Segmentazione automatizzata del cristallino in immagini AS-OCT per applicazioni oftalmologiche

Negli ultimi anni, il deep learning ha rivoluzionato l’analisi delle immagini mediche, offrendo strumenti avanzati per la diagnosi precoce e il monitoraggio di patologie complesse. Un’applicazione cruciale è la segmentazione di immagini, ovvero l’identificazione automatica di strutture specifiche, come organi o tessuti, in immagini radiologiche. Tuttavia, l’applicabilità di questi metodi in ambito clinico è spesso limitata dalla scarsità di dati annotati e dalla complessità computazionale dei modelli. Per questo motivo, è essenziale sviluppare architetture efficienti e strategie di ottimizzazione che garantiscano prestazioni elevate anche con dataset di dimensioni ridotte. Sebbene i modelli di deep learning siano in continua evoluzione, le reti neurali convoluzionali (CNN) rimangono un pilastro fondamentale grazie alla loro capacità di estrarre caratteristiche rilevanti dalle immagini. Queste reti possono essere integrate con tecniche di transfer learning per migliorare l’accuratezza in contesti con dati limitati, come le immagini mediche. Questa tesi si concentra sulla segmentazione automatica del cristallino in immagini di tomografia a coerenza ottica del segmento anteriore (AS-OCT), al fine di supportare la diagnosi differenziale tra vitreite e linfoma vitreo-retinico (VRL), due condizioni oftalmiche con sintomi simili ma prognosi molto diverse. Il contributo di questa tesi risiede nello sviluppo di un sistema non invasivo che migliora la visualizzazione del vitreo anteriore, eliminando digitalmente il cristallino per facilitare e rendere automatizzabile anche l’analisi radiomica successiva. L’utilizzo di questa metodologia, unita ad analisi di tipo radiomico non solo accelera la diagnosi differenziale, ma riduce la necessità di procedure invasive come la vitrectomia diagnostica, aprendo la strada a soluzioni cliniche più efficienti e accessibili per la gestione di patologie oculari complesse.