Un approccio Multi-task deep learning per la valutazione del Covid-19 nelle ecografie polmonari

Deep Learning (DL) has established itself as an extremely eective method in the field of medical imaging. This interest has grown significantly during the recent COVID-19 pandemic, pushing for further research and advanced solutions focused on improving early diagnosis. While most research has concentrated on computed tomography (CT) scans, this study is dedicated to the application of DL techniques in lung ultrasound (LUS), a safer and more accessible imaging methodology compared to CT. The paper introduces an innovative multitask learning architecture, specifically designed for the classification and segmentation of lung damage caused by COVID-19. This architecture constitutes a novel and unexplored approach in the current state of the art. Its eectiveness has been validated through the analysis of images from the ICLUS dataset, provided by the ULTRa Laboratory of Ultrasound at the University of Trento, yielding promising results. In classification, the model achieved an accuracy of 66%, exceeding the 63% obtained with single-task approaches. For segmentation, the model achieved a Dice similarity coecient of 49%, a slight improvement over the 47% achieved with traditional techniques. These results underscore the complexity in analyzing lung ultrasound images, characterized by non-distinct geometric patterns, which present significant challenges in classification but especially in segmentation. It was observed that a multitask approach, with careful parameter tuning and an appropriate choice of loss function, can enhance the performance of individual tasks, even in contexts characterized by highly variable and complex images like those analyzed. It turned out that sharing features between classification and segmentation can enhance predictions and strengthen the overall performance of the model. This, in turn, allows for a more accurate and clearly visible diagnosis of patients’ clinical conditions.

Il Deep Learning (DL) si è aermato come un metodo estremamente ecace nel campo dell’imaging medico. Questo interesse è cresciuto notevolmente durante la recente pandemia di COVID-19, motivando una crescente attività di ricerca e sviluppo di soluzioni avanzate focalizzate sul miglioramento della diagnosi precoce. Mentre la maggior parte degli studi si sono concentrati sulle tomografie compute- rizzate (TC), questo elaborato si dedica all’applicazione delle tecniche di DL nelle ecografie polmonari (LUS); una metodologia di imaging più sicura e accessibile rispetto alla TC. L’elaborato introduce un’innovativa architettura di apprendimento multitask, progettata per la classificazione e la segmentazione dei danni polmonari dovuti al COVID-19. L’architettura proposta costituisce un approccio innovativo e inesplorato nel panorama attuale dello stato dell’arte. La sua ecacia è stata validata attraverso l’analisi di immagini provenienti dal dataset ICLUS, fornito dal Laboratorio di Ecografia dell’Università di Trento (ULTRa), ottenendo risultati promettenti. Nella classificazione, il modello ha raggiunto un’accuratezza del 66%, superiore al 63% ottenuto con approcci basati su singolo task. Per quanto riguar- da la segmentazione, il modello ha conseguito un indice di somiglianza (Dice) del 49%, un leggero miglioramento rispetto al 47% ottenuto con tecniche tradizionali. Questi risultati sottolineano la complessità nell’analisi delle immagini ecografiche polmonari, caratterizzate da pattern geometrici non distinti, che presentano sfide significative nella classificazione ma sopratutto nella segmentazione. Si è osservato che un approccio multitask, con un’attenta regolazione dei parametri e una scelta appropriata della funzione di perdita, può migliorare le prestazioni dei singoli task, anche in contesti caratterizzati da immagini altamente variabili e complesse come quelle analizzate. È emerso che la condivisione delle featuers tra classificazione e segmentazione può potenziare le predizioni e raorzare le prestazioni complessive del modello. Questo, a sua volta, permette di fornire una diagnosi più accurata e chiaramente visibile delle condizioni cliniche dei pazienti.