• spiegabile
• intelligenza
• intelligence
• immagini
• images
• explainable
• biomediche
• biomedical
• analysis
• analisi

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.