatea 3.6).
În cadrul primei activități (activitatea 3.1), unitatea coordonatoare și partenerul medical SCJU
Craiova au continuat includerea în studiu a pacienților, acestora fiindu-le administrate VCE. A fost
dezvoltat modulul de inteligență artificială bazat pe rețele neuronale (ANN), conform activității 3.2.
Clasificatorul lezional (activitatea 3.3) a fost dezvoltat în colaborare cu Aptus Software SRL, partenerul
comercial, care a folosit imaginile obținute în urma investigațiilor pentru antrenarea sistemului ANN.
Din interacțiunea celor două, combinate cu interfața grafică și baza de date complexă deja dezvoltate, a
fost creat sistemul INDISIO într-o primă iterație, conform activității 3.4.
Au fost astfel obținute livrabilele corespunzătoare etapei: baza de date securizata cu filmele
WCE, clasificatorul ANN, modul procesare forma, analizor software WCE și aplicatia INDISIO (beta).
Rezultatele au fost diseminate (activitatea 3.5) prin publicarea unei monografii într-o editură
internațională și a unui articol într-o revistă indexată ISI. A fost trimis către OSIM o cerere de acordare
a unui brevet de invenție, conform activității 3.6.
A3.1 Includere pacienți, investigații si monitorizare
De la ultima raportare, au mai fost inclusi in studiu 17 pacienti. Toti cei 17 pacienti, ca si ceilalti 9
pacienti care au primit VCE au corespuns criteriilor de includere anterior stabilite. Patologia suspectata
a fost reprezentata de:
hemoragii gastro-intestinale obscure, oculte sau evidente;
anemie feriprivă de cauză necunoscută;
suspectarea bolii Crohn a intestinului subțire;
colita nedeterminată;
complicații refractare sau recurente ale tratamentului medicamentos anti-inflamator nesteroidian;
polipi în sindroame de polipoză;
suspectarea unor tumori ale intestinului subțire.
Caracteristicile celor nouă pacienți selectați pentru investigație sunt prezentate în tabelul de mai jos.
Nr. Varsta Simptomatologie Diagnostic de trimitere Rezultat VCE
1. 67 Dureri in etajul abdominal
inferior
Tranzit intestinal incetinit
(1 scaun la 2-3 zile)
Meteorism abdominal
Inapetenta
Neoplasm sigmoidian
operat
Reflux biliar in
cantitate moderata la
niv. Stomacului
2. 45 Dureri abdominale difuze
Greata
Ameteli
Hiperplazie nodulara
limfoida a intestinului
subtire
Angiodisplazie la niv.
duodenului proximal
Multiple formatiuni
nodulare submucoase
la niv. jejunal si ileal
2
3. 43 Dureri epigastrice
Meteorism abdominal
Scadere ponderala
Sindrom de scadere
ponderala
Telangiectazie la niv.
duodenului proximal
4. 80 Durere la niv.
hipocondrului drept
Scadere ponderala
Astenie fizica
Sindrom anemic Angiodisplazie
duodenala
Polip jejunal pediculat
5. 80 Scadere ponderala
Inapetenta
Astenie fizica
Anemie feripriva Petesii jejunale
6. 52 Astenie fizica
Ameteli
Anemie hipocroma
microcitara
Fara leziuni la niv.
intestinului subtire
7. 74 Dureri in etajul abdominal
inferior
Tranzit intestinal accelerat
(3-4 scaune/zi)
Meteorism abdominal
Inapetenta
Sindrom anemic Zona de eritem la
nivel jejunal fara urme
de sangerare
Mucoasa modificata
cu pierderea
arhitecturii normale,
cu multiple zone
hiperemice si urme de
sangerare la nivelul
ileonului terminal
8. 71 Dureri abdominale difuze
Rectoragii
Ameteli
Astenie fizica marcata
Anemie feripriva Ulceratie superficiala
la nivelul duodenului
proximal, la nivel
jejunal si la niv.
Ileonului distal
9. 35 Scaune diareice
Meteorism abdominal
Scadere ponderala
Sindrom de scadere
ponderala
Angiectazie la niv.
Duodenului distal
10. 74 Incetinirea tranzitului
intestinal
Dureri abdominale difuze
Scadere ponderala
Inapetenta
Sindrom anemic Fara leziuni la niv.
Intestinului subtire
11. 72 Scadere ponderala
Inapetenta
Dureri in fosa iliaca stanga
Alternanta diaree-
constipatie
Sindrom anemic Urme de sangerare la
niv. stomacului
12. 53 Dureri in epigastru si la
niv. Hipocondrului drept
Astenie fizica
Anemie feripriva Formatiune protruziva
cu mucoasa de
acoperire usor
hiperemica dupa valva
ileo-cecala
13. 19 Rectoragii
Astenie fizica
Hemoragie digestiva
inferioara
Anemie feripriva
Fara leziuni la niv.
Intestinului subtire
14. 24 Astenie fizica marcata
Ameteli
Cefalee
Scaune melenice
Sindrom anemic Telangiectazie
3
15. 58 Astenie fizica
Fatigabilitate
Ameteli
rectoragii
Anemie feripriva severa Angiodisplazii
colonice
16. 63 Scaune diareice cu mucus
Scadere ponderala
Meteorism abdominal
Sindrom de scadere
ponderala
Fara leziuni la nivelul
intestinului subtire
17. 69 Ameteli
Astenie fizica
Dureri epigastrice
Meteorism abdominal
Inapetenta
hematochezie
Anemie feripriva Angiodisplazii
jejunale
18. 78 Rectoragii
Tranzit intestinal incetinit
Inapetenta
Scadere ponderala
Sindrom anemic Fara leziuni la nivelul
intestinului subtire
19. 58 Durere epigastrica
Inapetenta
Astenie fizica
ameteli
Anemie microcitara
hipocroma
Fara leziuni la nivelul
intestinului subtire
20. 86 Astenie fizica
Ameteli
Anemie feripriva Angiodisplazie la niv.
Jejunului proximal
Diverticul ileal
21. 58 Ameteli
Astenie fizica marcata
Scadere ponderala
inapetenta
Anemie feripriva severa Diverticuloza colonica
22. 62 Astenie fizica marcata
Tranzit intestinal incetinit
Dureri in etajul abdominal
inferior
Anemie feripriva Fara leziuni la nivelul
intestinului subtire
23. 66 Astenie fizica marcata
Ameteli
Scadere ponderala
inapetenta
Sindrom anemic sever Angiodisplazii
gastrice, intestinale si
colonice
24. 43 Astenie fizica marcata
Ameteli
Meteorism abdominal
Anemie feripriva Fara leziuni la nivelul
intestinului subtire
25. 44 Ameteli
Astenie fizica
Cefalee
Dureri la niv. HD
Anemie feripriva Petesii la niv.
