Un approccio in due fasi di preprocessamento e classificazione per una rilevazione accurata del COVID-19 nelle radiografie

Perché una lettura delle radiografie più intelligente è importante

Durante la pandemia di COVID-19 i medici si sono affidati principalmente ai test di laboratorio per confermare le infezioni. Tuttavia le apparecchiature di laboratorio possono essere scarse e i risultati richiedere tempo, soprattutto in contesti con risorse limitate. Le radiografie del torace, per contro, sono rapide e ampiamente disponibili, ma anche i radiologi esperti possono faticare a individuare i cambiamenti polmonari spesso sottili causati dal COVID-19. Questo articolo esplora un modo per insegnare ai computer a leggere le radiografie in modo più affidabile: prima ripulendo le immagini e poi applicando l’intelligenza artificiale moderna, con l’obiettivo di aiutare i clinici a prendere decisioni più rapide e accurate.

Mettere a fuoco i dettagli importanti in immagini rumorose

Una radiografia del torace contiene un miscuglio di informazioni: ossa, tessuti molli, ombre e artefatti della macchina si sovrappongono. I sistemi di deep learning standard cercano di imparare direttamente da queste immagini grezze, il che significa che la rete deve capire da sola quali parti di ogni immagine siano rilevanti. Questo è difficile quando le immagini variano per luminosità, contrasto e qualità. Gli autori affrontano il problema aggiungendo una fase di preprocessamento dedicata prima che le radiografie raggiungano la rete neurale. Utilizzano una tecnica di visione artificiale chiamata Maximally Stable Extremal Regions (MSER), che esamina l’immagine a molti livelli di luminosità e individua regioni che rimangono stabili al variare della soglia. Questi frammenti stabili spesso corrispondono a strutture significative — come aree di tessuto polmonare anomalo — mentre ignorano il disordine più casuale.

Lasciare che un branco virtuale affini i parametri

MSER è potente ma sensibile: le sue prestazioni dipendono fortemente da alcuni parametri numerici che controllano quanto può essere grande una regione, quanto può variare la sua luminosità e quanto lisci debbano apparire i suoi bordi. Testare manualmente tutte le combinazioni su migliaia di radiografie sarebbe tedioso e lento. Per risolvere questo problema, i ricercatori impiegano un metodo di ottimizzazione ispirato alla natura chiamato Grey Wolf Optimizer. In questo algoritmo, un branco virtuale di “lupi” esplora diverse combinazioni di parametri, muovendosi gradualmente verso quelle che producono regioni più pulite e informative nelle immagini. La qualità di ciascuna configurazione viene valutata con una misura che premia regioni internamente uniformi e nettamente separate dall’ambiente circostante. Nell’arco di poche decine di iterazioni per immagine, il branco converge su un set di parametri che fa emergere chiaramente le aree polmonari sospette.

Allenare le reti neurali con immagini più pulite

Una volta che le radiografie sono state perfezionate in questo modo, vengono passate a una rete neurale convoluzionale profonda — la stessa classe di modelli ampiamente usata per il riconoscimento facciale e le auto a guida autonoma. Gli autori hanno testato la loro pipeline in due fasi con tre famiglie di reti diverse: una rete personalizzata molto semplice, DenseNet (un’architettura più robusta e complessa) e MobileNet (un modello più leggero pensato per dispositivi mobili). Per ciascuna di queste hanno confrontato le prestazioni su due dataset pubblici di radiografie toraciche, prima usando immagini grezze e poi usando immagini preprocessate dalla combinazione MSER–Grey Wolf. In tutti i casi, le immagini preprocessate hanno portato a maggiore accuratezza, meno falsi allarmi e tempi di addestramento più rapidi. In un caso l’accuratezza è passata da circa il 90% a quasi il 99%, mentre il tempo di addestramento è stato ridotto di circa due terzi.

Quanto è robusto questo approccio nel mondo reale?

Per verificare che il metodo non si limitasse a memorizzare le peculiarità di un singolo dataset, gli autori hanno condotto un test più severo: hanno addestrato i modelli su una raccolta di radiografie e poi li hanno valutati su una raccolta diversa che non avevano mai visto. Le prestazioni sono ovviamente diminuite, ma i sistemi che usavano il nuovo preprocessamento si sono comportati molto meglio rispetto a quelli addestrati solo su immagini grezze. Lo studio include anche un’analisi di ablazione, che ha mostrato come l’uso di MSER senza un’ottimizzazione automatica non apporti grandi benefici, e un confronto con un metodo convenzionale di miglioramento del contrasto. In quei casi i guadagni scomparivano in gran parte. Questo suggerisce che l’ingrediente chiave non è semplicemente “migliorare” le immagini, ma guidare l’algoritmo a isolare regioni stabili e rilevanti per la malattia in modo rigoroso e basato sui dati.

Cosa significa per pazienti e medici

Il lavoro non sostituisce i test PCR né i radiologi esperti, e gli autori rilevano limiti: i dati provengono da un insieme limitato di ospedali e non hanno testato il metodo su tutte le architetture di rete moderne o su altre patologie polmonari. Ciononostante, i risultati mostrano che un preprocessamento progettato con cura può rendere i sistemi di IA esistenti molto più accurati ed efficienti. Aiutando le reti neurali a concentrarsi sulle parti più informative di ogni radiografia toracica, l’approccio in due fasi offre una strada praticabile verso strumenti di supporto automatizzati affidabili per la diagnosi del COVID-19 e, potenzialmente, di altre condizioni respiratorie — specialmente in contesti in cui decisioni rapide e risorse di calcolo limitate sono la norma.

Citazione: González, A., Gutiérrez, V.G., Cuevas, E. et al. A two-stage preprocessing and classification approach for accurate COVID-19 detection in X-ray images. Sci Rep 16, 13514 (2026). https://doi.org/10.1038/s41598-026-41861-0

Parole chiave: Diagnosi COVID-19 da radiografia, preprocessamento di immagini mediche, apprendimento profondo in radiologia, rilevamento assistito da computer, IA per immagini toraciche