polito.it
Politecnico di Torino (logo)

Sviluppo di un algoritmo per il riconoscimento automatico di tessuto neoplastico prostatico a partire da parametri cito-architetturali

Pierluigi Cabiddu

Sviluppo di un algoritmo per il riconoscimento automatico di tessuto neoplastico prostatico a partire da parametri cito-architetturali.

Rel. Filippo Molinari, Massimo Salvi. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Biomedica, 2019

[img]
Preview
PDF (Tesi_di_laurea) - Tesi
Document access: Anyone
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (30MB) | Preview
Abstract:

Segmentazione e classificazioNei paesi occidentali il carcinoma prostatico rappresenta la neoplasia più frequentemente diagnosticata e presenta un'incidenza in continuo aumento. Attualmente la biopsia rappresenta l'unica metodica che consente di confermare la diagnosi di neoplasia prostatica. Le biopsie vengono esaminate visivamente, questo tipo di analisi è dipendente dall'esperienza dell'anatomopatologo e perciò soggetta a problemi di variabilità intra ed inter operatore, inoltre richiede molto tempo per essere eseguita. Lo studio descritto in questa tesi di laurea si pone come obbiettivo l'implementazione di un algoritmo automatico per la classificazione del tessuto prostatico in modo da poter fornire all'anatomopatologo un supporto per l'ottimizzazione dei tempi della diagnosi. Il classificatore è stato progettato in modo da avere una sensibilità elevata ed essere in grado di fornire una classificazione indipendente dal tipo di segmentazione. Per la caratterizzazione delle ghiandole prostatiche oltre ai descrittori spesso usati in letteratura (cromatici, morfologici e di tessitura) sono stati calcolati anche dei descrittori che rappresentassero la distribuzione nello spazio delle varie componenti della ghiandola (lume, nuclei e citoplasma) in maniera indipendente dal tipo di segmentazione. A partire dal dataset completo sono stati ricavati due subset rimuovendo i campioni che potessero polarizzare il classificatore. In seguito sono state ricavate le features rilevanti per ogni dataset i che sono state poi utilizzate per il training di tre reti neurali. Sono stati confrontati i risultati ottenuti con le 3 reti fornendo in input immagini di tessuto prostatico con ghiandole segmentate automaticamente. La rete con le performance migliori presenta un'accuratezza pari a 87.67% nella classificazione dei pixel, ed un'accuratezza pari a 84.80% e una sensibilità superiore al 95.83% nella classificazione delle immagini. Il test ha quindi dimostrato che il classificatore è in grado di rilevare la quasi totalità delle immagini in cui è presente tessuto tumorale indipendentemente da come sono state sementate le regioni ghiandolari e per questo può fornire un'utile e versatile strumento di supporto alla diagnosi per l'anatomopatologo.ne di ghiandole prostatiche in immagini istopatologiche

Relators: Filippo Molinari, Massimo Salvi
Academic year: 2018/19
Publication type: Electronic
Number of Pages: 74
Subjects:
Corso di laurea: Corso di laurea magistrale in Ingegneria Biomedica
Classe di laurea: New organization > Master science > LM-21 - BIOMEDICAL ENGINEERING
Aziende collaboratrici: UNSPECIFIED
URI: http://webthesis.biblio.polito.it/id/eprint/11364
Modify record (reserved for operators) Modify record (reserved for operators)