Anatomical-Aware Self-Supervised Learning for Clinical Phenotype Clustering

L'analisi automatica di immagini di risonanza magnetica (MRI) rappresenta uno strumento sempre più rilevante per lo studio delle patologie neurologiche e per l'estrazione di biomarcatori quantitativi. In questo contesto, la disponibilità di grandi quantità di dati di neuroimaging rende fondamentale lo sviluppo di modelli in grado di apprendere rappresentazioni robuste senza dipendere da un'elevata quantità di dati annotati. Il presente lavoro propone un'architettura di apprendimento self-supervised per immagini MRI cerebrali tridimensionali, basata sul paradigma Joint Embedding Predictive Architecture (JEPA). La rete sfrutta un backbone convoluzionale inizializzato con pesi pre-addestrati di SynthSeg per l'estrazione di caratteristiche anatomiche, successivamente integrate mediante una Feature Pyramid Network (FPN) al fine di combinare informazioni provenienti da differenti scale spaziali. Le rappresentazioni ottenute vengono quindi elaborate da un modulo TokenLearner, incaricato di selezionare automaticamente le regioni maggiormente informative, riducendo la dimensionalità dell'informazione mantenendo le caratteristiche più rilevanti. L'obiettivo è ottenere rappresentazioni latenti ricche e generalizzabili, adatte a successivi compiti di analisi del neuroimaging, quali classificazione, regressione o identificazione di biomarcatori. Il modello verrà addestrato e valutato su dataset di immagini MRI cerebrali, con particolare riferimento ai dati raccolti nell'ambito del progetto HEREDITARY, analizzandone le prestazioni in termini di qualità delle rappresentazioni apprese e potenziale applicabilità in contesti clinici e di ricerca.