Anomaly detection in dati strutturati: applicazioni al neuroimaging nucleare

Abstract

Questa tesi presenta lo sviluppo di un metodo robusto di rilevamento delle anomalie per l’identificazione di patologie in diagnostica per immagini, con particolare riguardo alle tecniche di imaging nucleare (PET, SPECT) e di imaging a risonanza magnetica (MRI). Gli attuali metodi di rilevamento delle anomalie semi-supervisionati richiedono enormi dataset provenienti da soggetti normativi per essere addestrati, una risorsa spesso non disponibile per molte tecniche di imaging. Pertanto, è stato elaborato un metodo semi-supervisionato adattabile a dataset di piccole dimensioni. Questo approccio impiega tecniche statistiche avanzate quali l’Analisi delle Componenti Principali (PCA) e la Non Negative Matrix Factorization (NMF), insieme a metodi tradizionali di radiomica, come i filtri di entropia e di deviazione standard, per estrarre features dai dati. Le features estratte da un dataset di soggetti normativi vengono utilizzate per addestrare un algoritmo semi-supervisionato classico, come One Class SVM o Local Outlier Factor, che è in grado di riconoscere le anomalie nelle immagini e assegnare loro un punteggio di anomalia. L’efficacia di questo approccio è stata dimostrata attraverso l’applicazione su dataset sintetici e successivamente su dati reali provenienti dall’Ospedale San Martino di Genova. Questo metodo è molto promettente e offre un’alternativa valida per l’analisi delle immagini diagnostiche, superando la dipendenza da grandi dataset e dimostrando la sua utilità nella pratica clinica.

This thesis presents the development of a robust anomaly detection method for identifying pathologies in medical imaging, with a focus on nuclear imaging techniques (PET, SPECT) and magnetic resonance imaging (MRI). Current semi-supervised anomaly detection methods require large datasets from healthy subjects to be trained, a resource often not available for many imaging techniques. Therefore, a semi-supervised method adaptable to small datasets has been devised. This approach employs advanced statistical techniques such as Principal Component Analysis (PCA) and Non-Negative Matrix Factorization (NMF), along with traditional radiomics methods like entropy and standard deviation filters, to extract features from the data. Features extracted from a dataset of healthy subjects are used to train a classical semi-supervised algorithm, such as One-Class SVM or Local Outlier Factor, capable of recognizing anomalies in the images and assigning them an anomaly score. The effectiveness of this approach has been demonstrated through its application on synthetic datasets and subsequently on real data from the San Martino Hospital in Genoa. This method is very promising and offers a valid alternative for diagnostic image analysis, overcoming the dependence on large datasets and demonstrating its utility in clinical practice.