Abstract
Il progetto STILE (Sustainable Tomographic Imaging with Learning and rEgularization) mira a sviluppare nuove metodologie matematiche e computazionali per la ricostruzione di immagini tomografiche ottenute con basse dosi di radiazioni o mediante tecniche prive di radiazioni ionizzanti, come la Diffuse Optical Tomography (DOT). L'obiettivo è migliorare la sostenibilità della diagnostica per immagini riducendo l'esposizione del paziente senza compromettere la qualità delle ricostruzioni. La riduzione della dose comporta infatti dati più rumorosi e incompleti, rendendo il problema di ricostruzione fortemente mal posto. Per affrontare questa sfida il progetto integra modellistica fisica, metodi di regolarizzazione, algoritmi di ottimizzazione numerica e tecniche di Deep Learning in un quadro metodologico unitario. Verranno sviluppati nuovi modelli variazionali in grado di descrivere realisticamente il rumore di acquisizione, strategie di regolarizzazione basate su sparsità e Total Variation, nonché algoritmi iterativi efficienti per problemi di grandi dimensioni. Parallelamente saranno studiati approcci di machine learning, quali reti unrolled, metodi Plug-and-Play e modelli physics-informed, per migliorare accuratezza, robustezza e tempi di calcolo delle ricostruzioni. Le metodologie saranno implementate in strumenti software per la tomografia a raggi X e la DOT e validate sia su dati simulati sia su dati sperimentali forniti da partner industriali. Un elemento innovativo del progetto è l'attenzione ai principi della Green AI, con lo sviluppo di modelli efficienti dal punto di vista energetico e computazionale. Grazie alla collaborazione tra le Università di Modena e Reggio Emilia, Bologna e Milano, STILE contribuirà allo sviluppo di tecnologie di imaging più sicure, affidabili e sostenibili, con ricadute nella diagnostica medica, nella ricerca scientifica e nel trasferimento tecnologico verso il settore industriale. Risultati conseguiti Le attività di ricerca hanno portato allo sviluppo di nuovi metodi per la ricostruzione di immagini tomografiche in condizioni di acquisizione particolarmente critiche, caratterizzate da un numero limitato di proiezioni e da elevati livelli di rumore. I risultati ottenuti si collocano pienamente nell'ambito degli obiettivi del progetto STILE, contribuendo allo sviluppo di metodologie ibride che integrano modellistica matematica, tecniche di ottimizzazione e apprendimento automatico per ottenere ricostruzioni più accurate, interpretabili ed efficienti dal punto di vista computazionale. Uno dei principali risultati riguarda lo sviluppo del metodo Deep Guess, una nuova strategia di ricostruzione che utilizza una rete neurale esclusivamente per produrre una stima iniziale di elevata qualità da fornire a un algoritmo iterativo di tipo Model-Based Iterative Reconstruction (MBIR). A differenza degli approcci puramente data-driven, nei quali la rete neurale sostituisce completamente il processo ricostruttivo, Deep Guess mantiene il modello fisico e il problema variazionale al centro della procedura di ricostruzione, sfruttando il deep learning solamente per accelerare la convergenza dell'algoritmo di ottimizzazione. Tale approccio consente di preservare interpretabilità, robustezza e stabilità numerica, migliorando contemporaneamente la qualità delle immagini e riducendo il numero di iterazioni necessarie. Il metodo è stato addestrato e validato sia sul dataset sintetico Coule, sviluppato e reso disponibile dal gruppo di ricerca, sia sul dataset pubblico Mayo Clinic contenente immagini TAC reali. Le sperimentazioni hanno dimostrato come l'approccio permetta di ottenere ricostruzioni significativamente migliori rispetto alle tecniche tradizionali in scenari caratterizzati da acquisizioni a bassissima dose. I risultati hanno dato origine alla pubblicazione: Deep Guess acceleration for explainable image reconstruction in sparse-view CT, pubblicata sulla rivista Computerized Medical Imaging and Graphics nel 2025. Una seconda linea di ricerca ha riguardato lo sviluppo di una nuova formulazione di Adaptive Weighted Total Variation. L'idea consiste nello stimare, mediante una ricostruzione preliminare eventualmente ottenuta con reti neurali, un parametro di regolarizzazione spazialmente variabili. Questa strategia combina la stabilità teorica dei modelli convessi con la capacità delle regolarizzazioni non convesse di preservare strutture fini e dettagli anatomici. Anche questo metodo è stato validato sui dataset Coule e Mayo, confermando un miglioramento della qualità delle ricostruzioni nelle geometrie few-view. Il lavoro è pubblicato in Journal of Scientific Computing. Nell'ambito dello sviluppo di nuovi modelli variazionali sono stati inoltre ottenuti risultati rilevanti sul problema della selezione automatica dei parametri di regolarizzazione I risultati sono stati pubblicati sulla rivista Computational Optimization and Applications. Un ulteriore filone di ricerca ha riguardato lo sviluppo di tecniche iterative che integrano super-risoluzione e denoising direttamente nel dominio dei dati grezzi. In questo caso è stato proposto un modello di acquisizione più realistico rispetto agli approcci tradizionali, assumendo una combinazione di rumore di Poisson e Gauss anziché un'unica distribuzione statistica. Tale scelta consente di descrivere con maggiore accuratezza il processo fisico di formazione dei dati e costituisce un passo importante verso lo sviluppo di algoritmi affidabili per la tomografia a bassissimo costo e a bassa dose. I risultati di questa attività sono in fase di consolidamento e costituiranno oggetto di una futura pubblicazione scientifica. Un aspetto particolarmente significativo riguarda la validazione sperimentale su dati reali. I metodi Deep Guess e Adaptive Weighted Total Variation sono stati applicati a immagini di tomosintesi mammaria fornite dall'azienda IMS Giotto, partner industriale del progetto. Il passaggio dai dataset sintetici alle acquisizioni reali ha richiesto l'introduzione di specifiche strategie di pre-processing, tra cui il ritaglio automatico di regioni di interesse di dimensione uniforme, necessario per l'addestramento delle reti neurali. Le prime sperimentazioni hanno confermato la buona trasferibilità degli algoritmi sviluppati e rappresentano la base per future pubblicazioni dedicate alla validazione clinica dei metodi. Nel complesso, i risultati conseguiti dimostrano l'efficacia dell'approccio perseguito dal progetto STILE, basato sull'integrazione tra modelli fisici, ottimizzazione numerica e tecniche di apprendimento automatico. Le metodologie sviluppate consentono di migliorare significativamente la qualità delle ricostruzioni in condizioni di acquisizione sparse o rumorose, mantenendo al tempo stesso interpretabilità matematica, robustezza numerica ed efficienza computazionale. Inoltre, l'impiego delle reti neurali come strumenti di supporto ai metodi variazionali, piuttosto che come sostituti del modello fisico, rappresenta un contributo originale rispetto allo stato dell'arte e pienamente coerente con la filosofia del progetto, orientata verso lo sviluppo di strumenti affidabili, sostenibili e trasferibili alla pratica clinica.
Dettagli del progetto
Responsabile scientifico: Elena Loli Piccolomini
Strutture Unibo coinvolte:
Dipartimento di Informatica - Scienza e Ingegneria
Coordinatore:
Università degli studi di Modena e Reggio Emilia - UNIMORE(Italy)
Contributo totale Unibo: Euro (EUR) 61.210,00
Durata del progetto in mesi: 26
Data di inizio
28/09/2023
Data di fine:
26/12/2025
