Rilevazione automatica di microcalcificazioni in mammografia tramite l’utilizzo di reti neurali profonde. = Automatic microcalcification detection in mammography using deep neural networks.

Il cancro al seno è il tumore più diffuso nelle donne di tutto il mondo. Secondo l'Organizzazione Mondiale della Sanità grazie ad una diagnosi precoce attraverso esami mammografici è possibile ridurre del 20% la mortalità associata al cancro al seno. Oggigiorno, infatti, la mammografia è considerata il gold standard per la detenzione precoce del tumore alla mammella. Tuttavia, per il radiologo non è sempre facile identificare la lesione, si conti che durante gli screening di routine ne vengono perse circa il 10-30%. Per tale ragione, grazie anche ai rapidi progressi nell'ambito del Machine Learning e del Deep Learning, è nato un forte interesse nell'analisi di immagini mediche, allo scopo di sviluppare un tool per supportare il radiologo in tale ricerca. Negli ultimi anni, i ricercatori hanno sviluppato sistemi di diagnosi assistita da computer (CAD) sia per la rilevazione che la diagnosi di anomalie difficilmente visibili ad occhio nudo. Questo progetto di tesi, nato da una collaborazione fra il Politecnico di Torino e l'azienda im3D , si inserisce all'interno di questo filone. Lo scopo ultimo è la realizzazione di un CAD specifico per l'individuazione di microcalcificazioni tramite l'utilizzo di reti neurali profonde, quali SqueezeNet e Inception ResNet. Per la sua realizzazione sono stati utilizzati sia tre dateset pubblici che il dataset privato di im3D. A causa delle dimensioni ridotte del dataset privato e delle differenze qualitative fra essi, è stato necessario effettuare una strategia di transfer learning dalle mammografie a pellicola scansionata a quelle digitali. Infine, le performance del CAD sono state valutate in termini di AUROC e FROC, una curva specifica per l'analisi della correttezza di test diagnostici.