Teoresi logo

Welcome Teoresi MedTech

Le nostre tesi
logo unina

Università degli Studi di Napoli Federico II

Ingegneria Biomedica

Laurea Magistrale

Autore

Rosa Verde

2022

Echocardiographic dataset creation and left ventricular hypertrophy detection using a weakly supervised residual neural network

logo unina

Università degli Studi di Napoli Federico II

Ingegneria Biomedica

Laurea Magistrale

Autore

Rosa Verde

Artificial IntelligenceDeep Learning
Relatori Teoresi coinvolti

Martina Profeta, Carmine Liotto


Abstract

L’ipertrofia ventricolare sinistra (LVH) è un cambiamento strutturale caratterizzato da un incremento nella massa delle pareti ventricolari che può condurre a sconpenso cardiaco. Lo scopo di questo lavoro è usare il deep leaning per individuare automaticamente l’LVH da ecocardiografie.

Abbiamo creato un dataset di circa 10000 immagini e costruito un classificatore a singole immagini basato su ResNet50 per individuare l’LVH. Inoltre, abbiamo applicato l’analisi Grad-CAM per ottenere una validazione visiva del modello.

La rete ha raggiunto un’AUC di 0.99, un’accuracy di 0.94 e un F1-score di 0.94. L’analisi Grad‑CAM ha confermato che il modello si concentra su regioni rilevanti per la diagnosi di LVH. In conclusione, la nostra rete ha la capacità di individuare automaticamente l’LVH e anche di localizzare strutture cardiache chiave con solo label a livello di immagine come supervisione.

Obiettivo tesi

Creare una struttura dati adatta a compiti di machine learning e individuare l’ipertrofia ventricolare sinistra da ecocardiografie usando il deep learning.

Metodologia di ricerca

Abbiamo ottenuto un dataset di circa 10000 immagini che è stato diviso in: 80% per i training e validation set usati durante un’addestramento con 3-fold cross validation, e 20% per test set. Abbiamo costruito e addestrato un classificatore basato su ResNet50 usando la libreria Keras di Python. Abbiami usato l’analisi Grad‑CAM per ottenere una validazione visiva del modello.

Conclusioni

Il modello ha raggiunto un’accuracy di 0.94, un’AUC di 0.99 e un F1-score di 0.94. L’analisi Grad‑CAM ha mostrato che il modello si concentra sulla parete posteriore del ventricolo sinistro che è effettivamente una regione rilevante per la diagnosi di LVH.

Sviluppi futuri

Estendere il dataset, introdurre uno step di segmentazione, selezionare solo certi frame dalle ecocardiografie, individuare altre patologie.