Sviluppo di un sistema ibrido basato su Machine Learning e Deep Learning per la classificazione di lesioni tumorali in immagini di mammografia sintetica = Development of a hybrid system based on Machine Learning and Deep Learning for breast lesions classification in synthetic mammography images

Il carcinoma della mammella è il tumore più frequentemente diagnosticato nelle donne per tutte le fasce d’età e causa il 17% di tutti i decessi oncologici nel sesso femminile. Negli ultimi anni il tasso di mortalità è in diminuzione, grazie ad una diffusione sempre maggiore dei programmi di screening basati su imaging diagnostico. Questi programmi permettono di identificare precocemente la malattia il che consente di aumentare il tasso di sopravvivenza. Gli esami di screening hanno però delle limitazioni basate sulla difficile individuazione del tipo di lesione presente nel seno. In questo contesto, si sono sviluppate delle tecniche di apprendimento automatico che possono essere utilizzate come secondo strumento diagnostico, affiancando i medici nel riconoscimento e nella classificazione delle lesioni. Il lavoro di tesi, in collaborazione con l’azienda Tecnologie Avanzate Srl, propone la realizzazione un software automatico per la classificazione di lesioni tumorali col fine di negativizzare i falsi sospetti. Il Dataset utilizzato durante il lavoro si compone di immagini di mammografie sintetiche C-View di 153 pazienti (di entrambe le mammelle lungo le proiezioni cranio-caudale e medio laterale obliqua) concesse dal reparto di Senologia delle Molinette. Nel sistema proposto si classificano i tumori sulla base di due tipi di caratteristiche che vengono estratte dai tessuti del seno e delle lesioni. Nella prima fase del progetto, si è effettuata una estrazione profonda di feature attraverso algoritmi di deep learning, utilizzando la tecnica di transfer learning su quattro architetture CNN, quali ResNet, AlexNet, DenseNet e VGG. Nella seconda fase, sono state estratte caratteristiche riguardanti la natura del tessuto mammario attraverso descrittoti di prim’ordine, GLCM e LBP. Infine, i due gruppi di feature sono state unite per creare un unico vettore di funzionalità e quindi date in input ad un classificatore (LDA, SVM, KNN e ANN) che permette di ottenere la classificazione finale. Lo studio mostra che il vettore delle caratteristiche fuse ha prestazioni simili rispetto alle prestazioni del singolo vettore estratto con deep learning.