L'analisi automatica di immagini mediche è oggi un tema di grande interesse per la comunità scientifica. Tale analisi può potenzialmente fornire ai clinici supporto decisionale e diagnostico, con l’obiettivo finale di garantire ai pazienti un percorso di cura sempre più oggettivo e personalizzato.
Le caratteristiche delle immagini mediche rendono incredibilmente difficile per gli algoritmi tradizionali di visione artificiale l’identificazione di eventuali anomalie. Le sfide in questo senso includono la forte variabilità intra- e inter-paziente, il basso rapporto segnale-rumore (soprattutto per alcune modalità di imaging), la presenza di più strutture simili nel campo di vista, il basso contrasto di tessuti patologici.

Con l’avvento del deep learning, tuttavia, si sono aperte una serie di possibilità ancora non del tutto esplorate. Il deep learning è una branca dell’intelligenza artificiale che, nell’ultima decade, ha mostrato enormi potenzialità nell’ambito delle immagini mediche, grazie anche allo sviluppo di reti neurali convoluzionali (CNN) sempre più complesse. Compiti classici nell’ambito includono la localizzazione, la classificazione e la segmentazione di organi e tessuti, ma anche la registrazione, il tracking e la ricostruzione 3D.
Lo scopo delle attività di ricerca dell’AI-MIA lab è quello di sfruttare le potenzialità del deep learning per l’analisi di un’ampia gamma di immagini mediche (endoscopia, ecografia, risonanza magnetica, imaging RGB-D) per supportare i medici durante procedure cliniche e chirurgiche. Nello specifico, le attività correnti riguardando lo sviluppo di algoritmi avanzati di deep learning di tipo generativo e semi- e self-supervisionato. Particolare attenzione viene posta anche in ottica di sviluppare modelli per il processing on the edge e seguendo paradigmi di distributed learning.

Responsabile scientifico

Dr. Sara Moccia
e-mail: sara.moccia@santannapisa.it

PhD students

• Carolina Correira
• Daniela De Luca

Visiting PhD students:

• Daniele Berardini
• Maria Chiara Fiorentino

Undergraduate students:

• Chiara Baldini
• Manuele Palladino

Progetti

• Principal Investigator (P.I.) per il progetto: “Riabilitazione e Valutazione degli Esiti Cognitivi Post Covid (RILEGO)”, finanziato dalla Regione Toscana nell'ambito del bando Bando Ricerca COVID-19 Toscana. Il progetto riguarda lo sviluppo di algoritmi di machine learning per l’analisi di dati acquisiti da piattaforme di riabilitazione robotica utilizzate da soggetti che hanno contratto la malattia da coronavirus (COVID-19)
• Co-Principal Investigator (co-PI) per il progetto: “An electrical stimulation-based solution to provide meaningful feedback to visually challenged people during obstacles detection in indoor and outdoor conditions (EU ZEN)”, finanziato dalla Fondazione Andrea Bocelli (ABF Foundation). Nello specifico, le attività di ricerca sono mirate allo sviluppo di algoritmi di visione basati su deep learning per l’analisi semantica della scena, con il fine ultimo di restituire feedback tattili a persone ipovedenti o non vedenti.
• Responsabile di task per il progetto: “PERSONA: PERSonalized rObotic NeurorehAbilitation for stroke survivors", finanziato dalla Regione Toscana nell'ambito del bando Ricerca Salute 2018. Il task riguarda lo sviluppo di algoritmi di machine learning per offrire una riabilitazione personalizzata ai pazienti post-ictus.

Pubblicazioni selezionate

1. Fiorentino, Maria Chiara, et al. "A deep-learning framework for metacarpal-head cartilage-thickness estimation in ultrasound rheumatological images." Computers in Biology and Medicine (2021): 105117.
2. Casella, Alessandro, et al. "A shape-constraint adversarial framework with instance-normalized spatio-temporal features for inter-fetal membrane segmentation." Medical Image Analysis 70 (2021): 102008.
3. Casella, Alessandro, et al. "Inter-foetus membrane segmentation for TTTS using adversarial networks." Annals of Biomedical Engineering 48.2 (2020): 848-859.
4. Moccia, Sara, et al. "Preterm infants’ pose estimation with spatio-temporal features." IEEE Transactions on Biomedical Engineering 67.8 (2019): 2370-2380.
5. Colleoni, Emanuele, et al. "Deep learning based robotic tool detection and articulation estimation with spatio-temporal layers." IEEE Robotics and Automation Letters 4.3 (2019): 2714-2721.
6. Moccia, Sara, et al. "Uncertainty-aware organ classification for surgical data science applications in laparoscopy." IEEE Transactions on Biomedical Engineering 65.11 (2018): 2649-2659.
7. Moccia, Sara, et al. "Blood vessel segmentation algorithms—review of methods, datasets and evaluation metrics." Computer Methods and Programs in Biomedicine 158 (2018): 71-91.
8. Moccia, Sara, et al. "Learning-based classification of informative laryngoscopic frames." Computer Methods and Programs in Biomedicine 158 (2018): 21-30.
9. Moccia, Sara, et al. "Computer-assisted liver graft steatosis assessment via learning-based texture analysis." International Journal of Computer Assisted Radiology and Surgery 13.9 (2018): 1357-1367.
10. Moccia, Sara, et al. "Development and testing of a deep learning-based strategy for scar segmentation on CMR-LGE images." Magnetic Resonance Materials in Physics, Biology and Medicine 32.2 (2019): 187-195.
11. Moccia, Sara, et al. "Toward improving safety in neurosurgery with an active handheld instrument." Annals of Biomedical Engineering 46.10 (2018): 1450-1464.
12. Moccia, Sara, et al. "Confident texture-based laryngeal tissue classification for early-stage diagnosis support." Journal of Medical Imaging 4.3 (2017): 034502.

Consulta la lista completa delle pubblicazioni: https://scholar.google.it/citations?user=Nc4WOQ4AAAAJ&hl=it&oi=ao