Duodenal si ileal
Polip semipediculat
ileal
Posibil polip sesil
colon
Zona de hiperemie
colon
Formatiune tumorala
colon/rest alimentar
26. 77 hematochezie Sindrom anemic sever Hemoragie digestiva
cu sediu ileal
4
Inainte de administrarea VCE, toti pacientii au fost investigati prin tehnicile conventionale de
evaluare, respectiv endoscopie digestiva superioara si inferioara, acestea fiind neconcludente pentru
patologia suspectata. De asemenea, toti pacientii au primit un formular de consimțământ informat
(Anexa 1). Nici un pacient dintre cei care au primit VCE nu a avut efecte adverse sau complicatii.
Cele mai frecvente simptome intalnite la pacientii inclusi in lotul de cercetare sunt reprezentate de:
dureri abdominale;
tulburari ale tranzitului intestinal;
meteorism abdominal;
inapetenta;
scadere ponderala;
ameteli;
astenie fizica;
rectoragii.
Cea mai frecventa patologie intalnita la pacientii care au primit VCE a fost reprezentata de
telangiectazii, acestea fiind urmate de polipi si diverticuli, un singur pacient a avut hemoragie ileala, iar
8 pacienti nu au avut nici o patologie a intestinului subtire.
Nu au fost înregistrate dificultăți tehnice, iar calitatea înregistrărilor a fost apreciată ca fiind
bună de către personalul medical implicat în stabilirea diagnosticului. Pacienții vor fi monitorizați în
continuare la intervale de 3 luni, pe parcursul primului an.
Am folosit sistemul computerizat pentru a se genera rezultate folosind aplicația INDISIO.
A3.2 Dezvoltarea modelului ANN
Schema generală a unei reţele neuronale artificiale
Metoda de clasificare bazată pe reţele neuronale este consacrată în teoria recunoaşterii formelor,
întrucât se inspiră din modul de învăţare specific uman. O reţea neuronală artificială este caracterizată
prin existenţa a cel puţin două niveluri ( un nivel de intrare şi un nivel de ieşire), caz în care această reţea
simplificată poartă denumirea de perceptron. Totuşi, pentru a mări expresivitatea reţelei, trebuie luat în
considerare şi un al treilea nivel, numit „ascuns”, caz în care arhitectura devine cea a unui perceptron
multininvel (se pot implementa unul sau mai multe niveluri ascunse).Metoda de clasificare bazată pe
reţele neuronale depăşeşte ca şi performanţă şi putere de expresie alte metode clasice, precum metoda
bayesiană de recunoaştere, sau metoda bazată pe discriminanţi liniari, care limiteaza abordarea la cazul
unui set de date ce respecta distributia normala sau care pot fi separate printr-un plan liniar. Astfel,
conform celor afirmate de Kolmogorov, orice funcţie f se poate exprima prin intermediul unei reţele
wkj
wji
……… ym-1 ym
y3 y2 y1
……….
.
……….
x1 x2 xn
Hidden ascuns (j)
Nivel intrare (i)
Nivel ieşire (k)
zr z2 z1
Bias unit
wj0
5
neuronale cu trei niveluri, având un număr suficient de mare de unităţi ascunse. Există două operaţii de
bază care se pot realiza în legatură cu o reţea neuronală, cărora le corespund algoritmi specifici:
Operaţia de clasificare, Feedforward: reţeaua fiind antrenată, deci cunoscându-se valorile ponderilor
w, dându-se valori cunoscute x la intrare, se calculează valorile corespunzătoare ieşirilor z
Operaţia de Backpropagation, care este operaţia de antrenare a reţelei neuronale, constând în
determinarea valorilor ponderilor w, pe baza unui set de valori de intrare ale căror ieşiri aşteptate, t, se
cunosc.
Reţelele Bayesiene
Metoda Retelelor Bayesiene de Incredere este potrivită pentru stabilirea influentelor cauzale între
trăsături, aceasta construind o retea de dependente, reprezentată ca un graf orientat aciclic (Directed
Acyclic Graph – DAG). In acest graf, nodurile reprezintă trăsăturile analizate, iar arcele corespund
influentelor cauzale între trăsături, acestora asociindu-li-se valorile probabilitatilor conditionate
corespunzătoare unei anumite dependente.
Fiind dat un nod X, se poate distinge între multimea parintilor sai, reprezentata prin P , respectiv
multimea fiilor sai, reprezentata prin C. Valorile lui X depind, prin probabilitati conditionate, de valorile
parintilor si influenteaza valorile fiilor. Probabilitatile asociate unui anumit nod X reprezintă
probabilitătile asociate valorilor posibile ale acestei variabile, deci X=(x1, x2,...), relativ la valorile e ale
celorlalte noduri din retea. Expresia matematica a acestor probabilitati este redată mai jos:
)|()|()|( PC exPxePexP
In formula de mai sus, eP reprezintă valorile părintilor lui X, iar eC sunt valorile asociate fiilor lui X.
Stabilirea valorilor probabilitatilor asociate nodurilor din reteaua Bayesiană se face pe baza unui
algoritm ce implementează un mecanism complex de inferente.
In cazul de fata, Retelele Bayesiene de Incredere vor fi utilizate pentru stabilirea influentelor dintre
trăsături (atribute) si parametrul clasă, pentru stabilirea dependentelor ce există între trăsături, pentru
determinarea densităţii de probabilitate a fiecărei trăsături relativ la parametrul clasă, şi a intervalelor
specifice de variaţie ale acestora .
A3.3 Clasificare leziuni
Modelul imagistic textural
Definirea Modelului Imagistic Textural
Astfel, modelul imagistic textural consta in multimea trasaturilor texturale relevante pentru o
afectiune data, respectiv in valorile statistice, specifice asociate acestor trasaturi.
Pentru a defini modelul imagistic textural pornim de la un spatiu initial al trasaturilor texturale
potential relevante, determinate prin metode specifice de analiza a texturii,
urmarind sa transpunem acest set de trasaturi intr-o reprezentare cat mai adecvata, astfel incat acestea
sa conduca la o acuratete de recunoastere cat mai buna. Avem in vedere, in aceast scop, urmatoarele
demersuri:
Transpunerea spatiului initial de trasaturi intr-o reprezentare
adecvata, care sa evidentieze caracteristici ale acestor trasaturi, precum varianta sau capacitatea lor de a
separa intre clase; vom folosi, pentru realizarea acestui obiectiv, metode de extragere a trasaturilor,
precum Metoda Analizei Componentelor Principale (PCA), metodele Analizei Discriminantilor Liniari
(LDA), respectiv a Analizei Discriminantilor Multipli (MDA).
