• CNN
• data augmentation
• dataset sbilanciato
• deep learning
• explainable artificiale intelligence
• interpretazione della rete
• LIME
• prostate cancer
• reti neurali convolutive
• tumore alla prostata
• XAI

Il lavoro di tesi consiste nello sviluppo e interpretazione di reti neurali convolutive per la classificazione su dataset sbilanciati di immagini MRI multiparametriche. Al fine di bilanciare il dataset, vengono sperimentate diverse tecniche di data augmentation. L'obiettivo è capire l'impatto che queste hanno in un contesto, come quello biomedico, dove la morfologia dell'immagine è particolarmente importante. Il secondo aspetto chiave riguarda l'interpretazione della rete implementata, al fine di capire il criterio secondo cui viene operata la classificazione e determinare, quindi, se è possibile fidarsi delle predizioni effettuate. Per fare questo si è ricorsi all’utilizzo dell'algoritmo LIME, il quale va a determinare l'insieme dei pixel per cui, secondo la rete, l'immagine ha più probabilità di essere associata ad una determinata classe. L'obiettivo è capire se all'interno di questa regione è presente anche la lesione tumorale, e quindi se questa risulta determinante ai fini della classificazione. L'ultimo aspetto trattato riguarda la generazione di una rete multimodale al fine di combinare informazioni di diversa natura, incrementando così il contenuto informativo fornito alla rete, e quindi le sue capacità di classificazione e generalizzazione. Lo studio è stato condotto su immagini di prostata T2-pesate e mappe ADC acquisite su piano trasversale, fornite dall’Ospedale Universitario di Careggi.

The work consists in the development and interpretation of convolutional neural networks with the purpose of classifying multiparametric MRI images on unbalanced datasets. In order to balance the dataset, different data augmentation techniques are tested. The goal is to understand the impact these have in a context, such as the biomedical one, where the morphology of the image is particularly important. The second key aspect concerns the interpretation of the implemented network, in order to understand the criterion according to which the classification is made and to determine, therefore, whether it is possible to trust the predictions made. To do this, the LIME algorithm was used, which determines the set of pixels for which, according to the network, the image is most likely to be associated with a certain class. The goal is to understand if the tumor is also present within this region, and therefore if it is decisive for the classification. The last aspect concerns the generation of a multimodal network in order to combine information of different nature, thus increasing the information content provided to the network, and therefore its classification and generalization capabilities. The study was conducted on T2-weighted prostate images and ADC maps acquired on a transverse plane, provided by Careggi University Hospital.