Machine Learning e Microwave Imaging per l'ictus cerebrale: un caso di studio = Machine Learning and Microwave Imaging for Brain Stroke: A Case Study

Scopo di questa tesi è quello di valutare se alcuni algoritmi di apprendimento automatico operanti su dati di scattering elettromagnetico possano rilevare e classificare l'ictus cerebrale in funzione della posizione e delle dimensioni che esso assume nello spazio rappresentato dal cervello. Questo lavoro si focalizza sull’utilizzo di matrici di scattering usate nell’imaging a microonde (MWI), un campo della bioimaging che se applicato all’ambito dell’ictus cerebrale ha lo scopo di migliorarne la prognosi dopo l’insorgenza dell’ictus, velocizzare la diagnosi preospedaliera del tipo di ictus (ischemico o emorragico) e monitorarne in modo continuo l’evoluzione nella fase post-acuta. L’MWI, infatti, a differenza delle tecniche per ottenere immagini diagnostiche attualmente in uso, come la Tomografia Computerizzata (TC) basata su raggi X e la risonanza magnetica (MRI): - sfrutta il fatto che nella banda delle microonde i tessuti ischemici mostrano proprietà dielettriche diverse rispetto ai tessuti sani; - non utilizza radiazioni ionizzanti, quindi non sono dannose per il paziente; - è una tecnica a basso costo e a bassa potenza. L’oggetto di studio sono quindi i segnali di Scattering generati, attraverso la tecnologia a microonde, da un sistema di 24 antenne in modalità Tx/Rx collocate attorno alla testa, e acquisiti mediante Vector Network Analyzer (VNA). Tali segnali sono poi usati per l’allenamento di algoritmi di Machine Learning (ML) con lo scopo di classificare la presenza dell’ictus o l’assenza, la posizione e la dimensione. È noto che l’allenamento di questi algoritmi richiede un numero molto elevato di campioni (dataset). Poiché la costruzione del dataset ideale avrebbe richiesto molto tempo per realizzare un numero elevato di misure sperimentali, per un primo caso di studio volto a validare la metodologia sono stati simulati, tramite Matlab, i segnali di Scattering. Nel seguente elaborato viene descritto il metodo di simulazione basato sulla procedura inversa dell’algoritmo Truncated Singular Value Decomposition (TSVD), normalmente usato per la ricostruzione di immagini. Viene inoltre dimostrato che la procedura funziona correttamente, confrontando un caso reale di misura (scena con ictus di forma sferica collocato in una precisa posizione nello spazio), con quella ricreata attraverso Matlab. In particolare, mediante la manipolazione dei dati della regione di interesse (discretizzata con dei tetraedri), è stata creata, mediante una maschera, una variazione di contrasto ΔX tale per cui con la procedura inversa dell’algoritmo TSVD si è ottenuta la corrispondente matrice di scattering ΔS, che è servita per verificarne il confronto. Con la simulazione di un numero elevato di segnali, relativi a varie scene con e senza ictus, si è quindi costruito il dataset per gli algoritmi ML. Sono stati utilizzati tre algoritmi supervisionati: - Support Vector Machine (SVM) - Multilayer Perceptron (MLP) - k-Nearest Neighbors (k-NN) In prima analisi è stato testato un dataset ridotto di 600 features divise nelle loro classi di appartenenza, effettuando un preprocessing iniziale con feature standardization e feature selection, ottenendo risultati migliori nella classificazione con l’algoritmo SVM con un accuracy_score del 75 % e un Area Under Curve (AUC) medio di 0,95. Per migliorare il processo di apprendimento, è stato poi costruito un dataset più ampio con 12000 features, ottenendo quindi risultati migliori e soddisfacenti.