L'utilizzo dei modelli generativi per generalizzare algoritmi di denoising nelle immagini ultrasonografiche = The use of generative models to generalize denoising algorithms in ultrasound images

Lo spessore del complesso intima-media (IMT – intima media thickness) dell'arteria carotidea comune viene utilizzato come marker per fare una valutazione di rischio aterosclerotico. La misurazione di quest’ultimo viene generalmente effettuata sulle immagini ecografiche acquisite in modalità B-Mode. Il complesso viene calcolato tracciando i profili lume-intima e media-avventizia e misurando la distanza tra i due profili. Il valore di questo spessore viene alterato dalla presenza del rumore speckle che è un particolare tipo di disturbo delle immagini ultrasonografiche, che peggiora la qualità delle interfacce lume-intima e media-avventizia, causando così possibili errori . La misurazione del complesso può così essere soggetta a variabilità inter ed intra-operatore. L’obiettivo del lavoro di tesi è quello di creare un dataset di immagini filtrate da utilizzare, per allenare una Generative Adversarial Network (GAN) che ha il compito di generalizzare l’output di 6 diversi filtri per la riduzione del rumore speckle, fornendo come output un dataset filtrato. La capacità di filtraggio del rumore speckle da parte della GAN viene testata in maniera task-based con un task di segmentazione del complesso intima-media. Viene sviluppata una pipeline di lavoro che ha l’obiettivo di effettuare un’analisi sulle immagini, partendo dal caricamento, passando poi per la normalizzazione, il filtraggio e la valutazione delle metriche. Le metriche di valutazione utilizzate sono: Signal-to-noise-ratio (SNR), Contrast-to-noise-ratio (CNR), Natural image quality evaluator (NIQE ) ed entropia. SNR e CNR vengono calcolate considerando come region of interest (ROI) del rumore, una zona del lume, la NIQE viene valutata su tutta l’immagine e l’entropia sia su una regione del lume che su una regione dell’avventizia. Questo serve per testimoniare la quantità di informazione nelle 2 zone. La stessa pipeline viene adottata per tutte le immagini originali (senza il passaggio del filtraggio) ed immagini filtrate utilizzando 6 filtri per fare despeckling (filtro lineare, Mediano ibrido filtro di Kuwahara, guided filter, filtro bilaterale, e total variation denoising). Volendo generalizzare gli output ottenuti dai 6 algoritmi, viene così creato un dataset filtrato che servirà poi per fare il training della rete. La rete allenata è una Pix2Pix. È stata allenata in maniera accoppiata con l'immagine originale come source e l'immagine filtrata come target. Sono state utilizzate 2318 immagini per fare il training della rete e 258 sono state invece utilizzate come test set. Vengono presentati dei risultati relativi alle metriche per le immagini originali (SNR = 9.33±3.11, CNR = 2.02±1.06 , NIQE = 5.38±1.04, Entropia Lume = 3.36±1.83, Entropia Avventizia = 7.28±0.30) e per le immagini filtrate ottenute dal modello generativo (SNR = 9.79±2.95, CNR = 2.16±1.11 , NIQE = 5.18±0.62, Entropia Lume = 3.11±1.87, Entropia Avventizia = 7.24±0.29). Il confronto è stato fatto anche per le immagini filtrate dai singoli algoritmi di denoising, con risultati delle metriche che dipendono dal metodo utilizzato ma comunque vicini a quelli ottenuti con la rete. I risultati ottenuti testimoniano che il dataset filtrato ottenuto dalla rete può aiutare in un task di segmentazione in cascata, visto che SNR e CNR aumentano e l’Entropia sull’avventizia rimane con valor medio vicino all’originale. Di conseguenza si può dire che il modello generativo contribuisce a filtrare le immagini con un metodo più generalizzabile rispetto i singoli filtri.