B5420 - Seminario Intelligenza Artificiale

Anno Accademico 2025/2026

  • 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:

  1. Fondamenti di Intelligenza Artificiale e Machine Learning

    • Apprendimento supervisionato, non supervisionato e profondo

    • Reti neurali convoluzionali (CNN) per immagini mediche

  2. AI in Radiologia e Diagnostica per Immagini

    • Riconoscimento e classificazione di pattern patologici

    • Segmentazione automatica di organi e lesioni

    • Sistemi CAD (Computer-Aided Diagnosis)

  3. AI in Radioterapia

    • Ottimizzazione dei piani di trattamento

    • Predictive analytics per la risposta al trattamento

    • Adaptive radiotherapy guidata da IA

  4. AI in Medicina Nucleare

    • Reconstruction enhancement e noise reduction

    • Quantificazione automatica dell’uptake

    • Fusione multimodale (PET/CT, PET/MRI) e analisi radiomica

  5. 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

  • Gli studenti con disturbi dell'apprendimento e disabilità temporanee o permanenti sono invitati a contattare l'ufficio dedicato (https://site.unibo.it/studenti-con-disabilita-e-dsa/it/per-studenti) il più presto possibile in modo da poter convenire sulle opportune misure compensative. La richiesta deve essere presentata in anticipo (15 giorni prima della data dell'esame) al docente, che valuterà l'adeguatezza delle misure tenendo conto degli obiettivi didattici.

    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

    Salute e benessere Istruzione di qualità Imprese innovazione e infrastrutture

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