• AUC
• CAD polmonare
• Clustering Robusto
• fuzzy c-means
• logica fuzzy
• reti neurali
• robust fuzzy c-means
• ROC analysis
• ROC convex hull
• Segmentazione
• metriche di performance
• misure di diversità
• tAUC
• classifier ensembles

Vista la forte incidenza del tumore al polmone fra le cause di morte per neoplasia al mondo, e data l'alta percentuale di mortalità per questa patologia se non diagnosticata quando è ancora operabile, diventa necessario un adeguato programma di screening della popolazione a rischio.<br>

A tale scopo sono di notevole importanza le moderne tecniche diagnostiche come la Tomografia Assiale Computerizzata a spirale, la quale permette una acquisizione volumetrica ad alta definizione della regione polmonare. Questa tecnica produce un numero molto elevato di immagini, o "fette", ad alta risoluzione che permettono al radiologo di individuare anche le lesioni più piccole, ma rendono il lavoro di analisi molto più lungo e faticoso.<br>

Poichè la mole di dati da analizzare è grande, ed è necessario che non si compiano errori nella diagnosi delle lesioni maligne, sono stati progettati dei sistemi automatici di ausilio nell'individuazione e nella diagnosi dei noduli polmonari, a partire dalle immagini prodotte dalla TAC.<br>

Tali strumenti sono chiamati sistemi C.A.D. polmonari, dove l'acronimo CAD assume il significato di Computer Aided Detection, se il sistema è volto alla sola individuazione dei noduli, oppure di Computer Aided Diagnosis, se il sistema compie anche una discriminazione sulla benignità e/o malignità delle lesioni individuate.<br>

In questo settore la grande innovazione consiste nel passare da una diagnosi assistita al computer ad una computerised diagnosis, ovvero una diagnosi computerizzata.<br>

Nel dipartimento di Ingegneria Informatica dell'Università di Pisa è stato realizzato un prototipo di sistema CAD polmonare per la computerised diagnosis, il quale prevede le seguenti funzioni:<br>

1. Estrazione delle regioni polmonari.<br>

2. Rilevazione delle regioni di interesse (ROI).<br>

3. Classificazione delle ROI in noduli/vasi sanguigni.<br>

4. Classificazione dei noduli in maligni/benigni.<br>

Nell'ambito di tale complesso progetto, sono stati dati contributi in due aree: il clustering robusto, e sugli indici di performace delle curve ROC ottenute nei passi 2, 3 e 4 del sistema CAD.<br>

Nello specifico, in questo lavoro di tesi, si è andati ad analizzare la tecnica del Fuzzy C-Means robusto descritta da Pham. Questa tecnica, pur non essendo tra le più raffinate, ha dimostrato di avere caratteristiche peculiari particolarmente adatte all'applicazione nella segmentazione delle immagini. In particolare abbiamo descritto le proprietà di questo algoritmo e ne abbiamo mostrato un'esempio di applicazione su un'immagine reale proveniente da una scansione TAC.<br>

Dopodichè abbiamo trattato l'analisi delle performance dei classificatori automatici. Si è introdotta e descritta la metodologia e gli strumenti della Receiver Operating Characteristic (ROC) Analysis, con particolare attenzione alla metrica dell'Area Under the ROC Curve (AUC). Particolare attenzione è stata rivolta alle mancanze e ai difetti dell'AUC emersi da questo particolare ambito di applicazione. A tale scopo abbiamo ideato e analizzato una estensione di questa metrica prendendo spunto dagli indici di prestazione utilizzati nel campo del Controllo Automatico per la progettazione dei controllori ottimi. A partire da tale metrica, da noi chiamata tAUC, abbiamo esteso la ROC Analysis tradizionale ad una nuova metodologia denominata tROC Analysis. Per completare la trattazione, abbiamo applicato la nuova metodologia e la ROC Analysis ad un dataset reale, contenente i dati estratti dal sistema CAD. La nuova tecnica si è rivelata efficace sia come strumento di analisi a se stante, sia come utile ausilio da affiancare alla tecnica ROC tradizionale nella soluzione di quelle situazioni di pareggio, in cui l'AUC non permette di discriminare efficacemente quale classificatore selezionare.