Simone Azzone
Sviluppo di un algoritmo basato su reti neurali convoluzionali per la predizione di positività al Covid-19 e relativa severità in scansioni TC = Convolutional neural network based algorithm for Covid-19 positivity prediction and its severity in CT scans.
Rel. Massimo Salvi, Filippo Molinari. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Biomedica, 2023
|
Preview |
PDF (Tesi_di_laurea)
- Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (8MB) | Preview |
Abstract
Dalla sua rilevazione iniziale nel 2019 a Wuhan, in Cina, il Covid-19 si è diffuso rapidamente in tutto il mondo, modificando l'ordine socio-economico e demografico mondiale. I metodi tradizionalmente utilizzati per la diagnosi sono il test RT-PCR o il tampone antigenico rapido, ma richiedono del tempo per essere processati e forniscono talvolta risultati con bassa precisione. Per tale motivo, l’analisi di immagini radiografiche, ed in particolare le TC, forniscono un quadro dettagliato delle condizioni polmonari ed assistono i radiologi nella diagnosi di Covid-19. Tuttavia, le scansioni TC di una persona contengono centinaia di slices e, in tal senso, le tecniche di intelligenza artificiale di classificazione dei volumi polmonari potrebbero assistere i radiologi per una più rapida e precisa rilevazione dell'infezione.
Questo progetto di tesi utilizza algoritmi di deep learning basati su reti neurali convoluzionali (CNN), addestrate per identificare i pazienti positivi all’infezione e con forma grave di Covid-19 ad un mese, su un campione pubblicamente accessibile di scansioni TC dello STOIC dataset, il più grande dataset di immagini di tomografia computerizzata (TC) di pazienti con COVID-19 e pazienti sani
Relatori
Anno Accademico
Tipo di pubblicazione
Numero di pagine
Corso di laurea
Classe di laurea
Aziende collaboratrici
URI
![]() |
Modifica (riservato agli operatori) |
