Stima dell'età cronologica da immagini di risonanza magnetica pesate in T1: confronto tra reti neurali tradizionali e reti di Kolmogorov-Arnold

L’et`a cerebrale predetta `e emersa negli ultimi anni come un biomarcatore dell’invecchiamento cerebrale, utile in diverse condizioni patologiche, nello studio della maturazione cerebrale e nell’analisi dell’impatto dello stile di vita sull’invecchiamento. Il deep learning `e diventato lo standard di riferimento per la predizione dell’et`a cerebrale a partire da immagini strutturali MRI T1-pesate, grazie alla sua elevata accuratezza rispetto ai metodi di machine learning tradizionali. Recentemente, le reti Convolutional KAN (Kolmogorov-Arnold Networks), basate sul teorema di rappresentazione di Kolmogorov-Arnold, hanno suscitato interesse per la loro maggiore accuratezza, capacit`a di astrazione, flessibilit`a ed efficienza rispetto alle tradizionali reti neurali convoluzionali (CNN) in compiti quali classificazione, segmentazione e generazione di immagini. In questo studio, sono state utilizzate scansioni MRI 3D T1-pesate provenienti da tre dataset pubblici (2129 soggetti) per valutare le prestazioni dei modelli proposti, sia con valutanto anche l’impatto di procedure di data-augmentation. I dati sono stati suddivisisecondo una procedura di splitting, con l’80% utilizzato per addestramento e 20% per il test. I modelli sono stati addestrati utilizzando una modalit`a di cross-validazione a 5 fold sul set di training, e le prestazioni sono state valutate sulla base della mediana dei risultati ottenuti dall’ensemble dei fold. In particolare, lo scopo della tesi e’ stato quello di valutare l’effetto di modifiche alla architettura di baseline, per analizzare l’effetto dell’integrazione della tecnologia KAN in layer convoluzionali e fully connected lineari sulle prestazioni del task di regressione dell’et` a cronologica. Le performance ottenute sono state confrontate con quelle di modelli CNN puri, al fine di identificare miglioramenti o differenze significative. I risultati mostrano l’efficacia dei layer KAN, sia convoluzionali che lineari, nella stima dell’et`a cerebrale, evidenziando miglioramenti in termini di accuratezza e capacit`a di generalizzazione. In particolare, il modello CNN arricchito da un layer KAN lineare finale si distingue come il miglior compromesso tra precisione predittiva ed efficienza parametrica. L’integrazione della tecnologia KAN nella predizione dell’et`a cerebrale potrebbe dunque rappresentare un avanzamento significativo verso una maggiore precisione e affidabilit`a di questo biomarcatore, aumentando il suo potenziale utilizzo in contesti clinici reali.