Diffusion Models applicati alla generazione di immagini mediche sintetiche

L'integrazione dell'Intelligenza Artificiale nei percorsi clinici rappresenta una delle frontiere più promettenti della medicina moderna, con un impatto rivoluzionario in particolare nella diagnostica per immagini. L'adozione di algoritmi di Deep Learning a supporto del personale radiologico offre la possibilità di automatizzare lo screening di massa, migliorare la sensibilità nella rilevazione di patologie e ottimizzare i flussi di lavoro ospedalieri. Tuttavia, lo sviluppo di sistemi diagnostici robusti e affidabili si scontra con una barriera fondamentale: la disponibilità del dato. In ambito sanitario, la raccolta di dataset di grandi dimensioni è ostacolata dalla scarsità di casi patologici rari, dall'elevata eterogeneità dei protocolli di acquisizione e, soprattutto, dalle stringenti normative sulla tutela della privacy del paziente. In questo scenario l'Intelligenza Artificiale Generativa emerge come una soluzione strategica introducendo la capacità di sintetizzare dati artificiali indistinguibili dal reale (dati sintetici), permettendo di superare il problema della scarsità, offrendo una fonte potenzialmente illimitata di campioni per il training di algoritmi diagnostici e garantendo l'anonimato totale, poiché i dati generati non corrispondono ad alcun individuo fisico. Il presente lavoro di tesi si colloca in questo contesto di ricerca, esplorando l'applicazione dei Denoising Diffusion Probabilistic Models (DDPM), lo stato dell'arte nella generazione di immagini, al dominio specifico delle scansioni tomografiche (CT) polmonari. L'obiettivo è indagare le potenzialità e le sfide metodologiche legate alla sintesi di anatomie complesse, analizzando come queste architetture possano apprendere la distribuzione statistica dei tessuti biologici per generare pazienti virtuali ad alta fedeltà, ponendo le basi per una nuova generazione di strumenti di data augmentation in ambito medico.