Intelligenza Artificiale in supporto alla medicina: sviluppo di un sistema di rilevazione automatica di masse annessiali ovariche in immagini ecografiche = AI supporting medicine: development of an automatic detection system for ovarian adnexal masses in ultrasound images

10% e 5200: la probabilità di sopravvivenza a 5 anni di un tumore ovarico al IV FIGO ed il numero di donne in Italia a cui ogni anno viene diagnosticata tale malattia. Le ragioni di dati così allarmanti sono da ricercare nella tardiva diagnosi della lesione, a causa della sua aspecificità (dolori e gonfiore addominale, nausea, perdita di appetito) e nella mancanza di precisi strumenti di prevenzione. L'esame ritenuto gold standard è l'imaging ecografico, indolore, non invasivo e di basso costo; il suo svantaggio più importante, ovverosia il fatto di essere operatore dipendente, incide però nettamente sulla corretta classificazione della cisti. Oltre a questo fattore, l'esperienza dell'operatore gioca un ruolo sostanziale nella distinzione tra lesioni uniloculari o multiloculari, solide o sierose: queste 4 caratteristiche, se correttamente investigate, sono di fondamentale importanza per la classificazione della massa annessiale in benigna/maligna seguendo alcune simple rules dettate dall'organizzazione IOTA. In questo contesto si inserisce il lavoro di Tesi svolto in collaborazione con Syndiag, giovane start-up il cui obiettivo è supportare il clinico durante l'analisi di cisti ovariche: scopo del progetto, in linea con la mission di Syndiag, è l'implementazione di un software (scritto in linguaggio Python) in grado di assistere il clinico nell'individuazione della cisti ovarica, rivelando una bounding box che ne circoscrive la parete esterna, e nella sua corretta categorizzazione nelle 4 classi sopracitate. Particolare attenzione è stata rivolta alla localizzazione della massa annessiale, in quanto l'identificazione di una ROI (Region Of Interest) si è rivelato uno step importante per la pipeline sviluppata dalla start-up. La scelta dell'algoritmo è ricaduta su YOLOv3, un particolare tipo di rete neurale convoluzionale (CNN), il cui notevole vantaggio è il ridotto tempo di inferenza. Il dataset a disposizione consiste in video provenienti da esami ecografici svolti su 43 pazienti, da cui sono state estratte le immagini da processare. Il frame rate di ogni macchinario presente nella struttura ospedaliera è risultato essere differente, motivo per cui è stata svolta un'analisi del coefficiente di correlazione presente tra i vari frames per determinare quali immagini dovessero essere scartate. Questa operazione ha diminuito notevolmente il dataset, perciò si è reso necessario l'utilizzo del data augmentation. Le immagini, dopo l'applicazione di un crop ed un resizing, sono state processate dalla rete neurale. Gli esperimenti condotti riguardano il tuning di alcuni parametri della rete (fattori di regolarizzazione della funzione di costo e soglie) ed il batch-size, con lo scopo di migliorare l'Average Precision complessiva. I risultati ottenuti, tenendo conto dell'assenza di materiale in letteratura che tratti la detection di cisti ovariche, sono molto promettenti per quanto riguarda la classe uniloculare, sierosa e multiloculare. Un discorso più approfondito è invece necessario per la classe solida, sulla quale YOLOv3 riscontra diverse difficoltà.