Medical Imaging

Lo studente acquisirà i fondamenti fisici e computazionali della formazione dell’immagine nelle principali modalità (TC, RM — T1/T2, DWI, fMRI —, Ecografia B‑mode/Doppler, PET/SPECT, RX digitale), gli standard DICOM e pipeline PACS, i principi di interpretazione clinica di base, le tecniche classiche di image processing e i concetti chiave di Deep Learning 2D/3D per segmentazione, detection e classificazione in ambito medicale (CNN, Attention/Transformer, modelli ibridi, self-/auto-supervisione, domain adaptation). Padronanza introduttiva di Radiomica e predizione di outcome, modelli generativi e foundation (GAN, Diffusion Models, multimodale immagine‑testo, LLM, Modelli Ibridi), continual learning, fairness, explainability, e regolarizzazioni (Jacobiano/Lipschitz).

Capacità di applicare conoscenza e comprensione (applying knowledge and understanding).

Saper progettare e realizzare una pipeline completa: lettura e anonimizzazione DICOM, pre‑processing (denoising, equalizzazione, registrazione rigida/elastica, fusione multimodale), data augmentation specifica medicale, addestramento/valutazione di reti encoder–decoder 2D/3D con deep supervision e attention, calcolo di metriche (Dice/IoU/AUC etc..), estrazione radiomica e integrazione clinico‑omica, stima del rischio individuale e predizione della risposta terapeutica; applicare domain adaptation e regolarizzazioni; usare generatori/diffusion per sintesi dati e riduzione del bias.

Autonomia di giudizio (making judgements).

Valutare la qualità dei dati, scegliere pre‑processing e architetture adeguate al task e alla modalità, impostare esperimenti riproducibili, interpretare curve di apprendimento e trade‑off robustezza–accuratezza, analizzare bias demografici ed implicazioni etiche negli studi di medical imaging/Radiomica.

Abilità comunicative (communication skills).

Produrre notebook e report tecnici chiari (incluse model cards, limiti/riski), presentare risultati e visualizzazioni, redigere brevi note di interpretazione scientifica dei casi studio.

Capacità di apprendimento (learning skills).

Saper consultare articoli e position papers, valutare benchmark, aggiornarsi su architetture e standard emergenti; trasferire le competenze a nuove modalità e domini clinici.

Le lezioni sono tenute in aula con l'ausilio di slide, messe a disposizione degli studenti. Le slide non sostituiscono i testi di riferimento, ma, oltre che agevolare la comprensione della lezione, forniscono un dettaglio puntuale sul programma svolto.

In caso di necessità, a seguito di apposite indicazioni da parte degli organi di Ateneo, l'insegnamento potrà essere impartito in modalità mista o a distanza, con le necessarie variazioni rispetto a quanto dichiarato in precedenza, al fine di rispettare il programma previsto qui riportato.

·       Programmazione di base in Python e relativi ambienti di sviluppo per AI;

·       Metodologie basi di Image Processing;

·       Basi di Analisi, Probabilità/Statistica, Algebra lineare;

·       Concetti introduttivi di Machine/Deep Learning;

1.      Formazione dell’immagine medica

Fisica e pipeline delle immagini: TAC (TC), Risonanza Magnetica (RM) -T1/T2, DWI - Risonanza Magnetica funzionale (fMRI), Ecografia (B‑mode, Doppler), PET/SPECT, RX digitale; DICOM e sistemi PACS; principi di lettura delle immagini e richiami di anatomia.

2.      Fondamenti di Deep Learning (DL) per Imaging 2D/3D

Reti Convolutive (CNN), algoritmi di Attention, architetture Transformer-based, architetture ibride; data augmentation medicale; pre-training supervisionato vs auto/self‑supervised su database radiologici; domain adaptation; DL percettivo/robusto/adattativo; DL su spazi geomtrici non convenzionali-iperbolico (cenni).

3.      Segmentazione & Detection con reti encoder–decoder

Processo di segmentazione; Architetture U‑Net 2D/3D e varianti (residual, multi‑scala, attention); deep supervision; metriche Dice/IoU/AUC e similari; casi clinici (TC polmone, RM cervello).

