The early detection of pancreatic tumours plays a crucial role in the fight against this dangerous disease. This thesis focuses on the application of state-of-the-art radiomics and deep learning techniques for the analysis of pancreatic images in order to extract discriminative features useful for the early detection of tumours.

La rilevazione precoce dei tumori al pancreas riveste un ruolo cruciale nella lotta contro questa malattia pericolosa. Questa tesi si concentra sull'applicazione della radiomica e delle tecniche di deep learning, allo stato dell'arte, per l'analisi delle immagini del pancreas al fine di estrarre feature discriminative utili per la diagnosi precoce dei tumori.

APPLICAZIONI DELLA RADIOMICA E DEL DEEP LEARNING PER L'ANALISI DELLE IMMAGINI DEL PANCREAS E LA RILEVAZIONE DEI TUMORI

SAPONARO, CLAUDIO
2022/2023

Abstract

The early detection of pancreatic tumours plays a crucial role in the fight against this dangerous disease. This thesis focuses on the application of state-of-the-art radiomics and deep learning techniques for the analysis of pancreatic images in order to extract discriminative features useful for the early detection of tumours.
2022
APPLICATIONS OF RADIOMICS AND DEEP LEARNING FOR PANCREAS IMAGE ANALYSIS AND TUMOUR DETECTION
La rilevazione precoce dei tumori al pancreas riveste un ruolo cruciale nella lotta contro questa malattia pericolosa. Questa tesi si concentra sull'applicazione della radiomica e delle tecniche di deep learning, allo stato dell'arte, per l'analisi delle immagini del pancreas al fine di estrarre feature discriminative utili per la diagnosi precoce dei tumori.
radiomica
deep learning
reti neurali
AI
cancro al pancreas
File in questo prodotto:
Fulltext non presente su UNITESI – Verifica la disponibilità della tesi in formato cartaceo interrogando il Catalogo di Ateneo

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14253/78651