Reti neurali per la segmentazione di immagini mediche

A partire dagli anni '70, con la diffusione dei primi dispositivi per la tomografia assiale computerizzata (TAC), si è assistito ad un'evoluzione sempre più rapida delle modalità con cui si acquisiscono, si conservano e si analizzano le immagini per la diagnosi medica. L’elemento che ha segnato il maggior cambiamento è stato il passaggio da informazioni analogiche, statiche e prettamente bidimensionali come quelle che derivano dalle immagini radiografiche (raggi X), ad informazioni digitali, eventualmente dinamiche e contenenti informazioni tridimensionali. Tutto ciò è stato reso possibile attraverso la transizione da sistemi basati su pellicola a sistemi basati su calcolatori. L’immediata conseguenza di questo sviluppo è stata la necessità di generare algoritmi e metodologie di interpretazione dei dati acquisiti, che simulino al meglio la conoscenza dell’esperto umano, che resta, a tutt'oggi, il più efficiente sistema di elaborazione dei dati medicali conosciuti. Automatizzare il processo di diagnostica, utilizzando un moderno sistema di visione artificiale in grado di segnalare, a partire ad esempio da una radiografia o una risonanza magnetica, quali siano le zone affette da patologia, permetterebbe di velocizzare e rendere più affidabile la diagnosi oltre ad offrire un notevole ausilio a colui che deve redigere un referto medico. Da questo punto di vista gli algoritmi di segmentazione semantica sono in grado di associare un’etichetta o una categoria a ogni pixel dell’immagine e quindi ben si prestano ad identificare in un’immagine medica quali siano le zone che necessitano di un’ulteriore approfondimento. Ma non solo, oggi tali tecniche hanno raggiunto performance tali da essere considerate confrontabili con quelle degli esperti. In questo lavoro di tesi si vogliono identificare e valutare alcune architetture e tecniche in ambito di semantic segmentation per l’individuazione di patologie a partire da immagini radiografiche.