Generative Adversarial Network Modello per la traduzione tra domini di immagini mediche TOF-MRA to CTA = Generative Adversarial Network Model for domain translation of medical images from TOF-MRA to CTA

L'integrazione dell'intelligenza artificiale (IA) nell'imaging medico ha il potenziale di rivoluzionare la diagnosi e il trattamento di numerose patologie, tra cui quelle più rare e complesse, difficili da prevedere e affrontare mediante la medicina convenzionale. Tuttavia, la disponibilità limitata di dataset medici pubblici, dovuta a restrizioni etiche, normative sulla tutela della privacy dei pazienti e complessità infrastrutturali, ostacola l'addestramento di modelli avanzati basati sull'IA. In questo contesto, la generazione di dati sintetici tramite modelli generativi, come le Generative Adversarial Networks (GAN), si presenta come una delle soluzioni più promettenti per superare tali limitazioni, consentendo la creazione di immagini mediche realistiche e anonimizzate e l'espansione dei dataset utilizzabili per l'addestramento di modelli IA. Questa tesi propone un approccio finalizzato al superamento di queste limitazioni mediante lo sviluppo di un modello GAN 2D-based per la traduzione di immagini da Time-of-Flight Magnetic Resonance Angiography (TOF-MRA) a Computed Tomography Angiography (CTA), nel caso specifico del Circolo di Willis. Il modello è stato addestrato utilizzando immagini provenienti dal dataset TopCoW, il quale fornisce immagini MRA e CTA accoppiate e anonimizzate, ma non registrate. La scelta di utilizzare immagini angiografiche deriva dalla volontà di affrontare direttamente uno dei principali problemi delle tecniche angiografiche CT, ovvero la necessità di somministrare un mezzo di contrasto al paziente. Il modello finale genera così un nuovo set di immagini cerebrali angiografiche sintetiche, validate da un'équipe di radiologi esperti per garantirne la fedeltà clinica, utilizzabili per l'addestramento di ulteriori modelli IA in campo medico. Questo lavoro sottolinea il potenziale dei dataset sintetici nel promuovere l'innovazione nell'imaging medico, garantendo al contempo la conformità alle normative sulla privacy e favorendo una più ampia condivisione dei dati per la ricerca e lo sviluppo clinico.