Laboratorio: Artificial Vision and Machine Learning (AVML) Lab

Descrizione: Le patologie oftalmologiche, rappresentano alcune delle principali cause di disabilità visiva e cecità nel mondo. La diagnosi precoce è determinante per l'efficacia del trattamento, ma richiede competenze specialistiche elevate e l'analisi di immagini cliniche complesse. Queste caratteristiche rendono la diagnosi assistita da computer un campo di ricerca di grande rilevanza clinica e tecnologica. A differenza di altri domini applicativi della computer vision, le immagini oftalmologiche presentano sfide peculiari: strutture anatomiche di dimensioni ridotte ma clinicamente significative , variabilità inter- e intra-paziente, artefatti acquisitivi, e uno sbilanciamento marcato tra classi patologiche e soggetti sani nei dataset disponibili. I modelli di deep learning sviluppati per immagini naturali non si trasferiscono direttamente a questo contesto e richiedono strategie di adattamento specifiche. La tesi si propone di studiare e sviluppare modelli basati su deep learning e computer vision per la diagnosi assistita di una o più patologie oftalmologiche, affrontando aspetti quali la classificazione della gravità della malattia, la segmentazione di strutture e lesioni retiniche, o il rilevamento di anomalie in immagini OCT. Verranno esplorate architetture moderne, tra cui reti convoluzionali profonde, vision transformer e modelli fondazionali adattati al dominio medico, con attenzione alle tecniche di explainability che rendano le predizioni interpretabili e clinicamente utili. L'obiettivo finale è contribuire allo sviluppo di strumenti di supporto decisionale affidabili, in grado di integrarsi in un flusso di lavoro clinico reale.

Description: Ophthalmic diseases are among the leading causes of visual impairment and blindness worldwide. Early diagnosis is crucial for effective treatment, but it requires a high level of specialized expertise and the analysis of complex clinical images. These characteristics make computer-aided diagnosis a field of research of great clinical and technological significance. Unlike other computer vision application domains, ophthalmic images present unique challenges: small but clinically significant anatomical structures, inter- and intra-patient variability, acquisition artifacts, and a marked imbalance between pathological classes and healthy subjects in available datasets. Deep learning models developed for natural images do not transfer directly to this context and require specific adaptation strategies. This thesis aims to study and develop models based on deep learning and computer vision for the assisted diagnosis of one or more ophthalmological conditions, addressing aspects such as the classification of disease severity, the segmentation of retinal structures and lesions, and the detection of anomalies in OCT images. Modern architectures will be explored, including deep convolutional networks, vision transformers, and foundational models adapted to the medical domain, with a focus on explainability techniques that make predictions interpretable and clinically useful. The ultimate goal is to contribute to the development of reliable decision-support tools that can be integrated into a real-world clinical workflow.