{"id":13844,"date":"2025-05-22T10:32:40","date_gmt":"2025-05-22T08:32:40","guid":{"rendered":"https:\/\/www.convegnonazionaleaiic.it\/valutazione-comparativa-di-algoritmi-deep-learning-based-per-la-segmentazione-vertebrale-in-tc-uno-studio-con-monai-auto3dseg\/"},"modified":"2025-06-04T14:23:16","modified_gmt":"2025-06-04T12:23:16","slug":"valutazione-comparativa-di-algoritmi-deep-learning-based-per-la-segmentazione-vertebrale-in-tc-uno-studio-con-monai-auto3dseg","status":"publish","type":"post","link":"https:\/\/www.convegnonazionaleaiic.it\/valutazione-comparativa-di-algoritmi-deep-learning-based-per-la-segmentazione-vertebrale-in-tc-uno-studio-con-monai-auto3dseg\/","title":{"rendered":"VALUTAZIONE COMPARATIVA DI ALGORITMI DEEP LEARNING-BASED PER LA SEGMENTAZIONE VERTEBRALE IN TC: UNO STUDIO CON MONAI AUTO3DSEG"},"content":{"rendered":"
\n
\n

\"\"\"\"<\/p>\n

AFFILIAZIONE<\/span><\/strong><\/p>\n

universit\u00e0 degli studi “magna graecia” di catanzaro<\/p>\n


\nAUTORE PRINCIPALE<\/span><\/strong><\/p>\n

Studente Gaudio Mario<\/p>\n

VALUTA IL CHALLENGE
\n<\/span><\/strong><\/p>\n

Registrazione obbligatoria. Una valutazione consentita<\/em><\/div>\n
\t\t
\n\t\t\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tLogin<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tRegistrazione<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

login avvenuto<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tLogout<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<\/div>\n
[ratingwidget]<\/div>\n<\/div>\n
\n

<\/a><\/p>\n

GRUPPO DI LAVORO<\/span><\/strong><\/p>\n

Studente Gaudio Mario<\/strong> universit\u00e0 degli studi “magna graecia” di catanzaro
\nIng. Zaffino Paolo<\/strong> universit\u00e0 degli studi “magna graecia” di catanzaro<\/p><\/div>\n

AREA TEMATICA<\/span><\/strong><\/p>\n

Applicazioni di intelligenza artificiale in sanit\u00e0<\/div>\n

ABSTRACT<\/span><\/strong><\/p>\n

Introduzione
\nLa segmentazione automatica delle vertebre in immagini TC rappresenta un supporto fondamentale per diagnosi, pianificazione chirurgica e analisi morfometriche. L\u2019impiego di tecniche deep learning consente oggi risultati rapidi e accurati, facilitando l\u2019integrazione dell\u2019intelligenza artificiale nei flussi di lavoro clinici. Questo studio valuta le prestazioni dei modelli Vertebrae TS2 e Vertebrae TS2 \u2013 Quick, inclusi nel framework MONAI Auto3DSeg, confrontandoli con segmentazioni di riferimento ottenute dal tool TotalSegmentator.<\/p>\n

Materiali e Metodi
\n\u00c8 stato utilizzato un dataset open source contenente immagini TC di 18 pazienti, ciascuna associata a maschere di segmentazione delle 25 vertebre da C1 a S1 pre-generate mediante l\u2019algoritmo TotalSegmentator. Entrambe le versioni degli algoritmi in esame sono state eseguite dall\u2019ambiente 3D Slicer, e le segmentazioni ottenute confrontate con le maschere di riferimento. La valutazione \u00e8 stata condotta tramite due metriche: indice di Dice (sovrapposizione volumetrica) e distanza media di Hausdorff (distanza spaziale dei contorni).<\/p>\n

Risultati
\nA livello generale, il modello TS2 ha mostrato prestazioni superiori, con valori medi di Dice intorno a 0.9, mentre TS2 \u2013 Quick si attesta prevalentemente tra 0.7 e 0.8. Le distanze di Hausdorff risultano generalmente inferiori a 1 mm per TS2, ma possono aumentare in TS2 \u2013 Quick, specialmente nelle vertebre inferiori, come S1, dove sono stati osservati valori fino a circa 3.9 mm. \u00c8 stato inoltre eseguito un test statistico di Wilcoxon per dati appaiati sui valori di Dice, che ha evidenziato una differenza significativa tra i due modelli (p-value << 0.001). I tempi di segmentazione, rilevati sulla stessa workstation equipaggiata con GPU, si attestano attorno ai 15\u201320 secondi per l\u2019algoritmo Quick e tra 1 e 2 minuti per TS2, a conferma del diverso impatto computazionale.\n\nConclusioni e Discussioni\nIl modello TS2 garantisce una maggiore accuratezza, a fronte di un consumo pi\u00f9 elevato di risorse computazionali, mentre la versione Quick si adatta meglio a scenari in cui \u00e8 richiesto un output rapido con accettabile compromesso in termini di accuratezza. Studi come questo offrono un contributo concreto alla validazione comparativa di strumenti AI, favorendo l\u2019integrazione di algoritmi affidabili nel processo di sviluppo di nuove soluzioni cliniche e tecnologiche, a beneficio sia della pratica radiologica sia dell\u2019innovazione industriale nel settore medicale.<\/div>\n

 <\/p>\n

\n\n