raport ŞtiinŢific Şi tehnic etapa iii (ianuarie-decembrie ... indisio etapa iii (2016).pdf · 3...

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


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


17. 69 Ameteli

Astenie fizica

Dureri epigastrice

Meteorism abdominal

Inapetenta

hematochezie

Anemie feripriva Angiodisplazii

jejunale

18. 78 Rectoragii


Inapetenta

Scadere ponderala

Sindrom anemic Fara leziuni la nivelul


19. 58 Durere epigastrica

Inapetenta

Astenie fizica

ameteli

Anemie microcitara

hipocroma

Fara leziuni la nivelul



Ameteli

Anemie feripriva Angiodisplazie la niv.

Jejunului proximal

Diverticul ileal

21. 58 Ameteli

Astenie fizica marcata

Scadere ponderala

inapetenta

Anemie feripriva severa Diverticuloza colonica



Dureri in etajul abdominal

inferior

Anemie feripriva Fara leziuni la nivelul



Ameteli

Scadere ponderala

inapetenta

Sindrom anemic sever Angiodisplazii

gastrice, intestinale si

colonice


Ameteli

Meteorism abdominal

Anemie feripriva Fara leziuni la nivelul


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.



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.



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.



8. Diagnostic

In acest nomenclator se definesc acele diagnosticele ce dorim sa le afisam pe fisa pacientului. Astfel,


un nou diagnostic, sau va dispare unul – fara sa mai fie nevoie de un programator care sa reflecteze




15

9. Simptomatologie

In acest nomenclator se definesc acele simptomatologii ce dorim sa le afisam pe fisa pacientului. Astfel,


o noua simtomatologie, sau va dispare una – fara sa mai fie nevoie de un programator care sa reflecteze




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.



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

raport ŞtiinŢific Şi tehnic etapa iii (ianuarie-decembrie ... indisio etapa iii (2016).pdf · 3...

Documents