Medical imaging is important to healthcare because it can be used for early illness diagnosis, staging, and management, as well as for choosing the most appropriate treatment and monitoring its course of action. Ultrasound imaging stands out among other imaging diagnostic mediums due to its real-time nature as a highly cost-effective tool that offers the practitioner an unmatched level of involvement. The presence of speckles and acoustic noise, which make it difficult to interpret images, the high reliance on diagnostic operator experience, and the high inter- and intra-observer variability across different institutes and manufacturers are all unique obstacles that US systems have to overcome. In order to make US diagnoses and assessments more accurate and reliable, a series of image analysis methods have been proposed over the year. By extrapolating hidden patterns from data and exploiting its excellent ability to make decision rules, Deep Learning (DL) has set itself to become one of the most important tools in areas such as image recognition and computer vision. The overall goal of this PhD thesis is to exploit DL algorithms for US image analysis. In particular, this work focuses on two specific fields: i) fetal US imaging, in which US is used daily in clinical practice and has been extensively researched, including preexisting DL applications and ii) rheumatology, where DL usage is quite innovative and, thus, there is still much to be done in relation to DL methodologies and applications. In particular, the contributions of this PhD work are: • introducing and discussing the most innovative and effective DL methods found in the literature for fetal US image analysis. An updated review may be a valuable and compact source of information for young researchers and a reference document for those already working in the field which may develop innovative fetal architectures • Developing a new method which exploits a distance field strategy to precisely extrapolate Head Circumference measurements in fetal US images • Developing a new method which exploits a self contrastive learning to train a semi-supervised fetal standard plane classificator • Developing a new framework for metacarpal-head cartilage-thickness estimation in US rheumatological images Each contribution examines a particular aspect of US image analysis field with the betterment of the patients’ quality of life in mind, by ensuring a more US dependable, decision-making process while addressing some of the US open problems.
L'imaging medico è importante per l'assistenza sanitaria perché può essere utilizzato per la diagnosi precoce, la stadiazione e la gestione della malattia, nonché per scegliere il trattamento più appropriato e monitorarne il corso d'azione. L'imaging ecografico si distingue tra gli altri mezzi diagnostici di imaging grazie alla sua natura che permette l'analisi, permettendo al professionista un livello di coinvolgimento senza pari. Sebbene vantaggiosi, la presenza di macchie e rumore acustico che rendono difficile l'interpretazione delle immagini, l'elevata dipendenza dall'esperienza dell'operatore e l'elevata variabilità inter e intra-osservatore tra diversi istituti e produttori, sono pero' tutti limiti che ostacolano l'utilizzo degli ultrasuoni. Al fine di rendere le diagnosi e le valutazioni ecografiche più accurate e affidabili, nel corso degli anni sono state proposte una serie di metodi di analisi automatica delle immagini. Estrapolando pattern nascosti dai dati e sfruttando la sua eccellente capacità di stabilire regole decisionali, il Deep Learning (DL) si è prefisso di diventare uno degli strumenti più importanti in aree come il riconoscimento delle immagini e la visione artificiale. L'obiettivo generale di questa tesi di dottorato è quindi sfruttare gli algoritmi DL per l'analisi delle immagini ecografiche. In particolare, questo lavoro si concentra su due campi specifici: i) l'ecografia fetale, che viene utilizzata quotidianamente nella pratica clinica e vanta comunque una estensiva ricerca nel settore, comprese le applicazioni preesistenti di DL e ii) reumatologia, in cui l'uso di DL è piuttosto innovativo e, quindi , c'è ancora molto da fare in relazione alle metodologie e alle applicazioni del DL. In particolare, i contributi di questo lavoro di dottorato sono: a)presentare e discutere le metodiche DL più innovative ed efficaci presenti in letteratura per l'analisi delle immagini ecografiche fetali. Una revisione aggiornata può essere una preziosa e compatta fonte di informazioni per i giovani ricercatori e un documento di riferimento per coloro che già lavorano nel settore che vogliono sviluppare architetture fetali innovative b) Sviluppo di un nuovo metodo che sfrutta una strategia di regressione del contorno per estrapolare con precisione la misura della circonferenza della testa in immagini ecografiche c) Sviluppo di un nuovo metodo che sfrutta un apprendimento self-contrastativo per addestrare un classificatore capaci di distinguere vari piani standard fetali d) Sviluppo di un nuovo framework per la stima dello spessore della cartilagine della testa metacarpale in immagini reumatologiche Ogni contributo esamina un aspetto particolare del campo dell'analisi delle immagini ultrasuoni con in mente il miglioramento della qualità della vita dei pazienti, garantendo un processo decisionale più affidabile e veloce.
DL4US: Unlocking the potential of deep learning for ultrasound image analysis in gynecology and rheumatology / Fiorentino, MARIA CHIARA. - (2023 Mar 16).
DL4US: Unlocking the potential of deep learning for ultrasound image analysis in gynecology and rheumatology
FIORENTINO, MARIA CHIARA
2023-03-16
Abstract
Medical imaging is important to healthcare because it can be used for early illness diagnosis, staging, and management, as well as for choosing the most appropriate treatment and monitoring its course of action. Ultrasound imaging stands out among other imaging diagnostic mediums due to its real-time nature as a highly cost-effective tool that offers the practitioner an unmatched level of involvement. The presence of speckles and acoustic noise, which make it difficult to interpret images, the high reliance on diagnostic operator experience, and the high inter- and intra-observer variability across different institutes and manufacturers are all unique obstacles that US systems have to overcome. In order to make US diagnoses and assessments more accurate and reliable, a series of image analysis methods have been proposed over the year. By extrapolating hidden patterns from data and exploiting its excellent ability to make decision rules, Deep Learning (DL) has set itself to become one of the most important tools in areas such as image recognition and computer vision. The overall goal of this PhD thesis is to exploit DL algorithms for US image analysis. In particular, this work focuses on two specific fields: i) fetal US imaging, in which US is used daily in clinical practice and has been extensively researched, including preexisting DL applications and ii) rheumatology, where DL usage is quite innovative and, thus, there is still much to be done in relation to DL methodologies and applications. In particular, the contributions of this PhD work are: • introducing and discussing the most innovative and effective DL methods found in the literature for fetal US image analysis. An updated review may be a valuable and compact source of information for young researchers and a reference document for those already working in the field which may develop innovative fetal architectures • Developing a new method which exploits a distance field strategy to precisely extrapolate Head Circumference measurements in fetal US images • Developing a new method which exploits a self contrastive learning to train a semi-supervised fetal standard plane classificator • Developing a new framework for metacarpal-head cartilage-thickness estimation in US rheumatological images Each contribution examines a particular aspect of US image analysis field with the betterment of the patients’ quality of life in mind, by ensuring a more US dependable, decision-making process while addressing some of the US open problems.File | Dimensione | Formato | |
---|---|---|---|
Tesi_Fiorentino.pdf
accesso aperto
Descrizione: Tesi_Fiorentino
Tipologia:
Tesi di dottorato
Licenza d'uso:
Tutti i diritti riservati
Dimensione
15.43 MB
Formato
Adobe PDF
|
15.43 MB | Adobe PDF | Visualizza/Apri |
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.