Ilaria Martini
Modelli generativi basati su apprendimento profondo per la simulazione di immagini istopatologiche di tessuto prostatico = Generative models based on deep learning for the simulation of prostate histopathological images.
Rel. Massimo Salvi, Francesco Marzola. 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 (74MB) | Preview |
Abstract
Il carcinoma prostatico è la neoplasia più comune tra gli uomini e rappresenta il 19,8% di tutti i tumori maschili. Nonostante sia molto diffuso, si tratta solitamente di una patologia a lenta evoluzione, asintomatica ed eterogenea. Di conseguenza, è fondamentale attuare delle politiche di screening volte a diagnosticare precocemente il tumore e stimare il corretto grado tumorale (Gleason Score). La diagnosi viene effettuata manualmente dal patologo attraverso l’esame istologico in H&E del campione asportato tramite agobiopsia. Poiché i principali criteri diagnostici si basano su aspetti puramente morfologici, l’assegnazione del Gleason Score è dispendiosa in termini di tempo e soffre di un’elevata variabilità inter- e intra-operatore.
Per far fronte a tutte queste problematiche, il lavoro di tesi in questione mira allo sviluppo di un sistema automatico in grado di sintetizzare immagini istopatologiche di tessuto prostatico a partire da un ground truth
Relatori
Anno Accademico
Tipo di pubblicazione
Numero di pagine
Corso di laurea
Classe di laurea
Aziende collaboratrici
URI
![]() |
Modifica (riservato agli operatori) |
