GAN-based Inpainting Techniques for Breast Lesions in Mammograms

Il cancro al seno rimane un problema diffuso e potenzialmente letale per le donne in tutto il mondo, sottolineando l'importanza critica della diagnosi precoce per il trattamento efficace e il miglioramento delle condizioni della paziente. La mammografia rappresenta lo standard per lo screening del cancro al seno, riducendo significativamente i tassi di mortalità identificando lesioni cancerose in una fase iniziale gestibile. Tuttavia, l'efficacia della mammografia dipende fortemente dalla capacità del radiologo di rilevare con precisione le anomalie, soprattutto le lesioni sottili o complesse. I recenti progressi nell'apprendimento automatico e nelle reti neurali profonde hanno aperto promettenti possibilità di miglioramento per la precisione e l'efficienza dell'interpretazione della mammografia. In questo lavoro mi concentro sulla generazione di tumori sintetici ed il loro inserimento in mammografie sane, considerando contemporaneamente le visualizzazioni mediolaterali oblique (MLO) e craniocaudali (CC), come tecnica per aumentare la varianza intra-dataset. Una caratteristica distintiva del mio operato, a differenza degli studi precedenti, risiede quindi nell'utilizzo simultaneo delle visualizzazioni CC e MLO, approccio che non era mai stato proposto in letteratura. Unendo i tumori sintetici ai frammenti delle mammografie, miro a simulare scenari clinici reali, potenziando le capacità discriminative dei modelli e riducendo il fenomeno dell'overfitting. Una componente essenziale del progetto, inoltre, comporta l'utilizzo di maschere approssimate come input al processo generativo, come alternative alle segmentazioni a livello di pixel comunemente usate.