Valutazione dell'impatto di metodi di preprocessing sulla ricostruzione real-time di immagini optoacustiche usando reti neurali profonde = Evaluation of the impact of preprocessing methods on real-time reconstruction of optoacoustic images using deep neural networks

La tomografia optoacustica multispettrale (MSOT) è una tecnica innovativa che sfrutta l'effetto fotoacustico. La MSOT si basa infatti sull'assorbimento da parte dei tessuti di onde luminose a diversa lunghezza d'onda, i quali rispondono con variazioni meccaniche sufficienti a generare delle onde ultrasonore rilevabili. Lo scopo delle tecniche di ricostruzione di immagini optoacustiche è quello di riprodurre le immagini anatomiche a partire dai sinogrammi, ovvero i segnali generati dal rilevamento di queste onde da parte di sonde piezoelettriche, del tutto analoghe a quelle usate in ecografia. In questo lavoro di tesi sono stati esaminati punti di forza e limitazioni di due delle tecniche di ricostruzione più efficaci: l’algoritmo di Back-Projection e il Model-Based iterativo. Il primo è un algoritmo real-time che ha come principale limitazione quella di assumere la velocità del suono costante all’interno dell’organismo: ciò diminuisce notevolmente le performance. Il secondo, invece, si avvicina di più al caso reale ma richiede tempi di elaborazione molto lunghi, incompatibili con il real-time. Queste problematiche hanno spinto verso l’utilizzo di metodi basati su reti neurali, come il DeepMB. Questo modello di ricostruzione, oggetto della presente tesi, è stato proposto dal gruppo di ricerca i-Thera, collaboratore del Politecnico di Torino. Il modello riceve in ingresso i sinogrammi e restituisce le immagini ricostruite grazie all’applicazione di una rete neurale con struttura U-Net. Le immagini di riferimento utilizzate per l’allenamento sono quelle ottenute tramite il metodo Model-Based iterativo: questo permette alla rete, una volta allenata, di ricostruire le immagini con elevata accuratezza e in tempi brevi, tali da permetterne l’utilizzo real-time. Questo metodo risulta inoltre innovativo poiché prevede la possibilità di rendere la velocità del suono un parametro allenabile, aspetto che aumenta di molto le prestazioni. In prima battuta è stata valutata la ripetibilità del modello proposto, per poi esaminare quali set-up potessero essere indagati e quali caratteristiche del modello potessero essere modificate, valutando se ciò porta ad un effettivo miglioramento delle prestazioni. Il punto su cui ci si è soffermati è l’effetto in termini di prestazioni di algoritmi di preprocessing applicati ai sinogrammi. Un altro fattore esaminato è stato il costo computazionale: il modello richiede tempi di allenamento molto lunghi, dunque sono state valutate condizioni di stop non troppo stringenti che potessero ridurre i tempi inficiando meno possibile sulle prestazioni. I risultati ottenuti dimostrano le elevate prestazioni e l’effettiva ripetibilità del modello rispetto ai dati riportati in letteratura. Dalla prove effettuate l’utilizzo di algoritmi di preprocessing applicati ai sinogrammi non apporta differenze significative in termini di performance.