Development of Deep Learning Integrated Mobile Framework for Dermatological Image Analysis

Il cancro della pelle è tra le forme tumorali più diffuse e potenzialmente letali a livello globale, con il melanoma maligno che si distingue per il comportamento clinico aggressivo e l’incidenza in aumento nell’ultimo decennio. Una diagnosi precoce e accurata è essenziale per migliorare la prognosi, e in questo contesto la teledermatologia si è affermata come una soluzione sempre più valida per superare le barriere spaziali e temporali nell’accesso alle cure. Grazie alla crescente disponibilità di smartphone e dermatoscopi mobili, lo screening dermatologico a distanza sta diventando sempre più comune sia in ambito clinico sia extra-clinico. Tuttavia, la qualità delle immagini acquisite dai pazienti rappresenta ancora un limite significativo, spesso compromessa da bassa risoluzione, sfocatura e condizioni di illuminazione variabili, fattori che possono ridurre l’affidabilità e l’accuratezza diagnostica. Il presente studio si propone di valutare l’implementazione del modello Real-ESRGAN su dispositivi mobili come strumento per migliorare la qualità delle immagini dermatologiche acquisite in condizioni subottimali. Real-ESRGAN è un framework di super-risoluzione basato su reti generative avversarie (GAN), in grado di generare immagini ad alta risoluzione a partire da versioni degradate. Considerando i limiti computazionali tipici degli smartphone, il progetto analizza le prestazioni, la fattibilità d’integrazione e la reattività del modello in ambienti mobili. Il modello è stato testato in tre ambienti distinti. In primo luogo, è stata eseguita l’inferenza con l’implementazione ufficiale in PyTorch su Google Colab, utilizzata come riferimento per qualità visiva e velocità in condizioni ideali. Successivamente, il modello è stato convertito in formato NCNN ed eseguito su Android tramite un’app nativa in C++, ottimizzata con JNI e OpenMP per massimizzare le prestazioni su CPU ARM. Infine, è stata effettuata un’impolementazione con ExecuTorch, il framework di Meta che consente l’esecuzione di modelli PyTorch esportati in formato .pte su dispositivi Android. In questo caso, è stata sviluppata un’app in Java per effettuare l’inferenza direttamente sul dispositivo. Prima dell’inferenza, tutte le immagini sono state sottoposte a un pre-processing leggero (resize, normalizzazione, conversione in RGB) per rispettare le specifiche di input dei vari backend. Le app sviluppate consentivano agli utenti di caricare un’immagine, applicare la super-risoluzione e visualizzare il risultato all’interno dell’interfaccia mobile. Ogni versione del modello è stata valutata sia tramite ispezione visiva sia tramite metriche oggettive di qualità dell’immagine (PSNR, SSIM, MSE, LPIPS), e sono stati registrati i tempi di inferenza per analizzare le prestazioni computazionali in termini di latenza e reattività. I risultati hanno mostrato che NCNN ha ottenuto prestazioni superiori in termini di velocità, mentre ExecuTorch ha favorito una maggiore integrazione nativa nei flussi di lavoro PyTorch. La qualità visiva dell’output si è mantenuta stabile tra i diversi ambienti, confermando la robustezza del modello. Questi risultati suggeriscono la possibilità concreta di integrare algoritmi di super-risoluzione nei flussi di lavoro dermatologici su dispositivi mobili, con potenziali applicazioni nel triage a distanza e nel supporto diagnostico in contesti con risorse limitate o scarsa connettività.