Utility of Ultraviolet-Enhanced Fluorescence dermoscopy for demarcation of surgical margins in Mohs micrographic surgery

L’incidenza dei tumori cutanei è in costante aumento e la diagnosi precoce rappresenta un fattore determinante per il successo terapeutico. Negli ultimi anni, l’integrazione tra tecniche di imaging e metodi di intelligenza artificiale ha aperto nuove prospettive nella diagnosi automatizzata delle lesioni cutanee. In questo lavoro è stato sviluppato e valutato un modello di segmentazione automatica basato su una rete U-Net con testa Fully Convolutional Network (FCN), finalizzato all’individuazione delle aree tumorali in immagini dermoscopiche sia convenzionali che in fluorescenza UV. Il modello è stato addestrato su un dataset pubblico di immagini dermoscopiche e successivamente testato su un dataset clinico privato fornito dai dermatologi dell'ospedale di Novara. È stata inoltre implementata una fase di normalizzazione cromatica (color constancy) mediante il metodo GCC-GAN, al fine di ridurre la variabilità dell’illuminazione e rendere più robusta la rete alle differenze tra immagini acquisite in condizioni di luce diverse. I risultati mostrano un miglioramento significativo delle metriche di segmentazione (IoU e Dice coefficient) dopo l’applicazione della color constancy, in particolare nelle immagini UV. Il lavoro evidenzia quindi il potenziale dell’elaborazione cromatica combinata con architetture di deep learning per supportare l’attività diagnostica dermatologica e apre la strada a futuri sviluppi su dataset più ampi e multimodali.