Ricostruzione di immagini di Tomosintesi Mammaria Digitale tramite reti neurali convoluzionali

In questa tesi si esplora l'applicazione di tecniche di deep learning nella ricostruzione di immagini tomografiche, con un focus su due modelli di reti neurali convoluzionali: U-Net e Residual U-Net. Questi modelli sono impiegati per migliorare le immagini bidimensionali ottenute tramite la Tomosintesi Mammaria Digitale (DBT), una tecnica di imaging medico che permette di ricostruire dettagli anatomici tridimensionali del seno. La ricerca analizza le limitazioni degli algoritmi iterativi, i quali, sebbene consolidati, presentano alti costi computazionali e riduzioni nella qualità delle immagini quando il numero di iterazioni è limitato. L'adozione delle reti neurali ha dimostrato di accelerare significativamente il processo di ricostruzione, mantenendo elevata la qualità e la risoluzione delle immagini. Le prestazioni dei modelli sono state valutate sia attraverso un'analisi visiva sia mediante metriche quantitative, evidenziando le differenze nelle caratteristiche delle immagini ricostruite e la loro rilevanza clinica.