• Denoising
• Deep Learning
• Noise2Noise
• Dati Simulati
• Rumore Speckle
• Immagini Ecografiche
• Steering
• Algoritmo non supervisionato
• Field II

L’imaging ecografico è una delle tecniche diagnostiche maggiormente impiegate in ambito medico. Rispetto ad altri strumenti diagnostici, le tecnologie ad ultrasuoni sono interessate da una repentina diffusione su larga scala in virtù della non invasività, della trasportabilità e del non utilizzo di radiazioni ionizzanti potenzialmente dannose per il paziente. L’ecografia presenta, inoltre, i vantaggi di essere una procedura a basso costo e di semplice e rapida esecuzione.
Una delle principali problematiche di cui soffrono le immagini ecografiche è la presenza del rumore speckle.
Da un lato, il rumore speckle altera la texture degli organi conferendone un tipico aspetto granuloso. Dall’altro, conferisce il naturale aspetto visivo che i professionisti clinici e radiologi si aspettano di osservare nel mezzo ecografico, in quanto caratterizzante e distintivo rispetto ad altre modalità (e.g., MRI).
Un rumore speckle eccessivamente preponderante o troppo artificialmente rimosso, tuttavia, potrebbe compromettere l’effettiva anatomia presente nell’immagine, degradare la percezione dei dettagli fini e il riconoscimento dei contorni. Tutti questi fattori potrebbero influenzare negativamente il processo di diagnosi.
In ragione di ciò, si può intuire come lo sviluppo di tecniche di processing all’avanguardia, che mirano alla riduzione ponderata di questo artefatto, al perfezionamento della risoluzione spaziale e del contrasto e, dunque, ad un generale miglioramento della percezione visiva delle immagini ecografiche, sia un obiettivo più che auspicabile.
A causa della natura moltiplicativa e segnale-correlata del rumore speckle, i metodi di denoising standard, come i filtraggi convolutivi e adattivi, non producono risultati ad alte performance; molti dei più recenti metodi di denoising stanno esplorando approcci di deep learning, incentrate sull’utilizzo di reti neurali convoluzionali (CNN), con il fine di superare le limitazioni intrinseche delle tecniche standard.
Il presente lavoro di tesi si colloca all’interno di un progetto in collaborazione con l’azienda Esaote S.p.A., e l’obiettivo principale è sviluppare una rete neurale che sfrutta un algoritmo di deep learning non supervisionato per il denoising del rumore speckle da immagini ecografiche.
Nello specifico, l’elemento cardine è lo studio e l’applicazione di un modello di deep learning allo stato dell’arte: Noise2Noise, una rete neurale “profonda” che non necessita dei dati puliti dal rumore speckle i quali, per fattori intrinseci, sono molto complicati, se non impossibili, da ottenere.
Noise2Noise è stato applicato su dati ecografici simulati, al fine di adattarne e generalizzarne il funzionamento su una tipologia di rumore, quello speckle, a priori differente rispetto al rumore su cui la rete è stata in partenza testata (rumore Gaussiano, di Poisson, di Bernoulli e simulato con metodo Monte Carlo).
La sfida principale del lavoro di tesi ha riguardato l’ottenimento di un dataset idoneo per l’addestramento della rete neurale: se da un lato l’algoritmo Noise2Noise è applicabile laddove molti altri approcci falliscono, ovvero in quei contesti nei quali non si ha la disponibilità del dataset Ground Truth, dall’altro presenta la difficoltà di dover disporre di una scena pressoché statica per l’acquisizione di coppie di immagini rumorose, con rumore indipendente nelle due acquisizioni e segnale (quasi) costante nelle stesse.
In particolare, l’utilizzo di immagini simulate a steering differente viene presentato come un potenziale strumento per produrre variabilità nel rumore, preservando quasi completamente la quantità e la distribuzione di segnale.
Il dataset ottenuto è stato utilizzato per studiare le caratteristiche del rumore simulato.
Alle immagini sono state applicate le operazioni di processing più idonee in vista dell’addestramento di Noise2Noise.
L’attenzione è stata successivamente focalizzata sui risultati conseguiti sulle predizioni su test set simulati e costituiti da immagini acquisite.
Inoltre, le immagini predette sono state confrontate con i risultati ottenuti tramite la tecnica del compound mostrando i vantaggi dell’utilizzo di un algoritmo non supervisionato in termini di aumento del rapporto segnale rumore, contrasto e maggiore definizione dei contorni.
Infine, è stato condotto un addestramento su immagini acquisite di phantom ecografici e i risultati ottenuti hanno acceso l’interesse verso acquisizioni con steering di immagini in-vivo di fegato e rene allo scopo di approfondire la tecnica validata con dati simulati.
Le simulazioni delle immagini e il processing sono stati svolti in ambiente MatLab, mentre per l’architettura della rete è stata utilizzata la versione, disponibile online e opportunamente adattata agli scopi, sviluppata in Python con la piattaforma TensorFlow.

Il lavoro di tesi, articolato in sei capitoli, permetterà di costruire una panoramica generale sul processo di acquisizione delle immagini ecografiche B-Mode.
Tratterà dell’individuazione degli step fondamentali del processo di acquisizione e di alcune delle proprietà del rumore simulato che vengono sfruttate in ambito simulativo per produrre dati simulati realistici. Infine, questo elaborato mira ad investigare l’utilizzo di strumenti di deep learning, in particolare, del modello Noise2Noise, per la rimozione del rumore speckle da immagini ecografiche.