Selectia acelor trasaturi ce pot fi considerate relevante pentru
procesul de clasificare (separarea trasaturilor relevante de cele nerelevante), prin metode specifice
selectiei trasaturilor;
Aceste demersuri sunt ilustrate formal în:
adecvatamaiceareareprezentainrelevantetexturaleortrasaturilsubspatiulF ,R
F
}; _relevante_potential_texturale{Trasaturi F
niifF ,..,1}{
6
Ambele demersuri implica utilizarea metodelor destinate reducerii dimensionalitatii datelor,
pentru a obtine setul final de trasaturi, FR, atasat modelului imagistic textural, conform expresiei (97):
Acestor trasaturi le vom asocia valori specifice, precum valoarea medie, deviatia standard,
distributia de probabilitate, precum şi o masura a relevantei fiecarui atribut. Modelul imagistic textural
rezultat va avea reprezentarea formală descrisă în (98):
Definirea relevantei atributelor si a sub-seturilor de atribute
Un atribut sau un subset de attribute este considerat relevant in ceea ce priveste capacitatea sa
de separare intre clase, deci in ceea ce priveste acuratetea operatiei de clasificare, daca eliminarea lui
conduce la scaderea acuratetei de clasificare; un atribut sau un subset de atribute este considerat
nerelevant (non-relevant) pentru separarea dintre clase, daca prin eliminarea lui acuratetea clasificarii
ramane neschimbata sau creste. Relevanta atributelor poate fi puternica sau slaba, dupa cum urmeaza:
Relevanta puternica:
)(}){\(,,___ SASSAArelevanteputernicatributeSet
unde )(S reprezintă o măsură a performanţei de caracterizare a unui anumit obiect, sau a unei anumite
clase, la care conduce setul de atribute S, de exemplu performanţa unui anumit clasificator care primeşte
la intrare setul de atribute S.
Astfel, un atribut A este considerat a fi puternic relevant, dacă eliminarea sa din setul de atribute
S conduce la scăderea performanţei de caracterizare, prin intermediul setului de atribute S, a obiectului
sau a clasei în discuţie.
Relevanta slaba:
)'(})'\{(..')(}){\(,,___ SASiaSSsiSASSAArelevanteslabatributeSet
Un atribut A este considerat a fi slab relevant, dacă există cel puţin un subset S’ al întregului set
de atribute S, astfel incât eliminarea sa din setul de atribute S’ conduce la scăderea performanţei de
caracterizare, prin intermediul subsetului S’, a obiectului sau a clasei în discuţie.
Non-relevanta atributelor:
)'(})'\{(,',,__ SASSSSAAenerelevantatributeSet
Un atribut A este considerat nerelevant dacă eliminarea sa din orice subset de atribute S’ al lui
S atrage după sine scăderea performanţei de caracterizare prin intermediul setului de atribute S.
Definirea redondantei atributelor si a sub-seturilor de attribute
Un atribut, facand parte dintr-un set de attribute, este considerat redondant in ceea ce
priveste capacitatea de separare intre clase a setului de atribute, daca prin eliminarea lui acuratetea
clasificarii ramane neschimbata [10].
)(}){\(,,__ SASSASAAredondanteatributeSet
În scopul identificării atributelor redondante, în [10] se defineşte pătura Markov a unei trăsături
Fl în felul următor:
Definiţie: Fiind dată o trăsătură Fl, fie FM l ( ll MF ). Ml se numeşte pătura Markov a lui Fl
dacă are loc relaţia:
}],tan,,[Re|{ ateprobabilitdeaDistributidardsDeviatiaMedialevantarf
V
rf
VTM
)(_ReR
F
};_relevante_texturale{trasaturi R
F
FlitatiiDimensionaducerea
7
)|,(),|,( lllllll MCFMFPMFCFMFP
unde P este probabilitatea de recunoaştere a clasei C.
Astfel, dacă în setul de trăsături F putem găsi o pătură Markov Ml pentru trăsătura Fl, putem
elimina trăsătura Fl din F fără a afecta acurateţea de recunoaştere a clasei C. Pătura Markov Ml este
formată din acele trăsături care pot înlocui trăsătura Fl. Deseori, echivalenţa dintre trăsături se măsoară
folosind coeficientul de corelaţie (e.g. corelaţia Pearson), iar pătura Markov a unei trăsături este formată
din acele trăsături care au cel mai mare grad de corelaţie cu trăsătura considerată. Vom folosi, deci,
metoda regresiei pentru a măsura gradul de corelaţie dintre trăsături, determinând diferite tipuri de
corelaţie: liniară, logaritmică, pătratică, cubică, inversă. Vom elimina acele variabile dependente pentru
care indicele de corelaţie cu variabila independentă este suficient de mare (mai mare decât un anumit
prag).
Implementarea Modelului Imagistic Textural
Paşii necesari generării modelului imagistic textural
In vederea construirii modelului imagistic textural, este necesara, mai intai, o faza de generare
a modelului, constand din urmatorii pasi: analiza imaginii si invatare, aceasta fiind urmata de o faza de
validare a modelului.
Intr-o etapa premergatoare, sunt construite clasele de imagini ce vor fi supuse analizei si
invatarii, pentru o afectiune data, acestea constituind setul de antrenament. Clasele vor contine un numar
egal de imagini.
In timpul etapei de analiza a imaginii, se realizează determinarea trasaturilor imagistice
texturale, prin aplicarea metodelor specifice analizei texturii, descrise in cele ce urmeaza.
In timpul etapei de invatare a modelului, este determinata relevanta trasaturilor in ceea ce
priveste separatia intre clase, utilizand metode specifice, precum modelarea densitatii de probabilitate
prin mixturi de distributii gaussiene, metode specifice selecţiei trăsăturilor de tip filtru sau wrapper,
metoda retelelor Bayesiene, arbori de decizie, metoda masinilor cu vectori suport, dar si meta-
clasificatori, precum Ada-Boost. Metoda regresiei, precum si alte metode specifice, sunt utilizate pentru
a determina corelaţiile dintre trasaturi, in scopul stabilirii unui set final de trasaturi relevante
independente.
