TC del torace ad alta risoluzione (HRCT)
TC del torace ad alta risoluzione (HR) La Tomografia Computerizzata ad Alta Risoluzione (TC HR) rappresenta oggi il gold standard per lo studio delle malattie
5. Segmentazione
La segmentazione delle immagini consiste nel creare delle regioni di interesse (ROI) o volumi di interesse (VOI), che include quelle parti di un’immagine che appartengono
11. Incertezza e calibrazione del modello
Valutazione dell’Incertezza e Calibrazione del Modello La valutazione dell’incertezza e la calibrazione del modello sono passaggi fondamentali per migliorare l’affidabilità e l’interpretabilità dei modelli di
9. Modelli di machine learning
Apprendimento Supervisionato L’apprendimento supervisionato è un tipo di machine learning in cui il modello viene addestrato su un dataset etichettato, ovvero ogni osservazione ha un
6. Estrazione di Features
Features Le features radiomiche sono parametri quantitativi estratti dalle immagini radiologiche e rappresentano l’input principale di un modello di radiomica. Queste features sono informazioni numeriche
8. Selezione delle Features
La Necessità di Selezione delle Features e Regolarizzazione Non tutte le features estratte sono utili per essere utilizzati nei modelli di radiomica, rendendo quindi necessarie
7. Preparazione dei dati
Preparazione dei Dati La precisione dei modelli radiomici può essere compromessa da scarsità di dati, fattori confondenti e problemi di squilibrio delle classi (class inbalance),
10. Training, Validation, Test
Un flusso di lavoro standard di machine learning comprende le fasi di training, validation e test, che richiedono la divisione del dataset originale in sottogruppi
4. Preprocessing delle immagini
Preprocessing Il preprocessing delle immagini radiologiche è una fase cruciale che influisce sull’accuratezza e sull’affidabilità dell’estrazione delle features. Il preprocessing è essenziale per ridurre la
3. Compromesso bias-variance
Compromesso Bias-Variance Il compromesso tra bias e variance è fondamentale nel Machine Learning (ML), poiché molte delle sfide e delle questioni metodologiche mirano, in ultima