Ricostruzione di immagini fotoacustiche mediante U-Net e quantificazione dell’incertezza = Photoacoustic images reconstruction using U-Net and uncertainty quantification

Tra i metodi per la ricostruzione di immagini fotoacustiche a partire dai segnali temporali acquisiti con sonde ultrasonografiche, vi sono alcune tecniche basate su backprojection e altre di tipo model-based. La prima categoria tende a creare immagini con molti artefatti, mentre la seconda ne produce un numero inferiore, ma richiede tempi computazionali elevati. Per superare tali limiti, questo progetto mira a sviluppare un metodo che ricostruisce l’immagine del tessuto in tempi ridotti con un numero ridotto di artefatti. Tale approccio si basa sull’implementazione di una rete U-Net modificata, in grado di ricostruire immagini mediche e relative maschere di ossigenazione dei vasi a partire da segnali temporali simulati, integrando la valutazione della robustezza delle predizioni, tramite quantificazione dell’incertezza. Il dataset utilizzato è composto da 2255 triplette di matrici simulate con SIMPA, ognuna contenente strutture vascolari con vista trasversale. Ogni tripletta comprende una matrice 3D di segnali temporali acquisiti da una sonda lineare, generati dalla radiazione simulata alle lunghezze d’onda di 750, 800 e 850 nm, una matrice 2D rappresentante la maschera di ossigenazione e una 2D relativa alla ricostruzione model-based del tessuto simulato. Questi tre elementi costituiscono rispettivamente l’input e i due target, utili all’allenamento della rete per la generazione delle immagini. In seguito, per la quantificazione dell’incertezza si applica la tecnica di Monte Carlo dropout sui sette layer di dropout interni alla rete: uno nell’encoder con probabilità 0.25, tre nel decoder dedicato alla ricostruzione con probabilità 0.2 e tre nella generazione della maschera con probabilità 0.3. Con tale approccio si genera un numero arbitrario di predizioni, qui pari a dieci, per ciascuna immagine ricostruita e per ogni maschera. Esse vengono poi analizzate con due metriche distinte per quantificare la variabilità delle predizioni. La prima metrica considera l’entropia normalizzata dell’immagine media generata. La seconda, sviluppata esternamente al presente progetto, applica una tecnica basata sulla media pesata dell’entropia normalizzata. La fase di generazione delle immagini mostra risultati promettenti, con le maschere d’ossigenazione che riportano nel test set un errore pari a 0.0284 ± 0.0348 in termini di RMSE, nell’ intervallo [0,1], e le relative ricostruzioni che presentano un SSIM nell’ intervallo [0,1] pari a 0.7505 ± 0.1705. Nella fase di quantificazione dell’incertezza, la prima metrica evidenzia un’incertezza in termini di entropia normalizzata pari a 0.2100 ± 0.0335 per le ricostruzioni e 0.4682 ± 0.0280 per le maschere di ossigenazione nel test set. La seconda metrica mostra un’entropia ridotta pari a 0.0005 ± 0.0002 per le ricostruzioni e a 0.0776 ± 0.0268 per le maschere. In conclusione, il metodo implementato dimostra buone potenzialità. Tuttavia, necessita di ulteriori sviluppi, come l’addestramento su dati in vivo o l’impiego di più immagini simulate, con caratteristiche vascolari molto complesse, per migliorare la capacità di generalizzazione della ricostruzione. In questo scenario, caratterizzato da maggior variabilità dei dati, il modello può risultare più incerto nella fase di generazione delle immagini. Per mitigare questo effetto, un possibile approccio può prevedere l’integrazione della seconda metrica di incertezza come funzione di perdita durante l’allenamento, con l’obiettivo di migliorare la qualità delle ricostruzioni.