In questo talk rivisiteremo l’avanzamento che ha portato dal machine learning al deep learning e come questo abbia rivoluzionato l’imaging. In seguito, illustreremo le disparate applicazioni che queste tecniche hanno nell’imaging medico: dalla riduzione del rumore delle immagini, permettendo di ridurre la dose di radiazioni al paziente, alla computer-assisted-diagnosis.
Mostreremo poi i nostri progetti in corso insieme ad alcune novità presenti che già han superato la fase regolatoria e sono entrate sul mercato. Tra i progetti curati dal nostro team mostreremo progetti di denoising dell’immagine che permetteranno acquisizioni con un decimo di radazioni. Seguiremo con un progetto di generazione di immagini sintetiche, e mostreremo l’impatto dell’uso di diverse strutture di reti neurali sulla quantità di risorse di computing richiesta. Per la computer-assisted-diagnosis mostreremo un progetto recentemente vinto, per il riconoscimento automatico di diversi tipi di “ecosistemi” all’interno di tumori cerebrali, partendo da immagini multi-parametriche.
In tutti questi esempi mostreremo sempre chiaramente come la struttura scelta della tecnica di analisi corrisponda in realtà a diverse ipotesi rispetto al task che ci poniamo. Questo porta ad avere delle situazioni in cui il deep learning è una tecnica estremamente robusta, concetto critico per applicazioni mediche, ed altre in cui invece l’uso di reti neurali può portare a dei forti bias.