Modelli ML Quantizzati per la Classificazione dei Tumori Cerebrali tramite MRI in Ambienti con Risorse Limitate

Un articolo disponibile su arXiv (2605.19207) introduce un framework di compressione completo volto a implementare modelli di deep learning in contesti clinici con risorse limitate. Questo framework si concentra sulla classificazione dei tumori cerebrali utilizzando scansioni MRI e incorpora tecniche come l'addestramento consapevole della quantizzazione, la distillazione della conoscenza da un modello DenseNet-101 a un modello DenseNet-32 con quantizzazione post-addestramento a bassi bit, insieme alla quantizzazione post-addestramento Float16 utilizzando un backbone MobileNetV2. La ricerca utilizza un dataset MRI multiclasse che include glioma, meningioma, tumori ipofisari e controlli sani. Viene presentata una validazione estensiva del pipeline MobileNetV2, che impiega un approccio di transfer learning a tre fasi e implementa la quantizzazione Float16 tramite TensorFlow Lite, dettagliando anche le strategie basate su DenseNet. Questo studio affronta le limitazioni computazionali, di memoria e di potenza che restringono l'applicazione dei modelli di deep learning in ambienti sanitari con risorse limitate.