migliorare la qualità delle immagini biomediche con la computer vision: sistemi di deep learning a elevato livello di astrazione e comprensione per il riconoscimento e la correzione di artefatti sulle mri
Quando si parla di tecniche di imaging biomedico si fa riferimento a quella serie di fenomeni fisici che vengono sfruttati per generare immagini dei tessuti interni del corpo umano o di parti di esso non visibili dall’esterno, in modo totalmente non invasivo per il paziente. All’interno di tali tecnologie, rientrano principalmente le tecniche di Magnetic Resonance Imaging (MRI), di Computer Tomography (CT) e di Positron Emission Tomography (PET).
L’imaging medico è uno dei terreni di ricerca applicata in cui il Deep Learning sta fornendo contributi significativi a supporto degli specialisti di settore. La sua applicazione effettiva si sta però concretizzando in maniera molto lenta a causa della mancanza di grandi quantità di dati realmente utilizzabili. È presente, infatti, un grado elevato di eterogeneità delle fonti, uno scarso livello di annotazione e armonizzazione dei dati nonché problemi di privacy che spesso ne impediscono la condivisione tra strutture sanitarie e gruppi di ricerca.
Tra gli strumenti automatizzati che l’AI è in grado di sviluppare, vi sono il rilevamento di patologie, la quantificazione dell’estensione di una malattia, la caratterizzazione delle patologie e numerosi altri strumenti software a supporto alle decisioni per il medico. Nell’ambito della del medical image processing si identificano principalmente attività di detection, classification, segmentation, enhancement, reconstruction e registration.
In quest’ambito, il team di ricerca e sviluppo di SCAI Lab sta recentemente mettendo a punto una serie di algoritmi specifici che sfruttano le più recenti tecniche di DL (Convolutional Neural Networks) utilizzate nel campo della Computer Vision. Lo scopo: identificare, localizzare, classificare e infine ridurre notevolmente la presenza di artefatti su MRI ovvero minimizzare i disturbi visivi che possono presentarsi sulle immagini diagnostiche.
Durante le scansioni di risonanza magnetica, sono svariati i motivi per i quali possono verificarsi artefatti sull’immagine risultante: problemi relativi all’hardware e/o al software della macchina, a movimenti involontari del paziente o alla presenza di protesi con componenti metalliche. In questi casi, l’immagine presenta una caratteristica artificiale che non è realmente presente nell’oggetto investigato e può compromettere seriamente, in taluni casi, l’attività diagnostica, in altri simulando addirittura la presenza di specifiche patologie.
Individuare e correggere gli artefatti assume un’importanza strategica essenziale, ad esempio, nell’ambito della pianificazione pre-operatoria e nel follow up post-operatorio di un impianto di protesi (le cui componenti metalliche sono una fonte primaria di disturbo sulle MR) o nell’identificazione di una patologia cronica laddove vi siano patologie neurologiche che impediscono al paziente di rimanere fermo durante la scansione. La sfida è quella di proporre metodiche ad altissima efficienza per migliorare la qualità dell’imaging e, più in generale, dei sistemi clinico-diagnostici dei medici, in un’ottica sempre più patient centred. Sistemi che permettano di raggiungere risultati più affidabili e accurati in tutte le fasi del percorso di cura, di diminuire drasticamente l’invasività delle analisi, di migliorare la qualità dell’assistenza e del trattamento del paziente contenendone i costi sociali e di gestione.
