Correzione di artefatti nelle immagini di microscopia confocale a fluorescenza: dall'euristica all'Intelligenza Artificiale = Artifacts correction in fluorescence confocal microscopy images: a journey from heuristics to Artificial Intelligence

La microscopia confocale a fluorescenza è una delle metodologie di imaging ottico medico più utilizzate in ambito diagnostico ed in particolare nel campo dell'anatomia patologica. L’analisi di strutture cellulari, lo studio del funzionamento dei vasi sanguigni e l’indagine delle cellule tumorali sono solo alcune delle applicazioni della microscopia confocale a fluorescenza, che si rivela un metodo molto valido anche per i vantaggi che presenta dal punto di vista della semplicità e non invasività del suo funzionamento. La possibilità di ottenere immagini dettagliate di oggetti biologici a livello cellulare o subcellulare è la potenzialità che contraddistingue questa tecnica. Tuttavia, la presenza di artefatti può compromettere la buona visibilità degli oggetti all’interno delle immagini acquisite, pregiudicando una successiva corretta diagnosi. Il presente lavoro di tesi si incentra sull’implementazione di un metodo automatico per la rimozione di artefatti presenti in immagini di microscopia confocale a fluorescenza. L’obiettivo di miglioramento delle immagini sulle quali si è svolto il progetto di tesi è stato raggiunto strutturando un metodo che si concentra sull’enfatizzare la visibilità di tutti gli oggetti di interesse che risultano poco evidenti, diminuendo inoltre la presenza di rumore ed interferenze luminose, preservando contemporaneamente l’informazione rilevante dei dati di input. Le problematiche individuate sono dovute sia al processo di acquisizione che a fenomeni derivanti dalle proprietà luminose degli oggetti biologici. L'utilizzo di diversi dataset sui quali è stato sviluppato e testato il metodo ha permesso di ottenere un algoritmo generale e robusto che, infine, è stato specializzato nella correzione di acquisizioni 3D di campioni biologici affetti dal fenomeno dell'autofluorescenza. In seguito alla verifica della validità dei risultati ottenuti dall’algoritmo si è proceduto con l’addestramento di una Generative Adversarial Network (GAN) con architettura pix2pix, col fine di produrre un modello addestrato in grado di generare immagini quanto più possibile simili a quelle risultanti dal processing effettuato tramite l’algoritmo. La finalità dell’utilizzo del modello generativo addestrato è quella di superare i limiti dell’algoritmo nel tentativo di ottenere risultati caratterizzati da una maggiore qualità, sfruttando la capacità di generalizzazione della rete che, essendo un modello non euristico, è in grado di stabilire un mapping più generico tra il dominio delle immagini originali e il dominio delle immagini migliorate, rispetto a quello definito dall'algoritmo euristico. I due metodi proposti hanno dunque condotto alla risoluzione del task, producendo dei risultati validi in maniera complementare. Il presente lavoro di tesi costituisce un possibile punto di partenza per lo sviluppo di protocolli di image processing utili ad agevolare l’analisi di immagini di strutture cellulari a scopi diagnostici.