Segmentazione di Gliomi Cerebrali con Deep Learning

Questo progetto si focalizza sulla segmentazione di gliomi a basso grado (LGG) da immagini di Risonanza Magnetica (MRI) utilizzando diverse architetture di reti neurali convoluzionali. Il lavoro mira a confrontare le performance di modelli noti nel campo della segmentazione medica per identificare l'approccio più efficace per questo compito.

Dataset

Il dataset utilizzato è basato su immagini MRI cerebrali con maschere di segmentazione manuale delle anomalie FLAIR. I dati provengono da The Cancer Imaging Archive (TCIA) e corrispondono a 110 pazienti della TCGA lower-grade glioma collection.

Caratteristiche del Dataset:

• Immagini cerebrali in formato .tif a 3 canali (RGB)
• Maschere binarie a 1 canale (_mask.tif) che delineano la regione del tumore.
• Il dataset presenta un forte squilibrio di classe, con i pixel del tumore che costituiscono una piccola percentuale dell'area totale dell'immagine.

Modelli Implementati e Confrontati

In questo studio sono state implementate e confrontate le seguenti architetture di rete neurale per la segmentazione semantica:

1. U-Net: L'architettura base di riferimento, ampiamente utilizzata per compiti di segmentazione medica.
2. Attention U-Net: Una variante di U-Net che incorpora "attention gates" per migliorare la focalizzazione sulle regioni più rilevanti (come il tumore), potenziando la discriminazione delle feature.
3. LinkNet: Un'architettura efficiente che mira a bilanciare le performance con un uso più efficiente delle risorse computazionali, riutilizzando efficacemente le feature dell'encoder nel decoder.

Metriche di Valutazione

Le performance dei modelli sono state valutate utilizzando metriche specifiche per la segmentazione, particolarmente adatte a dataset con squilibrio di classe:

• Dice Coefficient (F1 Score): Misura la sovrapposizione tra la maschera predetta e la maschera di verità.
• Intersection over Union (IoU - Jaccard Index): Un'altra metrica di sovrapposizione, simile al Dice, che quantifica la somiglianza tra le due regioni.
• Binary Cross-Entropy with Logits Loss: Utilizzata come funzione di loss durante l'addestramento, indica l'errore del modello.

Struttura del Progetto

lgg-segmentation-project/ │ ├── data/ │ └── lgg-mri-segmentation/ # Contiene le cartelle TCGA_* con immagini e maschere │ ├── training_results/ # Nuova cartella: Risultati del training (modelli .pth, log .csv/.json, grafici .png) │ ├── unet_best_model.pth │ ├── attention_unet_best_model.pth │ ├── linknet_best_model.pth │ ├── unet_metrics_plot.png │ ├── attention_unet_metrics_plot.png │ ├── linknet_metrics_plot.png │ ├── unet_training_log.csv │ ├── attention_unet_training_log.csv │ ├── linknet_training_log.csv │ └── training_summary.json # Riepilogo dei log │ ├── notebooks/ │ └── analisi_esplorativa.ipynb # Analisi esplorativa dei dati e confronto dei risultati del training │ ├── run.py # Script principale per la preparazione dati, training e salvataggio risultati ├── requirements.txt # Dipendenze del progetto ├── README.md
└── .gitignore

Nota sulla struttura: Il tuo progetto attuale sembra essere più un "monorepo" con un singolo script run.py che gestisce l'intero flusso di lavoro. Ho aggiornato la struttura per riflettere questo, rimuovendo le cartelle models/, scripts/, configs/, data/raw, data/processed, data/splits che non sembrano essere più in uso con il tuo setup attuale. Se queste cartelle contengono ancora codice o dati rilevanti e sono state usate in una fase precedente, puoi reintrodurle nel README con una breve spiegazione.

Getting Started

Prerequisiti

• Python 3.8+
• PyTorch 1.10+
• NumPy, Pandas
• Matplotlib
• Pillow (PIL)
• Scikit-learn
• Tqdm
• Segmentation Models PyTorch (segmentation_models_pytorch)

Installazione

1. Clonare la repository:

   git clone [https://github.com/yourusername/lgg-segmentation-project.git](https://github.com/yourusername/lgg-segmentation-project.git)
   cd lgg-segmentation-project

2. Installare le dipendenze:

   pip install -r requirements.txt

Esecuzione del Progetto

1. Preparazione dei Dati: Assicurati che il dataset lgg-mri-segmentation sia posizionato nella cartella data/ del progetto, come segue: lgg-segmentation-project/data/lgg-mri-segmentation.

2. Addestramento dei Modelli e Generazione dei Log/Grafici: Eseguire lo script principale run.py. Questo script caricherà i dati, addestrerà i modelli (U-Net, Attention U-Net, LinkNet), salverà i pesi dei modelli migliori, i log di training in formato CSV e JSON, e genererà i grafici delle performance nella cartella training_results/.

   python run.py

   Nota: Se i log e i modelli esistono già, lo script li caricherà senza riaddestrare, permettendo di generare nuovamente grafici e log da dati preesistenti.

3. Analisi delle Performance e Discussione: Aprire il notebook Jupyter notebooks/1-analisi_esplorativa.ipynb per eseguire un'analisi esplorativa del dataset (es. squilibrio di classe) e per caricare, visualizzare e confrontare le performance dei modelli basate sui log di training.

   jupyter notebook

   Quindi, navigare e aprire notebooks/1-analisi_esplorativa.ipynb.

---