Un progetto di: HEAL ITALIA, Università di Bologna, Università di Firenze
Il deep learning dimostra un potenziale significativo nell’imaging medico. Tuttavia, la sua applicazione nella medicina di precisione è limitata dalla scarsità di dati, in gran parte dovuta a problemi di privacy.
Un approccio moderno prevede l’utilizzo di modelli generativi per produrre dati sintetici, ampliando così le dimensioni del set di dati o creando set di dati interamente sintetici con minori problemi di privacy. I modelli generativi, come le reti generative avversarie (GAN) e i modelli diffusivi, dato un set di dati reali, sono in grado di apprendere la distribuzione sottostante e di sfruttare questa conoscenza per generare nuovi dati realistici che aderiscono alla stessa distribuzione.
In questo progetto, si sviluppano e valutano modelli generativi per l’imaging medico per generare immagini sintetiche realistiche. Obiettivo del progetto è anche la valutazione quantitativa della qualità delle immagini generate valutando eventuale overfitting o presenza di mode collapse, somiglianza tra la distribuzione di dati reali e sintetiche ed altre caratteristiche fondamentali delle immagini.
Obiettivi e benefici
Il progetto mira a superare le limitazioni dei dati nella medicina di precisione attraverso l’uso di modelli generativi, come GAN e modelli diffusivi, per creare immagini mediche sintetiche realistiche.
Questo approccio riduce i problemi di privacy, amplia significativamente i set di dati disponibili e ha il potenziale di migliorare l’addestramento dei modelli di deep learning. I benefici includono una maggiore accuratezza diagnostica, l’avanzamento delle tecniche di imaging medico e la possibilità di sviluppare strumenti di intelligenza artificiale più robusti e generalizzabili per la medicina di precisione.
Tecnologie abilitanti
Il supercalcolo ha significativamente accelerato lo sviluppo del progetto consentendo l’addestramento rapido ed efficiente dei modelli generativi su grandi set di dati. Le analisi dei big data hanno facilitato l’estrazione di pattern complessi e la valutazione quantitativa della qualità delle immagini generate, assicurando che i dati sintetici siano realistici e privi di overfitting o mode collapse.