IA per la diagnostica per immagini: classificazione delle immagini ad ultrasuoni

Abstract

L'obiettivo principale di questa tesi è creare un framework per rilevare in tempo reale regioni anatomiche addominali importanti, utilizzando un'architettura DenseNet migliorata per la classificazione in ecografie addominali. Questo lavoro, parte del progetto RAISE e in collaborazione con ESAOTE, mira a semplificare l'identificazione dei piani di scansione, essenziale in ambienti con risorse mediche limitate.

Il progetto iniziale ha esplorato le sfide dell'ecografia, puntando a un sistema automatizzato basato su DenseNet per trovare piani di scansione standard. Questo aiuta a ridurre la necessità di abilità specialistiche nell'operatore e a migliorare la cura del paziente.

Il lavoro impiega l'apprendimento trasferibile per superare la mancanza di dati etichettati in immagini mediche, migliorando la capacità del modello di apprendimento profondo di riconoscere schemi complessi nelle ecografie. L'obiettivo finale è sviluppare un classificatore usando DenseNet per analizzare ecografie addominali, aumentando l'accuratezza diagnostica delle apparecchiature ecografiche.

The main goal of this thesis is to establish a framework for real-time detection of crucial abdominal anatomical regions, using an enhanced DenseNet architecture for classification in abdominal ultrasounds. Part of the RAISE project and in collaboration with ESAOTE, it aims to simplify scan plane identification, crucial in limited medical resource settings.

The initial project explored ultrasound imaging challenges, aiming for an automated system based on DenseNet to identify standard scan planes. This reduces the need for specialized operator skills and improves patient care.

The study employs transfer learning to overcome the scarcity of labeled data in medical images, enhancing the deep learning model's ability to recognize complex patterns in ultrasounds. The ultimate goal is to develop a classifier using DenseNet for analyzing abdominal ultrasounds, increasing diagnostic accuracy of ultrasound equipment.