Apoi, trasaturile imagistice sunt analizate, stabilindu-se valori statistice specifice acestora,
precum media valorilor, deviatia standard a acestora – acestea fiind calculate pentru un numar suficient
de mare de cazuri din setul de antrenament. Parmetrul relevanţă este determinat in functie de metoda
utilizata pentru selectia trasaturilor. În cadrul aceleiaşi etape, se are în vedere transpunerea reprezentării
trăsăturilor texturale într-un spaţiu de dimensiuni reduse, punându-se totodată în evidenţă proprietăţi ale
datelor precum capacitatea acestora de a separa între clase, respectiv principalele moduri de variaţie ale
datelor. În acest scop, se vor folosi metode de extragerea trăsăturilor precum Analiza Componentelor
Principale, Analiza Discriminanţilor Liniari, respectiv Analiza Discriminanţilor Multipli.
In faza de validare a modelului, se face determinarea acuratetei clasificatorilor aplicati pe un
set de imagini de test, diferit de setul de invatare. La intrarile clasificatorilor sunt furnizate trasaturile
relevante determinate in cadrul etapei de analiza ca fiind parte a modelului imagistic textural. Se
evalueaza, prin parametri specifici (rata de recunoastere, specificitate, senzitivitate, suprafata de sub
curba ROC) acuratetea recunoasterii automate in fiecare caz, pentru clasificatori de categorii diferite,
iar rezultatele se compara cu cele obtinute in cazul aplicarii clasificatorilor, utilizand la intrare intreg
setul initial de trasaturi. Daca acuratetea obtinuta nu este satisfacatoare, se fac demersuri pentru
imbunatatirea modelului imagistic textural, atat prin perfectionarea la nivelul formarii setului de
antrenament, cat si la nivelul metodelor de analiza a imaginii, respectiv al celor destinate selectiei
trasaturilor relevante.
8
Etapele necesare construirii modelului imagistic textural
Construirea setului de antrenament
Aspectele care trebuie luate in considerare pentru construirea setului de antrenament, sunt
urmatoarele:
DA
Generarea Modelul Imagistic
I. Selectia imaginilor pentru
formarea setului de antrenament
Analiza imaginii
Faza de invatare
Determinare trasaturilor
imagistice prin metode
de analiza a texturii
Validarea modelului
Aplicarea clasificatorilor
pe trasaturile relevante
Evaluarea performantei
clasificarii
Aplicarea metodelor
destinate reducerii
dimesionalitatii datelor
Determinarea valorilor
specifice asociate
trasaturilor relevante si a
distrib.de probabilitate
Acuratete
satisfacatoare
Utilizare model in
diagnoza automata /
asistata de calculator
NU
9
a. Formarea claselor - se refera la tipurile de clase care trebuie luate in
considerare pentru formarea setului de antrenament, care sa conduca la un proces de
recunoastere robust, prin considerarea tuturor situatiilor posibile intr-un context dat,
precum si la numarul de instante care trebuie considerate, respectiv la varietatea
elementelor considerate pentru fiecare clasa (este necesara luarea in considerare a tuturor
aspectelor si micilor variatii care apar in interiorul fiecarei clase), in scopul obtinerii unui
grad maxim de acuratete al procesului de recunoastere.
b. Selectia modelului – se refera la aspectele ce trebuie luate in considerare pentru a deosebi
clasele intre ele, la trasaturile ce trebuie extrase din elementele setului de antrenament asa
incat acestea sa fie caracteristice claselor analizate si sa poata realiza, prin valorile lor, o
separare a acestora.
c. Eliminarea zgomotului prezent in datele de antrenament – in termeni generali, zgomotul
se defineste ca fiind orice proprietate a acestor date nespecifica pentru clasele analizate,
care se datoreaza unor factori nespecifici sau neprevazuti si care conduce la erori in
procesul de recunoastere.
d. Luarea in considerare a cunostintelor a-priori – se refera la aspectele deja cunoscute ce
privesc situatia analizata, care pot imbunatati atat formarea claselor si procesul de alegere
a setului initial de trasaturi, cat si insusi procesul de clasificare, simplificandu-l sau
marindu-i gradul de acuratete.
In cazul nostru, aceste aspecte au fost tratate dupa cum urmeaza:
a. Formarea (construirea) claselor necesare analizei
Clasele luate in considerare pentru formarea setului de antrenament se vor constitui din:
Instante reprezentative pentru maladia analizata, constand in regiuni ale imaginilor
endoscopice ce reprezinta tesutul afectat de acea maladie – formand clasa de tesut
bolnav.
Instante reprezentative pentru tesutul neafectat de maladie constand in regiuni de
interes selectate in zona de tesut sanatos, formand clasa tesutului sanatos.
Instante reprezentative pentru starea tesutului pe care se dezvolta formatiunea
analizata.
Instante reprezentative pentru alte maladii sau formatiuni anatomopatologice, cu care
ar putea fi confundata maladia sau formatiunea considerata
Va exista, astfel, un set de antrenament (invatare), utilizat in etapele de analiza a imaginilor si
invatare, respectiv un set de test, diferit de setul de invatare, dar avand aceeasi structura, utilizat in faza
de validare. Instantele utilizate in setul de invatare, si apoi in cel de testare, vor corespunde unor cazuri
de diagnostic confirmat sau infirmat printr-o procedura medicala sigura. Se va urmari, de asemenea,
eliminarea redondantei datelor de intrare, prin considerarea unor date cat mai variate, intre care nu exista
corelatii. Astfel, se vor considera imagini ce reprezinta o anumita clasa, dar care apartin unei game
variate de pacienti, anume unui numar cat mai mare de pacienti. In ceea ce priveste numarul de instante
care trebuie considerate pentru fiecare clasa, acesta trebuie sa fie suficient de mare pentru a surprinde
toate tipurile posibile de variatii pentru clasa respectiva, conducand astfel la un rezultat de incredere, de
acuratete maxima, atat in ceea ce priveste selectia trasaturilor relevante, cat si in ceea ce priveste
diagnoza automata. Asa cum rezulta din realizarile anterioare facute in domeniu, acest numar trebuie sa
fie de ordinul sutelor, chiar al miilor. Cercetarile indica faptul ca pentru a obtine un rezultat de incredere,
numarul elemenetelor din setul de antrenament trebuie sa fie mai mare sau egal cu n*10, unde n este
numarul trasaturilor utilizate in clasificare.
