Simulazione di immagini istologiche attraverso Generative Adversarial Networks = Simulation of histological images by Generative Adversarial Networks

Le immagini istologiche sono determinanti per la diagnosi di molte patologie. Il numero di istanze cellulari, la densità, la forma, la morfologia sono elementi chiave nella fase di valutazione delle immagini istologiche. La segmentazione delle singole istanze cellulari è importante per l’estrazione di tali features. Lo studio del contenuto semantico permette di comprendere le interazioni tra istanze cellulari e il microambiente. Le tecniche basate su deep learning (DL) rappresentano lo stato dell’arte nella segmentazione automatica delle singole istanze cellulari. In questo lavoro di tesi si propone un’inversione del paradigma tradizionale attraverso tecniche di intelligenza artificiale in grado di generare immagini istologiche realistiche a partire da un ground-truth predefinito, potendo controllare il contenuto semantico dell'immagine. La tesi si inserisce nell’Image-to-Image (I2I) paired translation. Si utilizza il dataset pubblico CryoNuSeg, che comprende 30 immagini istologiche paired colorate con ematossilina e eosina (H&E). Ogni immagine presenta tre annotazioni. Si propone un algoritmo per l’unione delle annotazioni in unico ground-truth, utilizzato per l’allenamento delle reti DL. La generazione di immagini istologiche è eseguita attraverso Generative Adversarial Networks (GANs).