Tipo di tesi
Tesi di laurea magistrale
Titolo
Sviluppo di un sistema di Deep Learning per segmentazione di immagini mammografiche
Dipartimento
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
INGEGNERIA BIOMEDICA
Parole chiave
- convolutional neural network
- deep learning
- mammografia
- segmentazione
Data inizio appello
28/04/2017
Riassunto (Italiano)
Il cancro al seno è una delle maggiori cause di mortalità tumorale fra le donne. La mammografia è l'esame di riferimento per lo screening di tumore alla mammella in donne con più di 40 anni: infatti, diverse meta-analisi hanno dimostrato una riduzione della mortalità per cancro al seno del 30%.
Le microcalcificazioni possono rappresentare un segnale precoce per la diagnosi di tumore alla mammella, rintracciabile in immagini mammografiche, ma sono spesso di difficile interpretazione per i radiologi a causa della sovrapposizione di lesioni maligne e benigne. Esse appaiono nella mammografia come regioni ad elevata intensità rispetto al background locale e hanno forme che vanno da geometrie circolari a geometrie fortemente irregolari, con contorni più o meno netti.
Breast Imaging Reporting and Dated System (BIRADS) ha standardizzato l'interpretazione delle microcalcificazioni: tipicamente benigne (BIRADS2), intermedie (BIRADS3), con elevata probabilità di essere maligne (BIRADS4), estremamente sospette di malignità (BIRADS5). La classificazione delle microcalcificazioni è basata sull'analisi della loro forma, densità e distribuzione all'interno della mammella.
Sfortunatamente le microcalcificazioni sono spesso difficili da rintracciare in quanto la mammella contiene diverse quantità di tessuto connettivo, ghiandolare e adiposo, organizzate in strutture sempre differenti. Ne risulta una gran varietà di pattern all'interno delle immagini.
La variabilità del tessuto mammario e la geometria di acquisizione proiettiva dell’immagine implicano l'impossibilità di utilizzare una semplice operazione di soglia basata sulla densità per il rintracciamento automatico delle calcificazioni. Il processo di detezione è ulteriormente complicato dalla grande variabilità della geometria delle microcalcificazioni, che inibisce una ricerca morfologica. Finora è stata proposta una gran varietà di algoritmi per il loro rintracciamento automatico, fra questi: metodi basati sulla trasformata wavelet, sistemi di filtraggio morfologico, analisi a multirisoluzione, reti bayesiane e SVM.
Date le difficoltà che mostrano i metodi classici in questo particolare problema, nel lavoro di tesi si propone un approccio basato su una rete neurale profonda di tipo convolutivo.
