Sviluppo di un modello generativo per la simulazione di immagini di tomografia a coerenza ottica nella degenerazione maculare legata all’età = Development of a generative model for simulating optical coherence tomography images in age-related macular degeneration

La Degenerazione Maculare Legata all’Età (AMD) rappresenta una delle principali cause di perdita della vista nei Paesi industrializzati, con impatto significativo sulla qualità della vita. La malattia si manifesta con una progressiva degenerazione della macula, compromettendo la visione centrale. La diagnosi precoce e il monitoraggio dei diversi stadi della patologia risultano fondamentali per garantire interventi terapeutici tempestivi ed efficaci; in grado di rallentare la progressione della malattia e preservare la funzione visiva residua. In questo contesto, la Tomografia a Coerenza Ottica (OCT) rappresenta lo strumento di imaging più avanzato e diffuso per lo studio della retina. Riconoscere correttamente le caratteristiche delle immagini OCT è fondamentale per consentire ai clinici di diagnosticare la malattia e identificarne lo stadio, tuttavia, la disponibilità limitata di dataset clinici ampi e annotati riduce le opportunità di addestramento e pratica. In questo scenario, l’utilizzo di Reti Generative Avversarie (GAN) per generare immagini sintetiche realistiche rappresenta uno strumento sia per ampliare i dataset disponibili sia per supportare la formazione dei clinici. L’obiettivo di questa tesi è lo sviluppo di una GAN per generare immagini OCT relative ai diversi stadi dell’AMD. Nello studio sono stati considerati quattro stadi della malattia: soggetti sani, stadio intermedio, forma neovascolare e atrofia geografica. I dati di ciascuna categoria sono stati trattati separatamente e suddivisi in training e test set con proporzione 80%-20%. Le immagini in input alla rete sono state sottoposte a un preprocessing finalizzato alla generazione di mappe semantiche. Le immagini sintetiche ottenute sono state valutate sia da clinici esperti, tramite una valutazione qualitativa in modalità cieca, sia mediante metriche quantitative, al fine di verificarne qualità visiva, coerenza strutturale e fedeltà delle caratteristiche patologiche. I valori ottenuti tramite PSNR, SSIM, FID indicano una moderata fedeltà strutturale (PSNR ~22-23; SSIM ~0.43-0.46). L’analisi FID mostra risultati migliori per i sani e atrofia geografia (~28). Il CII, con valori compresi tra 1.6 e 1.7, mostra un miglioramento del contrasto nelle immagini sintetiche. L’analisi delle texture ha mostrato un errore medio compreso tra circa 2.6% e 3.8%, dimostrando che la GAN riproduce con fedeltà le caratteristiche locali delle immagini negli stadi della malattia. I risultati suggeriscono che la GAN risulta in grado di generare immagini realistiche e coerenti, con potenziale applicazione nell’ampliamento dei dataset per futuri modelli di deep learning e come supporto alla formazione clinica.