Addestramento auto-supervisionato di reti profonde general-purpose per immagini medicali = Self-supervised training of deep general-purpose networks for medical images

L’introduzione delle tecniche di Deep learning ha consentito ampi miglioramenti nell'analisi di immagini mediche, raggiungendo incrementi di prestazione considerevoli. Tuttavia, possono esserci anche alcuni svantaggi che devono essere affrontati: per esempio, la scarsità di dati etichettati è uno dei principali fattori che limita l’applicazione delle tecniche di Deep learning. Per raccogliere annotazioni per immagini mediche, occorre personale qualificato e specializzato, richiedendo grandi investimenti di risorse e di tempo. Per affrontare questo problema vi sono differenti approcci, come il Transfer Learning, la Data augmentation, il Semi-supervised e Self-supervised learning. Sebbene il Transfer Learning, sfruttando modelli pre-formati su ImageNet, sia uno dei più utilizzati, questo in campo medico potrebbe generare risultati non ottimali, a causa delle diversità tra i domini delle immagini naturali e mediche. Questo lavoro di tesi si focalizza sull'approccio Self-supervised, ovvero studia l’efficacia di una soluzione al problema comune del Deep learning nell'analisi delle immagini mediche con quantità limitate di dati di addestramento etichettati. L’idea di base è quella di assegnare etichette artificiali a immagini mediche attraverso un processo noto come “supervisione surrogata”, cioè mediante l’utilizzo di pretext tasks, pre-addestrando un Deep Neural Network model per l’attività di analisi dell’immagine medica. In particolare,sono stati utilizzati 4 schemi di supervisione surrogata, ovvero non-linear transformation,local pixel-shuffling ed inpainting/outpainting. La prima parte del lavoro si incentra sulla aggregazione di diversi dataset pubblici, contenenti differenti tipi di immagini medicali (X-Ray,CT-Scan,MRI). Per mezzo dei pretex-tasks sono state applicate delle distorsioni alle immagini del dataset creato. Successivamente quest’ultimo è stato utilizzato per la fase di pre-addestramento dei modelli e i risultati delle differenti architetture utilizzate sono stati messi a confronto.Lo studio è stato condotto su differenti parti del corpo perché l’anatomia nelle immagini mediche può servire come forte segnale di supervisione, e su questa osservazione i deep models possono apprendere automaticamente la rappresentazione anatomica comune tramite l’auto-supervisione. Questi modelli possono essere impiegati in differenti applicazioni di imaging medico, come classificazione e segmentazione.