Le applicazioni basate su Deep Learning stanno diventando sempre più popolari nella pratica clinica.

Tuttavia tali approcci sono quasi sempre usati come modelli “black-box”, rendendo difficile spiegare perché un classificatore ha prodotto un certo risultato. Modelli end-to-end potrebbero mitigare questo problema, permettendo di interpretare i risultati con tecniche di visualizzazione dedicate. A tal proposito, i progetti di tesi su questo argomento possono contribuire a creare un nuovo approccio basato su Deep Learning per la diagnosi medica in diversi scenari clinici, ottimizzando le metodologie esistenti e creando modelli end-to-end.

A riguardo sono disponibili tesi in quattro ambiti applicativi:

• fibrillazione atriale (con processamento di segnali ECG)

• processamento di fonocardiogrammi

• rilevamento di istotipi nel cancro ai polmoni (da TAC)

• rilevamento di idrocefalo normoteso (da risonanze magnetiche)

Il candidato dovrà studiare lo stato dell’arte riguardo l’applicazione del Deep Learning in questi scenari e implementare modelli di classificazione al fine di effettuare esperimenti e analisi comparate. La tesi sarà svolta presso il Dipartimento di Ingegneria dell’Informazione dell’Università Politecnica delle Marche.

Strumenti e tecnologie: Keras, TensorFlow, Google Colab, Python e simili.