Algoritmi e architetture parallele per la classificazione real-time di tumori della pelle tramite immagini iperspettrali

Il tumore è attualmente la forma di malattia più diffusa al mondo nonché principale causa di morte prematura. Nel 2018 sono stati diagnosticati oltre 18 milioni di casi, di cui 3,9 milioni in Europa, cifre destinate ad aumentare a causa dell’aumento della popolazione mondiale e del suo invecchiamento. Secondo l’American Academy of Dermatology, il tumore della pella è la forma di cancro più comune negli Stati Uniti con un’incidenza in continuo aumento e un numero di nuovi casi pari a 9500 ogni giorno. Le tecniche diagnostiche sviluppate per l’identificazione del cancro sono molteplici e dipendenti dall’area colpita. Tradizionalmente, la biopsia rappresenta la pratica più diffusa e sicura per ottenere con certezza la conferma della presenza di una neoplasia. Tuttavia, la maggior parte di questi metodi risulta essere invasivo, per questo la ricerca scientifica ha iniziato a indirizzare l’attenzione verso nuove tecnologie. E’ proprio in questo quadro che si inseriscono le immagini iperspettrali, in quanto minimamente invasive, non ionizzanti e senza contatto. E’ stato così generato un iniziale database di 49 immagini iperspettrali prelevate da 36 pazienti sulle quali è stato validato un algoritmo di machine learning appositamente progettato. L’elevata accuratezza rilevata nella classificazione delle masse tumorali ha dimostrato l’alto potenziale che questo sistema potrebbe avere, non solo nel riconoscimento dei tumori, ma anche per l’individuazione dell’intera massa da rimuovere durante le operazioni di resezione. A tale scopo, l’obiettivo principale perseguito da questa tesi è stato ridurre i tempi di esecuzione dell’algoritmo di classificazione, sfruttando le moderne tecnologie di calcolo parallelo. Per raggiungere risultati che rispettino il vincolo real.time, sono state realizzate differenti versioni dell’algoritmo impiegando l’API OpenMP e il linguaggio CUDA per la simulazione su GPU.