• classification
• classificazione
• deep learning
• images
• immagini
• nirs
• sclerodermia
• systemic sclerosis

La tesi si concentra sulla rilevazione della sclerodermia, una malattia autoimmune rara e grave, attraverso l’applicazione di tecniche avanzate di imaging e algoritmi di deep learning. La sclerodermia è caratterizzata da un processo infiammatorio cronico che conduce alla fibrosi e a una vascolarizzazione alterata. Questi cambiamenti fisiopatologici causano una ridotta perfusione sanguigna, specialmente a livello periferico, rendendo fondamentale il monitoraggio delle alterazioni vascolari per una diagnosi tempestiva e un efficace follow-up della patologia. Nonostante l’importanza di una diagnosi precoce, le tecniche diagnostiche convenzionali presentano diverse limitazioni, tra cui elevati costi, complessità operative e una sensibilità non sempre adeguata nell’individuare i primi segni della malattia. In questo scenario, la spettroscopia nel vicino infrarosso (NIRS) rappresenta una promettente alternativa. Si tratta di una tecnica non invasiva che utilizza la luce nel range spettrale del vicino infrarosso, compreso tra 650 e 950 nm, per analizzare i tessuti biologici. La NIRS permette di raccogliere informazioni sul contenuto di ossigeno, sulla perfusione sanguigna e sulla struttura dei tessuti stessi. I vantaggi principali della spettroscopia nel vicino infrarosso includono la non invasività, i costi relativamente contenuti rispetto ad altre metodiche diagnostiche avanzate e la possibilità di effettuare analisi in tempo reale dei parametri microvascolari. L’obiettivo principale della tesi è lo sviluppo di un sistema automatizzato per la classificazione delle immagini NIRS mediante reti neurali convoluzionali (CNN). Le CNN sono reti artificiali progettate per identificare automaticamente pattern e caratteristiche rilevanti nelle immagini, senza necessità di intervento manuale. Ciò le rende strumenti estremamente potenti per applicazioni di imaging biomedico, dove la complessità dei dati richiede analisi rapide e accurate. Il processo di progettazione del sistema basato su CNN è stato articolato in diverse fasi. La prima fase ha riguardato la suddivisione del dataset, un passaggio essenziale per garantire la robustezza e la generalizzabilità del modello. Il dataset è stato suddiviso in tre insiemi principali: uno destinato all’addestramento, uno alla validazione e uno al testing. Questa separazione consente di monitorare le prestazioni del modello durante l’addestramento e di verificarne l’efficacia su dati non utilizzati in precedenza. Successivamente, è stato implementato il preprocessing delle immagini che ha incluso l’applicazione di tecniche di normalizzazione, di ridimensionamento delle immagini e di aumento del dataset di training mediante metodi di data-augmentation, in modo da ottimizzare il funzionamento della rete neurale. L’addestramento della rete ha rappresentato il cuore del progetto. In questa fase, la CNN ha analizzato le immagini NIRS, apprendendo autonomamente le caratteristiche distintive associate alla sclerodermia. L’addestramento è stato condotto utilizzando algoritmi di ottimizzazione che minimizzano la funzione di loss, ovvero l’errore tra le previsioni del modello e i risultati reali. Infine, il modello è stato testato su un set di dati completamente nuovo per valutarne la capacità di generalizzazione. I risultati ottenuti sono stati analizzati attraverso metriche statistiche. Le tecniche di deep learning, abbinate alla NIRS, si sono dimostrate promettenti nella rilevazione della sclerodermia, evidenziando come l’intelligenza artificiale possa rivoluzionare il campo della diagnosi medica.

The thesis focuses on the detection of scleroderma, a rare and severe autoimmune disease, through the application of advanced imaging techniques and deep learning algorithms. Scleroderma is characterized by a chronic inflammatory process that leads to fibrosis and altered vascularization. These pathophysiological changes cause reduced blood perfusion, particularly at the peripheral level, making the monitoring of vascular alterations essential for early diagnosis and effective follow-up of the disease. Despite the importance of early diagnosis, conventional diagnostic techniques have several limitations, including high costs, operational complexity, and insufficient sensitivity in detecting the initial signs of the disease. In this context, near-infrared spectroscopy (NIRS) represents a promising alternative. NIRS is a non-invasive technique that uses light in the near-infrared spectral range, between 650 e 950 nm, to analyze biological tissues. NIRS provides information on oxygen content, blood perfusion, and tissue structure. The main advantages of near-infrared spectroscopy include its non-invasiveness, relatively low cost compared to other advanced diagnostic methods, and the ability to perform real-time analysis of microvascular parameters. The main objective of the thesis is the development of an automated system for the classification of NIRS images using convolutional neural networks (CNNs). CNNs are artificial networks designed to automatically identify patterns and relevant features in images without the need for manual intervention. This makes them extremely powerful tools for biomedical imaging applications, where the complexity of the data requires rapid and accurate analysis. The design process of the CNN-based system was divided into several phases. The first phase involved the splitting of the dataset, an essential step to ensure the robustness and generalizability of the model. The dataset was divided into three main sets: one for training, one for validation, and one for testing. This separation allows for monitoring the model’s performance during training and verifying its effectiveness on previously unseen data. Subsequently, image preprocessing was implemented, including normalization techniques, image resizing, and the augmentation of the training dataset through data augmentation methods, in order to optimize the neural network’s performance. The training of the network represented the core of the project. During this phase, the CNN analyzed the NIRS images, autonomously learning the distinctive features associated with scleroderma. The training was conducted using optimization algorithms that minimize the loss function, i.e., the error between the model’s predictions and the actual results. Finally, the model was tested on an entirely new dataset to evaluate its generalization capability. The results obtained were analyzed using statistical metrics. Deep learning techniques, combined with NIRS, have proven to be promising for the detection of scleroderma, highlighting how artificial intelligence can revolutionize the field of medical diagnosis.