Metodiche di statistical e machine learning per ananlisi di immagini mediche

Questa tesi ha come obiettivo la creazione e l’implementazione di un codice Python per la classificazione dei tessuti all’interno di un’immagine medica in formato DCOM. A tale scopo, sono adottate le immagini mediche PET-CT fusion per il loro vantaggio nel fornire informazioni sia anatomiche che funzionali. Sono complessivamente importate e analizzate 6 immagini (set di slices): 5 di queste sono utilizzate per il labelling e la rimanente parte è usata per la predizione del modello. Dopo una breve descrizione delle funzioni matematiche alla base del calcolo ed estrazione delle features di Haralick (la matrice di co-occorrenza, misura posizionale dei livelli di grigio di un’immagine, e le 14 features di Haralick), viene presentata in dettaglio l’implementazione di tali funzioni nel codice e le modalità con cui sono utilizzate quest’ultime con la finalità di riconoscere i diversi tipi di tessuti. Sono illustrati gli step progettuali della creazione dei dataset delle label e delle features e della selezione e allenamento del miglior modello per la classificazione. L’approccio seguito permette di classificare diversi pixel di un’immagine DCOM nelle classi “bone”, ossa, “organ”, organi, e “background”, sfondo. Possibili future implementazioni della metodologia adottata comprendono la creazione di nuove classi per affinare la classificazione dei diversi tessuti.