Definizione
U-Net è un’architettura di rete neurale convoluzionale (CNN) progettata per la segmentazione di immagini, introdotta nel 2015, ma ancora tutt’oggi alla base di molti modelli di segmentazione. È particolarmente utilizzata in ambito medico, dove permette di segmentare con precisione strutture anatomiche e anomalie in TAC, risonanze magnetiche (RM) ed ecografie.
L’architettura di U-Net ha una forma a “U”, composta da due parti principali:
- Encoder (Contrazione): utilizza livelli convoluzionali e di pooling per estrarre caratteristiche e ridurre la dimensione spaziale dell’immagine.
- Decoder (Espansione): usa livelli di upsampling (opposto del pooling) e convoluzionali trasposti (simili ai convoluzionali) per ricostruire la segmentazione partendo dalle caratteristiche estratte dall’encoder
Grazie alla sua accuratezza e flessibilità, U-Net è una delle architetture più usate in intelligenza artificiale per la medicina, con molte varianti avanzate come 3D U-Net, per il processing di immagini tridimensionali, o nnU-Net, che permette di trovare i parametri migliori per la rete in modo molto rapido ed efficace.
Applicazioni in medicina
- Rilevazione di tumori e anomalie, tramite, ad esempio, la segmentazione di lesioni polmonari in una TAC.
- Pianificazione chirurgica, mediante la segmentazione di organi e strutture anatomiche.
- Monitoraggio di patologie, come la progressione della sclerosi multipla nelle RM.
