ANALISI AUTOMATIZZATA DI RISONANZE MAGNETICHE PER LA DIAGNOSI DEL PARKINSON MEDIANTE RETI NEURALI CONVOLUZIONALI.

Parkinson's disease (PD) is a progressive neurodegenerative disorder affecting the central nervous system, causing motor and cognitive impairments due to the degeneration of dopaminergic neurons in the substantia nigra. Early diagnosis represents a significant clinical challenge, as symptoms often appear in the advanced stages of the disease. This thesis developed an experimental model based on convolutional neural networks (CNNs) for the automated analysis of brain MRI images, with the aim of supporting the differential diagnosis between Parkinson's patients and healthy subjects. The images were appropriately preprocessed, normalized, and divided into training and testing sets according to a subject-based logic, to ensure robust evaluation of the model's performance. The proposed system was trained on a publicly available MRI dataset, achieving high image-level accuracy and diagnostic consistency at the subject level, with a clear distinction between pathological cases and controls. The experimental results confirm the validity of the deep learning approach as a tool to support medical diagnosis, highlighting the potential of neural networks in image-assisted diagnostics and computational neurology.

Il Morbo di Parkinson è una patologia neurodegenerativa progressiva che colpisce il sistema nervoso centrale, causando alterazioni motorie e cognitive dovute alla degenerazione dei neuroni dopaminergici nella substantia nigra. La diagnosi precoce rappresenta una sfida clinica rilevante, poiché i sintomi compaiono spesso in fase avanzata della malattia. In questo lavoro di tesi è stato sviluppato un modello sperimentale basato su reti neurali convoluzionali (CNN) per l’analisi automatizzata di immagini MRI cerebrali, con l’obiettivo di supportare la diagnosi differenziale tra soggetti affetti da Parkinson e soggetti sani. Le immagini sono state opportunamente preprocessate, normalizzate e suddivise in insiemi di addestramento e test secondo una logica basata sui soggetti, al fine di garantire una valutazione robusta delle prestazioni del modello. Il sistema proposto è stato addestrato su un dataset MRI pubblico, ottenendo accuratezza elevata a livello di immagine e coerenza diagnostica a livello di soggetto, con una netta distinzione tra casi patologici e controlli. I risultati sperimentali confermano la validità dell’approccio di deep learning come strumento di supporto alla diagnosi medica, evidenziando il potenziale delle reti neurali nella diagnostica assistita da immagini e nella neurologia computazionale.