Apprendimento semi-supervisionato applicato alla segmentazione delle immagini ecografiche

Abstract

Questa tesi indaga l'applicazione di metodi di deep learning per la segmentazione e classificazione automatica delle lesioni tumorali nelle immagini di Ecografia Endorettale (ERUS), un componente cruciale nella valutazione pre-operatoria del cancro rettale. Condotto in collaborazione con Camelot Biomedical Systems S.r.l. e l'Ospedale Galliera di Genova, lo studio mira a migliorare l'accuratezza diagnostica e a semplificare la pianificazione del trattamento attraverso un approccio in due fasi: (1) segmentazione delle aree tumorali per ridurre la variabilità intra- e inter-operatore e (2) classificazione dell'infiltrazione tumorale secondo criteri di stadiazione consolidati.

Data la sfida rappresentata dalle dimensioni ridotte del dataset e dall'elevata variabilità nelle immagini ERUS, è stato impiegato un framework di apprendimento semi-supervisionato per sfruttare sia i dati etichettati che quelli non etichettati.

Il compito di segmentazione è stato eseguito utilizzando un modello semi-supervisionato, validato rispetto a una baseline completamente supervisionata, con esperimenti di cross-validazione che hanno dimostrato come l'approccio semi-supervisionato migliori significativamente le prestazioni, soprattutto in scenari con dati limitati. È stato introdotto un nuovo metodo di calcolo del Dice per mitigare i problemi legati a punteggi Dice artificialmente gonfiati, fornendo una valutazione più realistica delle prestazioni del modello. Nel compito di classificazione, sono state utilizzate classi dicotomizzate per semplificare il problema, permettendo al modello di distinguere tra stadi tumorali precoci (T0/T1) e avanzati (T2/T3). Inoltre, è stato condotto un esperimento preliminare di trasferimento dell’apprendimento utilizzando il modello di segmentazione URPC, evidenziando potenziali miglioramenti nel trasferimento di caratteristiche, ma rivelando anche sfide legate alla stabilità del modello.

This thesis investigates the application of deep learning methods for the automatic segmentation and classification of tumor lesions in Endorectal Ultrasound (ERUS) images, a critical component in the pre-operative evaluation of rectal cancer. Conducted in collaboration with Camelot Biomedical Systems S.r.l. and "Ospedali Galliera" in Genoa, the study aims to enhance diagnostic accuracy and streamline treatment planning through a two-stage approach: (1) segmenting tumor areas to reduce intra- and inter-operator variability, and (2) classifying tumor infiltration according to established staging criteria. Given the challenges posed by the limited dataset size and high variability in ERUS images, a semi-supervised learning framework was employed to leverage both labeled and unlabeled data.

The segmentation task was performed using a semi-supervised model, validated against a fully supervised baseline, with cross-validation experiments demonstrating that the semi-supervised approach significantly improves performance, particularly in data-limited scenarios. A novel Dice calculation method was introduced to mitigate issues with artificially inflated Dice scores, providing a more realistic assessment of model performance. In the classification task, dichotomized classes were used to simplify the problem, enabling the model to distinguish between early (T0/T1) and advanced (T2/T3) tumor stages. Additionally, a preliminary transfer learning experiment using the URPC segmentation model was conducted, highlighting potential for improved feature transfer but revealing challenges with model stability.