L'uso dell'intelligenza artificiale in ambito medico

Questa tesi analizza l’evoluzione delle tecniche di segmentazione delle immagini mediche, con particolare attenzione all’impiego dell’intelligenza artificiale per il riconoscimento automatico di tumori, lesioni e strutture anatomiche. Dopo una panoramica sulle metodologie classiche, come il thresholding, la crescita di regioni e la trasformata watershed, si introducono i principi fondamentali delle reti neurali e dell’apprendimento profondo, con focus su propagazione, ottimizzazione e reti convoluzionali. Vengono approfonditi i principali modelli CNN impiegati nella segmentazione, tra cui 3D U-Net, nnU-Net, DeepMedic e InfNet, evidenziandone architettura e prestazioni. Successivamente, si esamina l’applicazione dei Transformer nel dominio visivo, come i Vision Transformer e le loro varianti, che hanno mostrato risultati promettenti in diversi benchmark. La tesi presenta inoltre una rassegna dei principali dataset utilizzati per il training e la validazione, suddivisi per modalità di imaging e tipo di patologia. Infine, vengono trattati casi di studio su task clinici specifici, come la segmentazione di tumori cerebrali, lesioni polmonari e strutture cardiache, discutendo vantaggi, limiti e prospettive future dell’integrazione dell’IA nei flussi di lavoro diagnostici.