4.      Architetture avanzate per il Medical Imaging

CNN‑Transformer ibride, attenzione gerarchica e meccanismi long‑range 2D/3D; compensazione del rumore nel dominio delle feature(s)/input; modelli cross‑modality; modelli di attention-deformabile, approcci di continual learning/adversarial protection per medical imaging; Bio-inspired models per Medical Imaging (cenni)

5.      Radiomica & Outcome Prediction

Feature(s) classiche (shape, texture, first‑order) e deep features; integrazione clinico‑omica; modelli di sopravvivenza e predizione del rischio basati su imaging medico; classificazione/predizione risposta al trattamento. Casi studio.

6.      Modelli Generativi & Foundation

GAN, Diffusion, pre‑training multimodale; Large Language Models (LLM) per Medical Imaging; sintesi dati per augmentation e riduzione bias; Zero/few‑shot learning; Structured Chain-of Thought per medical imaging avanzato.

7.       Continual Learning, Fairness & Regolazione nel Medical Imaging

Catastrophic forgetting, replay/regularization, privacy‑preserving; analisi bias e fairness; explainability (saliency/Grad‑CAM); Regolarizzazione dello Jacobiano e modelli Lipschitziani; Modelli bio‑inspired e neuro‑modulazione (cenni)

8.      Medical Imaging Applications

Neuro‑Imaging, Oncological Imaging: casi diagnostici e mini‑progetti guidati.

1.       Dispense/slide(s) del docente.

2.       Prince & Links, Medical Imaging Signals and Systems, 3ª ed.

3.       Zhou, Greenspan, Shen, Deep Learning for Medical Image Analysis, 2ª ed.

4.       Articoli scientifici e position papers (indicati durante il corso).

L'esame finale sarà cosi articolato:

1.    Prova scritta;

2.    Realizzazione di un progetto in ambiente python concordato con il docente. 

La prova scritta è costituita da cinque domande a risposta aperta. La prenotazione per la partecipazione alla prova scritta è obbligatoria.

Note:

• È vietato l'uso di qualsiasi strumento hardware (calcolatrici programmabili/scientifiche, tablet, smartphone, smartwatch, cellulari, auricolari BT etc.), di libri o documenti personali durante la prova scritta. Eventuale documentazione sarà fornita dalla commissione durante l'esame. 
• Durante le prove scritte non potranno essere tenuti a portata di mano zaini, bose ed altri contenitori, che dovranno essere lasciati a debita distanza. Si consiglia di non portare con sè oggetti di valore: la commissione non prenderà in custodia nulla e non potrà essere ritenuta responsabile di eventuali mancanze.
• Per sostenere gli esami è necessario avere effettuato la prenotazione sul portale SmartEdu. Per eventuali problemi tecnici relativi alla prenotazione occorre rivolgersi alla Segreteria didattica.
• Non sono ammesse prenotazioni tardive tramite email. In mancanza di prenotazione, l'esame non può essere nè sostenuto nè verbalizzato.
• Gli studenti con disabilità e/o DSA dovranno contattare, con largo anticipo rispetto alla data dell'esame, la commissione e il referente CInAP del DMI per comunicare che intendono sostenere l'esame fruendo delle opportune misure compensative. Tali misure devono essere certificate dal CInAP.

Prove in Itinere: Non previste

In caso di necessità, a seguito di apposite indicazioni da parte degli organi di Ateneo, la verifica potrà essere effettuata in modalità telematica, con le necessarie variazioni rispetto a quanto dichiarato in precedenza.

Le prove sono finalizzate ad ottenere una valutazione complessiva della preparazione dello studente. Il voto è attribuito applicando una media tra la valutazione del progetto e dell’esame scritto.

·       Spiegare differenze tra contrasti nell'imaging RM: T1/T2 e il principio della DWI;

·       Descrivere lo standard DICOM e una pipeline PACS tipica.

·       Descrivere GAN vs Diffusion per sintesi di dati e riduzione del bias.

·       Descrivere in dettaglio un approccio di continual learning che mitighi il catastrophic forgetting nell'imaging medicale.