- Docente: Gastone Castellani
- Crediti formativi: 1
- SSD: FIS/07
- Lingua di insegnamento: Italiano
- Modalità didattica: Convenzionale - Lezioni in presenza
- Campus: Bologna
- Corso: Laurea in Tecniche di radiologia medica, per immagini e radioterapia (abilitante alla professione sanitaria di tecnico di radiologia medica) (cod. 6063)
Conoscenze e abilità da conseguire
Lo studente acquisisce le competenze dell'intelligenza artificiale applicata alla Radiologia e tutta la diastica per Immagine, radioterapia e Medicina Nucleare.
Contenuti
Contenuti principali:
-
Fondamenti di Intelligenza Artificiale e Machine Learning
-
Apprendimento supervisionato, non supervisionato e profondo
-
Reti neurali convoluzionali (CNN) per immagini mediche
-
-
AI in Radiologia e Diagnostica per Immagini
-
Riconoscimento e classificazione di pattern patologici
-
Segmentazione automatica di organi e lesioni
-
Sistemi CAD (Computer-Aided Diagnosis)
-
-
AI in Radioterapia
-
Ottimizzazione dei piani di trattamento
-
Predictive analytics per la risposta al trattamento
-
Adaptive radiotherapy guidata da IA
-
-
AI in Medicina Nucleare
-
Reconstruction enhancement e noise reduction
-
Quantificazione automatica dell’uptake
-
Fusione multimodale (PET/CT, PET/MRI) e analisi radiomica
-
-
Etica, validazione e aspetti regolatori
-
Validazione clinica dei modelli IA
-
Conformità a normative (es. MDR, AI Act)
-
Considerazioni etiche e di interpretabilità
-
Testi/Bibliografia
Slides e appunti delle lezioni
"Intelligenza Artificiale per la Salute" – Giovanni Rinaldi, 2022 (Il Pensiero Scientifico)
"Deep Learning for Medical Image Analysis" – S. Kevin Zhou, Hayit Greenspan & Dinggang Shen, 2017 (Academic Press)
Metodi didattici
Lezioni frontali
Esercitazioni pratiche con dataset reali
Discussione di casi clinici e articoli scientifici
Utilizzo di software open source e strumenti IA per immagini mediche (es. MONAI, nnU-Net)
Modalità di verifica e valutazione dell'apprendimento
Progetto pratico su dataset di immagini mediche
Presentazione di un caso applicativo
Strumenti a supporto della didattica
Articoli, software e accesso a data base.
Esempio:
1. Ambienti di sviluppo
-
Google Colab, Jupyter Notebook
-
MONAI, nnU-Net, TotalSegmentator
2. Dataset open access
-
TCIA, MIDRC, BraTS, LIDC-IDRI, MICCAI Challenges
3. Software di elaborazione
-
3D Slicer, ITK-SNAP, QuPath
4. E-learning e collaborazione
-
Moodle, Teams, Zoom
-
Padlet, Miro, Notion
Orario di ricevimento
Consulta il sito web di Gastone Castellani
SDGs



L'insegnamento contribuisce al perseguimento degli Obiettivi di Sviluppo Sostenibile dell'Agenda 2030 dell'ONU.