Tipo di tesi
Tesi di dottorato di ricerca
Titolo
Robust Computer Vision for POCUS: Achieving Reliability in Ultrasound Imaging
Settore scientifico disciplinare
INF/01 - INFORMATICA
Corso di studi
DOTTORATO NAZIONALE IN INTELLIGENZA ARTIFICIALE
Parole chiave
- Artificial Intelligence
- Loss Function
- Medical Imaging
- Model Understanding
- Reliable AI
- Ultrasound Images
- XAI
Data inizio appello
04/05/2026
Consultabilità
Non consultabile
Data di rilascio
04/05/2029
Riassunto (Inglese)
This thesis addresses the critical need for interpretable AI in medicine. Within the TiAssisto telemedicine project, it proposes an efficient ensemble method for Lung Ultrasound (LUS) classification, achieving 100% accuracy on edge devices. To ensure clinical trust, the research introduces Intrinsically Guided Training (Batch-CAM). By embedding interpretability directly into the loss function, the model is actively constrained to learn clinically relevant features rather than spurious correlations, paving the way for transparent and trustworthy healthcare AI.
Riassunto (Italiano)
Questa tesi affronta la necessità di un'IA interpretabile in medicina. Nel progetto di telemedicina TiAssisto, la ricerca propone un metodo ensemble efficiente per classificare le ecografie polmonari (LUS), ottenendo un'accuratezza del 100% su dispositivi edge. Per garantire l'affidabilità clinica, lo studio introduce l'Intrinsically Guided Training (Batch-CAM). Integrando l'interpretabilità direttamente nella loss function, il modello è costretto ad apprendere caratteristiche cliniche rilevanti anziché correlazioni spurie, gettando le basi per un'IA medica sicura e trasparente.