Structura aplicatiei
Arhitectura sistemului software propus rezulta din diagrama de mai jos. Distingem trei
componente:
Baza de date continand imagini endoscopice si parametrii modelului imagistic textural
pentru fiecare afectiune
10
Interfata de comunicare directa cu baza de date pentru inserarea imaginilor medicale
Aplicatia software propriu-zisa pentru construirea si utilizarea modelului imagistic
Structura aplicaţiei software de generare a modelului imagistic textural
Asa cum rezulta din figura de mai sus, sistemul software consta din trei module, corespunzatoare
invatarii modelului imagistic, utilizarii acestuia si diagnozei automate, prin intermediul unui clasificator
specializat. Modulul destinat construirii modelului imagistic apeleaza trei sub-module – cel destinat
extragerii trasaturilor imagistice, cel destinat selectiei trasaturilor relevante, respectiv cel destinat
invatarii valorilor specifice modelului imagistic si antrenarii clasificatorului. Modelul imagistic textural,
constând în setul de trăsături relevante pentru caracterizarea unei anumite afecţiuni, precum şi în valorile
specifice asociate trăsăturilor relevante, este salvat în baza de date. Validarea modelului imagistic se
face prin utilizarea modulului de clasificare automata. Modulele destinate clasificarii automate si
segmentarii formatiunilor de interes utilizeaza trasaturile relevante ale modelului imagistic textural,
stocate in baza de date. Modulul destinat segmentarii utilizeaza sub-modulul destinat calculului
trasaturilor imagistice intr-o faza preliminara, respectiv cel destinat clasificarii automate intr-o faza
avansata.
Interfata aplicatiei software este adecvata functionalitatii acesteia, respectiv structurii de module
si sub-module. Exista urmatoarele meniuri: cel destinat determinarii trasaturilor imagistice individuale,
cel destinat construirii modelului imagistic, cel incluzand utilizarea modelului imagistic in mod
interactiv, stabilirea automata a diagnosticului, respectiv optiunea de segmentare.
Sub-
Modul:
Calculul
trasaturil
or
imagistic
e
Sub-Modul:
Selectia
trasaturilor
imagistice
relevante
Sub-Modul:
Calculul
valorilor
caracteristice
ale trasaturilor
relevante
Modul:
Clasificar
e
Automata
Baza de Date
Model Imagistic
Modul:
invatare si
validare model
imagistic
Modul: Utilizare
model imagistic
Sub-Modul:
Vizualizare set
de trasaturi
relevante si
valori
caracteristice
Sub-
Modul:
Validare
model
Modul:
Segmentare
11
Astfel, utilizatorul poate selecta o regiune de interes în interiorul formaţiunii anatomice analizate,
având posibilitatea, ulterior, de a vizualiza atât valorile trăsăturilor texturale, cât şi efectul aplicării
metodelor bazate pe textură asupra imaginii.
Metodologia de lucru:
Se va construi modelul imagistic textural al formatiunilor analizate, in maniera offline, pentru
determinarea trasaturilor relevante in ceea ce priveste diferentierea in imagini endoscopice a
formatiunilor de interes (telangiectazii, polipi). Faza online va consta in determinarea efectiva a
prezentei formatiunii de interes, respectiv localizarea acesteia, in cadrul curent al filmului generat
de catre videocapsula endoscopica. In faza online, va exista o etapa preliminara de determinare a
cadrelor de interes (in care prezenta formatiunilor analizate este probabila), aceste cadre urmand sa
fie supuse unei analize ulterioare, daca este necesar. Analiza ulterioara va consta in aplicarea unui
clasificator anternat cu valorile trasaturilor relevante din setul de antrenament. Pasii acestei
metodologii sunt descrisi in ceea ce urmeaza:
1. Se constituie un set de imagini de invatare (antrenament) continand clase (grupuri) separate
pentru formatiunile care se doresc a fi analizate. Se selecteaza regiuni de interes in jurul acestora.
2. Eliminarea zgomotelor si artefactelor se realizeaza prin metode de binarizare cu prag adaptiv,
respectiv prin aplicarea unor filtre de netezire (median, medie aritmetica, gaussian).
3. Se aplica metode de analiza a texturii asupra regiunilor de interes marcate anterior. Aceste
metode sunt selectate in functie de cunostintele a-priori existente in legatura cu aspectul in
imagini endoscopice al formatiunile anatomo-patologice analizate. Astfel, se utilizeaza cu
preponderenta atat statistici referitoare la culori (media, deviatia standard, histograme), cat si
matrici de coocurenta ale nivelurilor de gri, respectiv matrici de coocurenta generalizate, de
ordin superior, statistici bazate pe trasaturi de tip Laws', dar si alte trasaturi, in scopul cresterii
acuratetei de recunoastere. Avem in vedere si includerea unor trasaturi referitoare la forma 2D
a obiectelor, precum elongatia sau factorul de subtiere.
4. Pe baza parametrilor texturali rezultati la 2., se genereaza modelul imagistic textural pentru
fiecare afectiune (formatiune) considerata.
5. Segmentarea in cadrul unei imagini (frame) a formatiunii cautate se realizeaza, in faza online,
in modul urmator:
5.1. Se imparte imaginea in blocuri.
5.2. Se determina in mod preliminar (cu o anumita probabilitate) prezenta sau absenta
in blocul curent a formatiunilor cautate, in functie de cunostintele a-priori existente
referitor la aceste formatiuni (nuante mai accentuate de rosu in cazul telangiectaziilor,
proprietati de simetrie in cazul polipilor, diferente fata de regiunile invecinate, respectiv
proprietati referitoare la forma, in ambele cazuri), asa cum rezulta si diin imaginile
ilustrate in Figura 7. Blocul respectiv va fi supus ulterior unor analize mai detaliate, daca
este cazul.
5.3. Pentru fiecare bloc selectat la pasul anterior, se determina trasaturile texturale relevante
pentru formatiunea cautata, conform modelului imagistic textural.
5.4. Daca valorile acestor trasaturi sunt apropiate de cele cunoscute pentru formatiunea
respectiva (polip sau telangiectazie), atunci acest bloc este marcat. Pentru imbunatatirea
gradului de acuratete, se va aplica un clasificator supervizat, antrenat cu valorile
trasaturilor imagistice relevante, determinate pe baza imaginilor din setul de antrenament.
Acest clasificator va fi de tipul Masinilor cu Vectori Suport (SVM) sau al arborilor
decizionali, avandu-se in vedere si viteza de raspuns a acestuia [13].
12
a. b. c.
