Reti neurali profonde multi-vista per il triage mammografico = Multi-view deep neural networks for mammography triage

In medicina il tumore alla mammella gioca un ruolo principale essendo il tumore più diffuso al mondo. Al momento, data la natura asintomatica della malattia, l’unico modo per prevenire la mortalità è lo screening mammografico che si basa sulla mammografia. La mammografia non è altro che una scansione a basse radiazioni attraverso la quale si possono identificare potenziali lesioni all’interno della mammella. Di solito viene eseguita ad entrambe le mammelle e in due diverse proiezioni, le quali differiscono per l’angolazione a cui viene eseguita, cranio-caudale (CC) e medio-laterale obliqua (MLO). I radiologi, visionando le quattro diverse immagini mammografiche, eseguono sia un’analisi omolaterale (stesso lato) sia bilaterale (lato diverso) al fine di produrre il referto. Data la vasta popolazione su cui eseguire lo screening mammografico, che dovrebbe essere eseguito periodicamente da tutte le donne con età superiore ai 50 anni, i radiologi sono sempre più supportati, al fine di avere una diagnosi migliore e in breve tempo, dai computer aided detection system (CAD). In questa tesi verrà discussa l’implementazione di un’architettura neurale denominata Anatomy-aware Graph convolutional Network multi view (AGN multi view), la quale, poste in input le quattro immagini mammografiche definite in precedenza, esegue una predizione in modo da effettuare un task di triage emulando l’analisi fatta da un radiologo. L’analisi tra le diverse proiezioni avviene tramite una particolare struttura dati, i grafi, a tale scopo è stato necessario eseguire un mapping dalla struttura dati iniziale, un’immagine, a un grafo in modo da poter utilizzare dei grafi in cui le parti simili della mammografia fossero connesse. L’intera architettura è stata implementata e successivamente allenata sul Karolinska Dataset che contiene gli esami mammografici di circa 11000 pazienti di diverse età.