polito.it
Politecnico di Torino (logo)

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

Giovanni Maimone

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

Rel. Fabrizio Lamberti, Lia Morra. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Informatica (Computer Engineering), 2020

Abstract:

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.

Relatori: Fabrizio Lamberti, Lia Morra
Anno accademico: 2020/21
Tipo di pubblicazione: Elettronica
Numero di pagine: 97
Informazioni aggiuntive: Tesi secretata. Fulltext non presente
Soggetti:
Corso di laurea: Corso di laurea magistrale in Ingegneria Informatica (Computer Engineering)
Classe di laurea: Nuovo ordinamento > Laurea magistrale > LM-32 - INGEGNERIA INFORMATICA
Aziende collaboratrici: NON SPECIFICATO
URI: http://webthesis.biblio.polito.it/id/eprint/15880
Modifica (riservato agli operatori) Modifica (riservato agli operatori)