ETD

Archivio digitale delle tesi discusse presso l'Università di Pisa

Tesi etd-05062020-143243


Tipo di tesi
Tesi di laurea magistrale
Autore
BUONGIORNO, ROSSANA
URN
etd-05062020-143243
Titolo
Analisi di immagini tomografiche ad alta risoluzione attraverso reti neurali convoluzionali per lo studio delle interstiziopatie polmonari
Dipartimento
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
INGEGNERIA BIOMEDICA
Relatori
relatore Prof. Positano, Vincenzo
tutor Dott.ssa Colantonio, Sara
tutor Dott.ssa Germanese, Danila
Parole chiave
  • reti neurali convoluzionali
  • deep learning
  • interstiziopatie polmonari
  • elaborazione di immagini biomediche
  • tomografia computerizzata ad alta risoluzione
Data inizio appello
12/06/2020
Consultabilità
Completa
Riassunto
Le interstiziopatie polmonari (Interstitial Lung Disease, ILD) sono patologie croniche che causano la cicatrizzazione del parenchima polmonare e dell’interstizio alveolare e la compromissione della funzionalità respiratoria. Dal momento che sono più di 200 le patologie raggruppate nella categoria delle ILD, una precisa identificazione è fondamentale per individuare la terapia migliore e formulare una prognosi. L’esame radiologico di riferimento è la tomografia computerizzata del torace ad alta risoluzione (High Resolution Computed Tomography, HRCT) e rappresenta un passaggio cruciale nel processo di diagnosi; nell’analizzare le immagini, infatti, il radiologo deve stabilire se vi è Usual Interstitial Pneumoniae (UIP), ovvero presenza di pattern istopatologici tipici della malattia, e valutarne l'estensione, correlata con la gravità delle alterazioni fisiologiche. Tuttavia, l'incidenza rara delle interstiziopatie fa sì che non tutti i radiologi abbiano un grado di esperienza adatto a individuare visivamente l'anomalia. Inoltre, la malattia si diffonde lungo tutti i polmoni e la segmentazione manuale risulta faticosa.
Nel tentativo di rimediare alla variabilità intra- ed inter-osservatore, sono state sviluppate tecniche per il riconoscimento automatico dei pattern UIP. Vi sono approcci basati sull'analisi dell'istogramma e della texture dell'immagine ma, dal momento che si basano su classificazioni di operatori clinici diversi, presentano un bias che è causa di identificazioni errate, o mancate, dei pattern. Il deep learning, invece, si distingue dalle tecniche tradizionali perché fornisce strumenti che imparano autonomamente a classificare i dati.
L'obiettivo del lavoro di tesi è stato, quindi, progettare e sviluppare la UIP-net, una rete neurale convoluzionale progettata ad-hoc per la segmentazione automatica dei pattern UIP in immagini HRCT di pazienti con Fibrosi Idiopatica Polmonare (IPF), che è una sotto-categoria delle ILD.
File