Work

Segmentazione semantica automatica di immagini WSI per applicazioni in Patomica

Year: 2021
Type: dissertation
Abstract: Nella patologia tradizionale, i vetrini vengono preparati con un campione di tessuto del paziente e poi rivisti dal patologo con un microscopio ad alto ingrandimento. Successivamente viene delineata manualmente sull’immagine la Region of Interest (ROI). Obiettivo di questa fase è generare correttamente bordi di strutture anatomiche, in quanto una segmentazione sbagliata potrebbe condurre ad un'errata pianificazione della cura successiva. \nLa segmentazione è un processo che richiede molto tempo. \nPer ovviare a questo si ricorre alla cosidetta Patomica, ovvero la patologia digitale che ha lo scopo, mediante algoritmi computazionali, di estrarre automaticamente parametri quantitativi delle immagini istologiche, al fine di migliorare la velocità e l’accuratezza delle diagnosi. La Patomica ha anche lo scopo di individuare precocemente importanti malattie quali il tumore della pelle. \nIl lavoro di questa tesi, nasce proprio con lo scopo di superare questi problemi e rendere più facile il lavoro del patologo dal punto di vista del tempo e dell’accuratezza nella determinazione di eventuali cure. \nOggetto di questo lavoro è lo sviluppo di modelli di segmentazione semantica automatica di immagini WSI di dermatologia prese da tessuti di melanoma raccolti in uno studio clinico del Policlinico Sant'Orsola di Bologna. La segmentazione è basata sull'algoritmo KNN con particolare attenzione alla ricerca e selezione di features che consentano di ottenere i migliori risultati. \nViene in oltre presentato un confronto con altri due modelli supervisionati (Support Vector Machine e Random Forest), allenati sulle stesse features del migliore modello KNN, per paragonarne le performance con quelle ottenute con il modello KNN. \nL’utilizzo di modelli supervisionati per il task di segmentazione semantica di immagini WSI con risultati soddisfacenti potrebbe aprire la possibilità futura di utilizzare anche modelli non supervisionati permettendo così un ulteriore aumento dell’efficienza.
Author: D'Ambrosio, Annamaria
Language: Italian
Open Access status: green
OpenAlex ID: W7052652733
Cites: 13
Cited by:
Related to: 10