polito.it
Politecnico di Torino (logo)

Sviluppo di un classificatore basato su reti neurali convoluzionali per il riconoscimento del melanoma cutaneo. = Development of a CNN based classifier for the recognition of cutaneous melanoma.

Francesco Branciforti

Sviluppo di un classificatore basato su reti neurali convoluzionali per il riconoscimento del melanoma cutaneo. = Development of a CNN based classifier for the recognition of cutaneous melanoma.

Rel. Kristen Mariko Meiburger, Filippo Molinari, Massimo Salvi. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Biomedica, 2020

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

Download (98MB) | Preview
Abstract:

Il melanoma è una pericolosa ed aggressiva forma di tumore maligno cutaneo responsabile di migliaia di morti ogni anno in tutto il mondo. La diagnosi precoce, condotta attraverso l’esame visivo dermoscopico, risulta fondamentale per evitare la progressione della malattia e ridurre conseguentemente l’impatto fisico e psicologico della terapia sul paziente. Questa tipologia d’esame presenta tuttavia diverse criticità essendo una tecnica diagnostica che richiede grande esperienza dell’operatore. L’interpretazione della lesione e l’applicazione dei diversi criteri diagnostici non è infatti immediata, e può spesso condurre a misclassificazioni. Da qui la necessità di affiancare al dermatologo strumenti di diagnosi intelligenti in grado di aumentare l’accuratezza e rendere la valutazione più robusta, diminuendo così da un lato i casi di melanomi cutanei non riconosciuti e dall’altro lato il numero di escissioni non necessarie. Questo lavoro di tesi si focalizza sulla realizzazione di un classificatore basato su Reti Neurali Convoluzionali (CNN) in grado di distinguere tre differenti tipologie di lesioni cutanee: nevo cutaneo, melanoma e cheratosi seborroica. Il problema di classificazione viene affrontato proponendo tre strutture aventi architetture differenti. Il primo metodo, M1, esegue una classificazione ternaria one-shot, distinguendo le tre lesioni in un unico passaggio. Il secondo metodo, M2, propone invece un’architettura a cascata: la prima rete distingue le lesioni in melanocitiche e non melanocitiche, la seconda rete invece in nevo benigno e melanoma maligno; questo approccio ricalca lo standard della visita dermatologica. Infine il terzo metodo, M3, anch’esso con architettura a cascata, differenzia inizialmente le lesioni in benigne e maligne per poi effettuare una distinzione tra nevo benigno e cheratosi seborroica. Le CNN dei tre metodi sono state allenate in maniera supervisionata su 600 immagini provenienti dal database ad accesso libero ISIC. Parallelamente è stata valutata la validità in campo clinico della lente Nurugo Derma, un dispositivo da smartphone che permette di ricavare immagini cutanee a livello micro. Essendo pensato per un utilizzo amatoriale presenta conseguentemente diverse limitazioni: per ottenere immagini in epiluminescenza è necessario ricorrere ad un vetrino da laboratorio trasparente, da interporre tra cute e Nurugo al fine di applicare del liquido di interfaccia. Le immagini così ottenute sono però caratterizzate da un artefatto di riflessione che ne limita il FOV sulla lesione: è stato sviluppato un algoritmo di segmentazione in grado di isolare l’area dell’immagine non corrotta. Presso il reparto di dermatologia dell’Azienda Ospedaliera Universitaria Maggiore della Carità di Novara sono state acquisite tramite Nurugo Derma e dermoscopio professionale immagini di 20 nevi benigni, 20 melanomi maligni e 20 di cheratosi seborroiche. Le immagini così raccolte, insieme ad un test-set proveniente dall’archivio ISIC, sono state utilizzate per testare le tre metodologie proposte, al fine di individuare la struttura più performante. Le prestazioni delle reti sono state poi confrontate con i punteggi ottenuti da alcuni dermatologi esperti, dimostrando un buon agreement. Questo lavoro costituisce una base di partenza per la realizzazione di un sistema di diagnosi assistita intelligente, basata su CNN, utilizzabile dal dermatologo come strumento di supporto durante il processo di diagnosi.

Relatori: Kristen Mariko Meiburger, Filippo Molinari, Massimo Salvi
Anno accademico: 2019/20
Tipo di pubblicazione: Elettronica
Numero di pagine: 90
Soggetti:
Corso di laurea: Corso di laurea magistrale in Ingegneria Biomedica
Classe di laurea: Nuovo ordinamento > Laurea magistrale > LM-21 - INGEGNERIA BIOMEDICA
Aziende collaboratrici: NON SPECIFICATO
URI: http://webthesis.biblio.polito.it/id/eprint/13749
Modifica (riservato agli operatori) Modifica (riservato agli operatori)