Approccio generativo tramite contenuto semantico per la simulazione di immagini istopatologiche di tessuto prostatico = Generative approach through semantic content for the simulation of histopathological images of prostate tissue

Il carcinoma prostatico è una condizione tumorale, che colpisce gli uomini con un aumento dell’incidenza negli ultimi anni. La diagnostica di tale patologia comprende l’urinocultura, il dosaggio del PSA e l’esplorazione rettale. In relazione ad un elevato valore di PSA ed un ingrossamento della prostata, si effettua un’esame istologico del tessuto stesso per valutare la condizione tissutale. Inoltre, la diagnosi comporta l’assegnazione di un valore, detto "Gleason score", che permette di quantificare lo stato di avanzamento tumorale. Nella valutazione, però, ci sono differenti problematiche che sono tutt’ora delle open challenge: il primo è quello relativo alla variabilità inter− e intra−operatore che può modificare la valutazione che si ottiene. Per tale ragione, una delle soluzioni attualmente supportate per la semplificazione della diagnosi è quella di digitalizzare i vetrini, ottenendo quelle che vengono definite come WSI (whole slide images); il secondo è quello relativo alla mancanza di un numero sufficiente di vetrini, che permetta di costruire un dataset consistente per essere utilizzato anche con scopo educativo. Per tentare di risolvere tale problema, si è pensato di utilizzare questo lavoro di tesi, il quale ha come scopo quello di creare un algoritmo capace di sintetizzare nuove immagini istologiche, partendo da immagini reali. Per far questo, il dataset utilizzato era composto da 331 WSI, con colorazione H&E, provenienti dal Vancouver Prostate Center con le relative annotazioni definite da patologi esperti. L’idea alla base è quella di poter ottenere nuove immagini sintetiche che sia quanto più riconducibili a quelle reali, partendo dal contenuto semantico delle stesse. Per far questo è stato utilizzato un algoritmo, quale SPADE (SPatially Adaptative DEnormalization), che ha come intento quello di generare delle immagini che siamo semanticamente coerenti con quelle in input, partendo da quella che viene definita come maschera. Quest’ultima è una rappresentazione delle varie label che possono essere analizzate nella WSI: i gradi tumorali (condizione benigna, Gleason 3, Gleason 4 e Gleason 5), lo sfondo e tutto ciò che non era marcato. In seguito all’ottenimento delle nuove immagini sintetizzate per poter valutare la loro coerenza semantica, sono state confrontate con le immagini reali attraverso l’analisi di metriche no−reference (BRISQUE e NIQE) e con una conseguente analisi tissutale (features del primo e del secondo ordine), in particolare l’analisi è stata effettuata andando a valutare come il numero di epoche possa condizionare la generazione di nuove immagini. Concludendo, possiamo valutare come questa sia una possibile soluzione per migliorare la robustezza e il bilanciamento di un eventuale dataset e al contempo potrebbe essere utilizzato per aumentare gli elementi utilizzabili in ambito educativo. Allo stesso tempo si potrebbe pensare di utilizzare i risultati ottenuti dall’algoritmo descritto, come elemento per l’allenamento di un discriminatore, che permetta di effettuare una diagnosi primaria.