Deep Learning e Studio delle Ecocardiografie Fetali per la Diagnosi Prenatale di Cardiopatie Congenite

Questa tesi si pone come obiettivo di illustrare un’applicazione di deep learning basata su Reti Neurali Convoluzionali (CNN) che studia le ecocardiografie fetali per la diagnosi prenatale di cardiopatie congenite. Sono state studiate 969 ecografie di feti tra la ventesima e la ventiduesima settimana di gravidanza, suddivise tra feti sani (907 immagini) e feti affetti da cardiopatie (62 immagini). Sia per i campioni sani che per quelli malati sono state raccolte immagini per quattro piani ecografici standard: “Tre vasi”, “Quattro camere”, “Efflusso destro”, “Efflusso sinistro”. La distribuzione delle immagini non è equa, inoltre alcune immagini sono state catturate dai medici in maniera anomala e 81 immagini sono ecografie di tipo “color”. Per poter ritagliare le immagini sono stati utilizzati due script MATLAB e per l’addestramento della rete sono stati creati sette dataset, ma su consiglio dei medici e vista la scarsità delle immagini di tipo “color”, si è deciso di prenderne in considerazione solo tre. A causa delle immagini anomale citate sopra, i dataset 2,4 e 7 dataset sono stati poi ricreati con le stesse caratteristiche, ma le immagini ritagliate in maniera anomala sono state sostituite con le immagini originali. Ogni dataset è rappresentato da due Cell Array, uno per il training set e uno per il test set. Sia il training set che il test set di ogni dataset comprende a sua volta un training set (o test set) per ogni piano ecografico, creando così quattro diverse CNN addestrabili. In questo modo, è stato possibile preparare un multiclassificatore composto da quattro CNN, ognuna delle quali ha la funzione di classificare le ecografie di un singolo piano standard. Per un’analisi più approfondita e per ulteriori studi da parte dei medici sono state passate le immagini di test del dataset sSP0.33 ad un codice MATLAB basato su LIME (Local Interpretable Model-agnostic Explanations) che mette in evidenza cosa la rete neurale considera importante durante la fase di test. Per l’addestramento delle quattro CNN dei dataset è stato utilizzato il Transfer Learning prendendo come modello ResNet-50 (Residual Network a 50 livelli) e modificando i livelli di classificazione, che nel nostro caso saranno solo Sano e Malato. Il valore di Batch Size è stato posto a 30 e il learning rate a 0.001. Per misurare le prestazioni delle reti è stata utilizzata la curva ROC (“Receiver Operating Characteristic”), più precisamente, è stato utilizzato il valore dell’area sotto la curva ROC, detta AUC (Area Under The Curve). Esso può assumere valori tra 0 e 1 e tanto maggiore è l’AUC e tanto maggiore è il potere discriminante del test. I risultati di AUC ottenuti mostrano una buona prestazione della rete, inoltre dalle immagini passate al codice MATLAB basato su LIME, si è potuto notare, grazie all’aiuto dei medici, che ciò che la rete neurale considera importante, nella maggior parte dei casi, non è la parte del cuore che l’immagine del piano ecografico rappresenta. Inoltre ci sono alcuni casi estremi in cui ciò che viene messo in evidenza dalla macchina non è nemmeno una parte del cuore, ma il liquido amniotico o una parte del torace. Non può quindi essere garantita l’affidabilità dei risultati ottenuti a causa: del numero molto basso di ecografie di feti affetti da cardiopatie, della disparità tra il numero di immagini per ogni piano ecografico e della modalità casuale di individuazione delle aree importanti da parte della rete neurale. Sarà pertanto necessario effettuare numerosi altri test su un numero maggiore di immagini di campioni malati e raccogliere i dati in modo che ci sia almeno un’immagine per piano ecografico per ogni feto. Inoltre sarà essenziale trovare una soluzione al problema di rilevazione del cuore e delle parti importanti da parte dell’intelligenza artificiale, effettuando numerosi altri test e addestramenti.