logo SBA

ETD

Archivio digitale delle tesi discusse presso l’Università di Pisa

Tesi etd-03152024-160922


Tipo di tesi
Tesi di laurea magistrale
Autore
SERAGLINI, ANDREA
URN
etd-03152024-160922
Titolo
Ottimizzazione degli iperparametri connessi a tecniche di Manifold Learning per l'analisi del latent space di una rete CNN dedicata alla classificazione del disturbo di Alzheimer
Dipartimento
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
INGEGNERIA BIOMEDICA
Relatori
relatore Vozzi, Giovanni
relatore Positano, Vincenzo
relatore De Santi, Lisa Anita
Parole chiave
  • analisi
  • analysis
  • biomedical
  • biomediche
  • explainable
  • images
  • immagini
  • intelligence
  • intelligenza
  • spiegabile
Data inizio appello
18/04/2024
Consultabilità
Tesi non consultabile
Riassunto
L'attività di tesi si sviluppa in due fasi distinte: nella prima fase verrà addestrata e sottoposta a valutazione delle prestazioni una rete CNN per la diagnosi del disturbo di Alzheimer attraverso immagini cerebrali 3D 18-FDG PET provenienti dall'archivio di proprietà dell'iniziativa ADNI. La classificazione operata dalla rete è di tipo binario ed è effettuata al fine di distinguere le due diverse etichette CN (Cognitively Normal) e AD (Alzheimer's Disease) collegate a questo tipo di immagini. Nella seconda fase, invece, verranno implementate e valutate tecniche per l'analisi del latent space della rete così ottenuta attraverso tecniche XAI che ricadono nell'ambito del Manifold Learning. Le tecniche di Manifold Learning prese in considerazione sono t-SNE (t-Distribuited Stochastic Neighbor Embedding), TriMap, UMAP (Uniform Manifold Approximation and Projection) e PaCMAP (Pairwise Controlled Manifold Approximation). Tali tecniche saranno applicate al livello precedente a quello di classificazione finale in modo da poter valutare la qualità della rappresentazione. Per ognuna di queste tecniche saranno variati i parametri caratteristici al fine di stabilire quale tecnica, in base a metriche di valutazione stabilite a priori (mantenimento della struttura originale dei dati, clustering) sia la più adatta nel rappresentare il latent space della rete.
File