Data augmentation con modelli generativi per l'analisi di immagini istopatologiche in dataset limitati: applicazione alla malattia di Hirschsprung

Questo progetto si pone l'obiettivo di valutare e apprendere come, l'utilizzo di immagini sintetiche, possa alterare i risultati di apprendimenti di una rete U-Net in caso di una scarsa disponibilità di dati istopatologici. Si è deciso di usare come caso specifico la procedura legata alla diagnosi della malattia di Hirschsprung: le immagini di interesse sono dunque biopsie rettali. Dopo una prima fase di processazione delle immagini, dove vengono suddivise in patch, un'architettura U-Net esegue la segmentazione per identificare le caratteristiche del tessuto target di nostro interesse. Questa operazione viene eseguita sia per il dataset originale, sia per un nuovo datased dato dall'unione di quello originale alle immagini sintetiche generate. Lo scopo è quello di dimostrare come l'aumento sintetico dei dati, possa migliorare significativamente le prestazioni di segmentazione quando si lavora con dataset di imaging medicale scarsi, ottenendo una classificazione automatizzata e robusta dei tessuti, da patch istologiche 256×256.