Formatiuni de interes in imaginile endoscopice: (a.) , (b.) Telangiectazii intestinale; (c.) Polip intestinal
Astfel, pasii 1,2,3 si 4 apartin fazei offline, iar pasul 5 se realizeaza in faza online. In ceea ce priveste
pasul 5, se are in vedere imbunatatirea vitezei de executie, fara a face insa compromisuri semnificative
in ceea ce priveste acuratetea. In scopul obtinerii unor performante optime, atat in ceea ce priveste
acuratetea, cat si viteza de executie, se ia in considerare si posibilitatea inversarii ordinii pasilor 5.2.,
5.3., 5.4., sau chiar a renuntarii la una dintre aceste etape. Pentru imbunatatirea acuratetei metodelor de
segmentare, se ia in considerare si utilizarea unor metode de grupare (clustering) simple, de tipul k-
means clustering.
A3.4 Sistemul INDISIO
Principalele functionalitati implementate ca extensii fata de setul initial de functionalitati ale aplicatiei
INDISIO, efectuate pe parcursul anului 2016, sunt urmatoarele:
Adaugare ordonare in lista de pacienti si liste predefinite;
Atasare nota aditionala pentru entitati relationate la lista pacientilor;
Atasare antet header medical pentru analize medicale;
Nomenclator nou unitati de masura;
Posibilitatea de defalcare a analizelor medicale in sesiuni;
Continuat dezvoltarea de facilitati dinamice ale pacientilor;
Atasat campuri aditional pentru diagnosticare;
Adaugat date predefinite in sectiunea diagnostice;
Adauga pagina de profil si schimbare parola;
Adaugat facilitati de publicare pe serverele de test;
Ca atare, setul actualizat de functionalitati ale sistemului INDISIO, accesate prin intermediul unui
set de ecrane corespunzatoare grupelor principale de functionalitati, este prezentat dupa cum
urmeaza:
1. Autorizare
Sistemul este prevazut cu o accesare autorizata, customizata pe baza de cont si parola.
A fost dezvoltat si un segment de customizare pe roluri prin care utilizatorii proiectului Indisio urmeaza
sa aibe un acces personalizat in functie de drepturile acordate de catre administratorii sistemului.
13
Pagina principala
Aplicatia este impartita in urmatoarele segmente de operativitate:
- Operational
In acest sector utilizatorul poate sa acceseze intreaga baza de date a pacientilor cu toate
facilitatile oferite pe fisa unui pacient;
- Administrare
Sector permis doar administratorilor de sistem. Aici pot fi stabilite criterii de functionare al
sistemului, pot fi administrate diverse liste predefinite (nomenclatoare) prin care
introducerea/completarea datelor in fisa unui pacient este standardizata si totodata mai facila;
- Ajutor
Acest sector va fi dezvoltat in ultim pas si va reprezenta un ajutor online pentru utilizatorii de
sistem in care se va explica fiecare sectiune a programului.
2. Administrare
Este sectorul de administrare al sistemului.
3. Medical
Cuprinde zone de nomenclatoare utilizate in fisa pacientului, reprezentand un segment semnificativ al
proiectului. In cadrul acesta se stabilesc liste predefinite ce provoaca o obligatiune de completare date
in mod automat sau prin selectie pe standarde stabilite de catre administratorul aplicatiei.
4. Antet analize
Aici se definesc gruparile dupa care analizele medicale vor fi afisate in fisa unui pacient. Orice analiza
medicala trebuie sa se poata atasa la o grupare existenta.
Aceasta sectiune pune la dispozitie operatiuni de tip CRUD (Retrageri, adaugari, editari stergeri de date),
iar modificarile sunt propagate in timp real in fisele pacientilor.
5. Analize medicale
In acest nomenclator se definesc acele analize ce dorim sa le afisam pe fisa pacientului grupate de antet
analize. Astfel, este in controlul administratorilor sa hotarasca la orice moment daca pe viitor, fisa
pacientilor va reflecta o noua analiza medicala, sau va dispare una – fara sa mai fie nevoie de un
programator care sa reflecteze aceste modificari in cod.
Aceasta sectiune pune la dispozitie operatiuni de tip CRUD (Retrageri, adaugari, editari stergeri de date),
iar modificarile sunt propagate in timp real in fisele pacientilor.
14
6. Antecedente
In acest nomenclator se definesc acele antecedente ce dorim sa le afisam pe fisa pacientului. Astfel, este
in controlul administratorilor sa hotarasca la orice moment daca pe viitor, fisa pacientilor va reflecta un
nou antecedent, sau va dispare unul – fara sa mai fie nevoie de un programator care sa reflecteze aceste
modificari in cod.
Aceasta sectiune pune la dispozitie operatiuni de tip CRUD (Retrageri, adaugari, editari stergeri de date),
iar modificarile sunt propagate in timp real in fisele pacientilor.
7. Comportament
In acest nomenclator se definesc acele comportamentele ce dorim sa le afisam pe fisa pacientului. Astfel,
este in controlul administratorilor sa hotarasca la orice moment daca pe viitor, fisa pacientilor va reflecta
un nou comportament, sau va dispare unul – fara sa mai fie nevoie de un programator care sa reflecteze
aceste modificari in cod.
Aceasta sectiune pune la dispozitie operatiuni de tip CRUD (Retrageri, adaugari, editari stergeri de date),
iar modificarile sunt propagate in timp real in fisele pacientilor.
8. Diagnostic
In acest nomenclator se definesc acele diagnosticele ce dorim sa le afisam pe fisa pacientului. Astfel,
este in controlul administratorilor sa hotarasca la orice moment daca pe viitor, fisa pacientilor va reflecta
un nou diagnostic, sau va dispare unul – fara sa mai fie nevoie de un programator care sa reflecteze
aceste modificari in cod.
Aceasta sectiune pune la dispozitie operatiuni de tip CRUD (Retrageri, adaugari, editari stergeri de date),
iar modificarile sunt propagate in timp real in fisele pacientilor.
15
9. Simptomatologie
In acest nomenclator se definesc acele simptomatologii ce dorim sa le afisam pe fisa pacientului. Astfel,
este in controlul administratorilor sa hotarasca la orice moment daca pe viitor, fisa pacientilor va reflecta
o noua simtomatologie, sau va dispare una – fara sa mai fie nevoie de un programator care sa reflecteze
aceste modificari in cod.
Aceasta sectiune pune la dispozitie operatiuni de tip CRUD (Retrageri, adaugari, editari stergeri de date),
iar modificarile sunt propagate in timp real in fisele pacientilor.
