Il Deep Learning (DL) ha apportato consistenti benefici all’intero campo dell’analisi di immagini mediche, rendendo possibili risultati mai precedentemente ottenuti in problematiche che si sono rivelate proibitive per tecniche di image processing tradizionale. In particolare, le reti neurali convoluzionali, grazie alla propria elevata capacità di generalizzazione e di estrazione di pattern direttamente dai dati, hanno rappresentato un consistente passo in avanti in problemi di segmentazione, che sono tra i più ricorrenti e rilevanti nel campo dell’imaging medicale. Nonostante i vari benefici che questa tipologia di tecniche offre, gli algoritmi di deep learning sono considerati in prevalenza come sistemi a “scatola nera”, rendendo difficile comprendere quali siano i fattori che controllano le loro performance ed ottimizzarli efficacemente senza apportare modifiche architetturali, le quali richiedono comunque una buona esperienza nel campo del DL.