Studio di applicazioni di deep learning alla spettroscopia di RM cerebrale in vivo

La spettroscopia di risonanza magnetica (MRS) è una tecnica di indagine che possiede numerose applicazioni in chimica, biologia e medicina. In ambito clinico, è impiegata come metodo non invasivo per la quantificazione dei metaboliti cerebrali in vivo; evidenzia situazioni patologiche che comportano un’alterazione del normale rapporto delle concentrazioni dei metaboliti. Purtroppo, esistono numerose limitazioni che ne ostacolano un utilizzo più diffuso e sistematico. Fortunatamente, negli ultimi tempi, l’integrazione di tecniche di intelligenza artificiale in supporto alle tradizionali metodologie di analisi della fisica biomedica ha mostrato risultati incoraggianti in termini di qualità dell’imaging, minori tempi di acquisizione e maggiore automazione delle procedure. L’obiettivo di questa tesi è quello di presentare, attraverso l’analisi di tre studi svolti dal 2019 ad oggi, lo stato dell’arte delle applicazioni del deep learning alla MRS cerebrale in vivo. Si è osservato come, nonostante i risultati soddisfacenti ottenuti, l’impiego delle reti neurali nelle diverse fasi di un’indagine di MRS rimanga oggetto di ricerca scientifica e non sia ancora stato assimilato dalla pratica clinica.