10. Unitati de masura
In aceasta sectiune se face declaratia tuturor unitatilor de masura cu care sistemul stie si poate sa lucreze.
Astfel, este in controlul administratorilor sa hotarasca la orice moment daca pe viitor, sistemul va
reflecta o noua unitate de masura, sau va dispare una – fara sa mai fie nevoie de un programator care sa
reflecteze aceste modificari in cod.
Aceasta sectiune pune la dispozitie operatiuni de tip CRUD (Retrageri, adaugari, editari stergeri de date),
iar modificarile sunt propagate in timp real in fisele pacientilor.
11. Setting
Prin aceasta functionalitate se inregistreaza toate variabilele cu ajutorul carora putem stabilii indicatii
asupra modului de functionare al sistemului. Aceste inregistrari nu se sterg, nu se adauga – ele pot fi
doar actualizate, iar acest lucru trebuie facut doar de catre administratorii sistemului.
12. Storage
Prin aceasta functionalitate se definesc cai dinamice, atat locale cat si in retea, ce vor fi cumulate de
catre sistem si folosita ca o singura unitate de stocare pentru toate nevoile sistemului cu privire la stocare
(filme, poze etc). La momentul in care este necesara o incarcare de tip media in sistem, aplicatia consulta
lista elementelor de stocare, determina cine indeplineste conditiile de mai jos si decide sa incarce la
aceasta locatie:
- Daca este activa sau nu;
- Daca are suficient spatiu ramas in quota fara de ce urmeaza a fi incarcat;
- Este un path accesibil la acel moment de catre sistem;
16
13. Operatori sistem
In acest segment se administreaza operatorii care au drept de acces in aplicatie. Pentru intrarea in
aplicatie operatorul trebuie sa introduca un cont si o parola pentru acces.
Fiecare utilizator poate fi administrat prin a se stabili daca acesta este un cont activ sau nu. Astfel, unui
operator ii poate fi interzis accesul in aplicatie fara ca contul acestuia sa fie sters. La momentul in care
administratorul de sistem considera ca un utilizator poate fi reactivat, acest lucru se face prin accesarea
meniului ‘Facilitati’ al operatorului in cauza.
In fisa unui operator poate fi stabilit si rolurile care sunt atasate acestuia. In functie de rolurile obtinute,
activitatea utilizatorului va fi reglementata in cadrul aplicatiei Indisio.
14. Setari
Prin aceasta functionalitate se poate administra functionarea intregului proiect prin modificarea
variabilelor. Acest segment trebuie sa fie accesat doar de catre un administrator de sistem, ce intelege
fiecare setare in parte si poate face o modificare in concordanta cu asteptarile sistemului Indisio.
15. Operational
17
In sistemul operational al proiectului Indisio se pot efectua cautari in intreaga baza de date a pacientilor
precum si accesarea/completarea de date pe fisele pacientilor rezultate.
La acest moment cautarea in baza de date a pacientilor se face dupa nume, cnp, sex si/sau provenienta
(Rural/Urban). Sistemul va pune la dispozitie o lista cu pacientii ce se incadreaza in criteriile de cautare.
Daca nu este specificat nici un criteriu de cautare, sistemul intelege sa afiseze intreaga baza de date
inregistrata.
Fisa fiecarui pacient poate fi accesata prin meniul ‘Facilitati’ aferent fiecarui pacient in parte.
Fisa unui pacient este gandita pe segmente. In vederea optimizarii sistemului datele segmentelor nu este
retrasa din baza de date decat la decolapsarea unui segment dorit. In acel moment, sistemul va popula
doar si numai aceste date.
16. Informatii aditionale
Aceasta sectiune suporta informatii generale despre client. Aceste date sunt editabile. Dupa completarea
datelor dorite se apasa pe butonul ‘Salveaza date aditionale’ pentru comiterea acestor date in baza de
date Indisio.
18
17. Contact
Aceasta sectiune suporta informatii despre mediul de provenienta al pacientului precum si datele oferite
spre contact. Dupa completarea datelor dorite se apasa pe butonul ‘Salveaza date aditionale’ pentru
comiterea acestor date in baza de date Indisio.
18. Diagnostic
In aceasta sectiune se administreaza diversele diagnostice propuse de catre operatorii sistemului. Pentru
fiecare diagnostic in parte sistemul va inregistra data la care acesta a fost propus precum si o nota libera
spre completare de catre operatorii sistemului ce arunca o lumina suplimentare cu privire la diagnostic.
Sistemul ofera posibilitatea definirii unui nou diagnostic fara sa fie nevoie de iesirea din fisa pacientului.
Aceasta inregistrare va fi salvata in nomenclatorul de diagnostice si ulterior disponibil la alte completari
de diagnostic pe orice fisa pacient.
19. Vizite
In aceasta sectiune se administreaza diversele vize efectuate de catre pacient. Pentru fiecare vizita in
parte sistemul va inregistra data la care acesta a fost propus precum si o nota libera spre completare de
catre operatorii sistemului ce arunca o lumina suplimentare cu privire la vizita.
20. Simptomatologie
In aceasta sectiune se administreaza diversele simptomatologii propuse de catre operatorii sistemului.
Pentru fiecare simptomatologie in parte sistemul va inregistra data la care acesta a fost propus precum
si o nota libera spre completare de catre operatorii sistemului ce arunca o lumina suplimentare cu privire
la simptomatologie.
Sistemul ofera posibilitatea definirii unei noi simptomatologii fara sa fie nevoie de iesirea din fisa
pacientului. Aceasta inregistrare va fi salvata in nomenclatorul de simptomatologii si ulterior disponibil
la alte completari pe orice fisa pacient.
19
21. Antecedente
In aceasta sectiune se administreaza diversele antecedente propuse de catre operatorii sistemului. Pentru
fiecare antecedent in parte sistemul va inregistra data la care acesta a fost propus precum si o nota libera
spre completare de catre operatorii sistemului ce arunca o lumina suplimentare cu privire la antecedente.
Sistemul ofera posibilitatea definirii unui noi antecedent fara sa fie nevoie de iesirea din fisa pacientului.
Aceasta inregistrare va fi salvata in nomenclatorul de antecedente si ulterior disponibil la alte completari
pe orice fisa pacient.
22. Comportamente
In aceasta sectiune se administreaza diversele comportamente propuse de catre operatorii sistemului.
Pentru fiecare comportament in parte sistemul va inregistra data la care acesta a fost propus precum si
o nota libera spre completare de catre operatorii sistemului ce arunca o lumina suplimentare cu privire
la comportamente.
