Conditional MR image synthesis with Auxiliary Progressive Growing GANs

L'addestramento di algotritmi di deep learning (DL) richiede una grande quantità di dati, che però spesso non sono disponibili in ambito medico. In questa tesi viene proposto un modello per la generazione di dataset sintetici etichettati nell'ambito dell'imaging medico ad alta risoluzione. Dopo aver presentato vantaggi e limiti dell'uso delle tecniche di DL in radiologia, vengono proposte le Generative Adversarial Networks (GANs) come possibile soluzione per superare tali limiti. Illustrando lo stato dell'arte relativo alle GAN, viene focalizzata l'attenzione sulle Progressive Growing GAN, capaci di generare immagini ad alta risoluzione, e sulle Auxiliary Classifier GAN (ACGAN), capaci di generare immagini target. Sulla base di questi modelli, vengono proposte le innovative Progressive ACGAN (PACGAN), progettate per generare immagini target ad elevata risoluzione. L'obiettivo di questo lavoro di tesi è sfruttare la capacità delle GAN di creare una rappresentazione nello spazio latente dei dati del training set, sia per generare immagini target ad alta risoluzione (256 x 256), che per effettuare una classificazione. Il modello proposto viene testato su un dataset contenente 200 immagini di risonanza magnetica (RM) cerebrale di soggetti sani e pazienti con malattia di Alzheimer. I risultati del modello sono molto promettenti. La qualità delle immagini generate è stata valutata sia visivamente che quantitativamente, tramite FID (Fréchet Inception Distance) e MS-SSIM (Multi-Scale Structural Similarity Index), evidenziando una maggiore capacità delle PACGAN di rappresentare immagini target ad alta risoluzione rispetto alle ACGAN. Le performance di classificazione risultano ottime nel training set, con discreta capacità di generalizzare su nuovi dati. Il modello proposto consente quindi di generare immagini target ad alta risoluzione che possono essere usate per ottenere dataset sintetici.