Reti neurali profonde multi-vista per la classificazione di immagini mammografiche = Multi-view deep neural networks for mammography image classification

Nell’ambito dell’imaging medico, la mammografia è un esame di screening che si occupa di identificare potenziali masse all’interno del seno. Le mammografie prevedono l’acquisizione di due viste per mammella lungo angolazioni diverse che consentono di escludere più facilmente i falsi positivi, che spesso compaiono quando si analizza un'unica vista. Tuttavia, a differenza dei radiologi, i modelli in letteratura sviluppati per la classificazione di lesioni non integrano le feature provenienti da più viste in modo locale ma solo le informazioni a livello globale: ciò rappresenterebbe un valore aggiunto nella classificazione di un reperto. Questa tesi di ricerca analizza ed implementa una particolare architettura neurale, chiamata Anatomy-aware Graph convolutional Network (AGN), che ha come obiettivo la feature fusion tra viste diverse, al fine di poter eseguire un task di triage effettuando predizioni case-level. L’introduzione all’interno della stessa architettura di immagini cranio-caudali (CC) e medio-laterali oblique (MLO) rappresenta la vera innovazione in questo campo: in particolare, l’architettura si occuperà di modellare le relazioni geometriche e semantiche delle viste ipsilaterali, o anche omolaterali (situate sullo stesso lato) e le somiglianze strutturali delle viste controlaterali (viste dei lati opposti). Queste relazioni sono ottenute tramite l’introduzione di grafi, ossia strutture dati non euclidee che possono connettere informazioni di viste diverse all’interno dello stesso grafo. La sfida maggiore è rappresentata proprio dall’utilizzo di tali strutture non euclidee, un approccio relativamente recente in questo campo. Questa architettura è stata allenata sul Karolinska Dataset, un dataset contenente immagini mammografiche di 11000 pazienti acquisite nell’ambito di un programma di screening, usato per risolvere l’ambiguità d’interpretazione di una mammografia facendo uso di una logica multi-vista. La rete è stata validata e testata sperimentalmente su questo dataset per dimostrare la praticità di quest’approccio. Gli esperimenti dimostrano una performance molto alta per il modello, anche comparata all'architettura di riferimento: l'Area Under the ROC Curve (AUC) sul validation set ha raggiunto lo 0.8, così come il partial Area Under the ROC Curve (pAUC).