Sistemul ofera posibilitatea definirii unui noi comportament fara sa fie nevoie de iesirea din fisa
pacientului. Aceasta inregistrare va fi salvata in nomenclatorul de comportamente si ulterior disponibil
la alte completari pe orice fisa pacient.
23. Analize
Analizele sunt grupate in fisa unui pacient pe vizite. Astfel, la fiecare vizita a unui pacient in acest sens
poate suporta o colectie de analize realizate la acel moment. Pentru a inregistra analizele unui pacient
primul pas inseamna definirea unei noi sesiuni de analize.
Urmatorul pas presupune accesare sedintei noi create pentru a seta analizele dorite, meniul spre accesare
fiind ‘Detaliu’
20
La accesarea meniului de detaliu, sistemul genereaza dinamic grupele de analize medicale stabilite de
catre administratorii sistemului. Executand click pe aceste butoane, va solicita sistemului generarea unui
formular cu toate analizele medicale ce sunt atasate grupei respective.
Se completeaza datele, in format numeric, pentru fiecare analiza in parte pentru care avem rezultate.
Completarea tuturor analizelor nu este obligatorie. Odata ce completarea fiecarui segment de analize a
fost terminat se comite datele completate prin click pe butonul ‘Actualizeaza analizele medicale’.
Nota: Daca se trece intr-un alt segment de analize fara sa se apese butonul mai sus mentionat, datele
completate nu vor fi salvate in sistem, deci vor fi pierdute.
La o accesare ulterioara a fisei pacientului, sectiunea analize – gruparile de analize ce au date in aceste
vor fi marcate distinct fata de cele goale prin schimbarea culorii butonului de grupare in rosu (Vezi
gruparea ‘HLG’ in screenshotul de mai sus. Astfel, un operator primeste o informatie rapida de
completare date.
24. Sesiuni
Ultimul sectiune din fisa unui pacient este ‘Sesiuni media’. In acest sectiune se pot incarca fisiere variate
mediat (filme, poze) etc pe fisa unui pacient. Sistemul va analiza nomenclatorul ‘Storage’, gaseste o cale
libera, activa si cu suficient spatiu de stocare, unde aceste informatii vor fi incarcate, iar pe fisa
pacientului va fi salvata informatia ca a fost incarcat acest continut media.
La fel ca si analize, sesiunile pe media reprezinta o grupare de unul sau mai multe fisier, deci o sesiune
trebuie definita inainte.
21
Odata ce a fost completata descrierea scurta a sesiuni ce urmeaza sa fie incarcata, se salveaza in baza de
date prin accesarea butonului ‘Genereaza o noua sesiune’.
Daca salvarea a fost efectuata cu succes, sistemul ofera un buton ‘Incarca sesiune’
In acest pas fisierele disponibile spre incarcare vor fi analizate de catre sistem sa fie permise doar cele
indicate de catre administratorii sistemului in sectiunea de setari.
Daca incarcarea a fost cu succes, sistemul va indica pentru fiecare fisier in parte atat un progress de
incarcare precum si rezultatul final. In cazul screenshotului de fata, incarcarea fiind 100% cu succes pe
fiecare fisier. In acest pas continul media a fost analizat, determinata locatia de incarcare, incarcare cu
succes si marcarea acestui continut pe sesiunea stabilita in pasul anterior.
Prin accesare meniului de vizualizare din cadrul unei sesiuni, se poate accesa o galerie ce va afisa
continutul media incarcat. La acest moment aceasta sectiune de vizualizare este inca in lucru. Trebuie
determinat daca si cum vom face afisarea continului media de tip film.
Cateva functionalitati speciale inched versiunea generate in etapa 2016, dupa cum urmeaza:
FS1: Adaugarea unui nou diagnostic in baza de date, prin apasarea butonului 'Defineste un nou
diagnostic'; se introduc datele corespunzatoare si se apasa butonul 'Salveaza'.
FS2: Cautare diagnostic prin introducerea a minimum 3 caractere ale codului acestuia, pentru a fi
introdus in lista diagnosticelor unui pacient.
22
FS3: Cautare diagnostic prin introducerea a minimum 3 caractere ale titlului acestuia, pentru a fi
introdus in lista diagnosticelor unui pacient.
FS4: Pentru adaugarea unui nou antecedent in baza de date, se apasa butonul 'Defineste un nou istoric';
se introduc datele corespunzatoare si se apasa butonul 'Salveaza'.
FS5: Cautare antecedent prin introducerea a minimum 3 caractere ale codului acestuia, pentru a fi
introdus in lista antecedentelor unui pacient.
FS6: Cautare antecedent prin introducerea a minimum 3 caractere ale titlului acestuia, pentru a fi
introdus in lista antecedentelor unui pacient.
FS7: Adaugare de caractere atat de tip litere, cat si cifre in campurile unei sesiuni de analize.
23
A3.5 Diseminare
Monografie publicată într-o editură internațională:
1. Advances in small bowel diagnosis by wireless capsule endoscopy – computer aided
diagnosis. Ed. Academica Greifswald, 2016, 70 pagini. ISBN 978-940237-39-2.
Editori: Cristin Constantin Vere, Ion Rogoveanu, Costin Teodor Streba, Ionică Daniel Vîlcea,
Marius Eugen Ciurea.
Articol acceptate spre publicare într-o revista indexată ISI
1. Adriana Florentina Constantinescu, Mihaela Ionescu, Vlad-Florin Iovănescu, Marius Eugen
Ciurea, Alin Gabriel Ionescu, Costin Teodor Streba, Gabriel Bunescu, Ion Rogoveanu, Cristin
Constantin Vere. A computer-aided diagnostic system for intestinal polyps identified by wireless
capsule endoscopy. Rom J Morphol Embryol 2016, 57(3): accepted, in press.
A3.6 Depunere patent
A fost transmisă către OSIM cererea de acordare a brevetului de invenție cu titlul
INFRASTRUCTURA DE SUPORT PENTRU DIAGNOSTIC IMAGISTIC INTELIGENT.
Inventatorii fac parte din echipa proiectului, conform contractului inițial și a cererii de finanțare,
cu respectarea prevederilor acestora.
Invenţia se referă la un sistem avansat de diagnosticare asistată de calculator (CAD)
capabil să ajute medicii în procesul de interpretare mai rapidă şi mai fiabilă a înregistrărilor
furnizate de videocapsula endoscopică (VCE), combinând aceste informaţii cu datele obţinute
în urma examinării tomografice computerizate (CT).
Director proiect
Prof. Univ. Dr. Cristin Constantin Vere