AFFILIAZIONE
universita degli studi magna graecia di catanzaro
AUTORE PRINCIPALE
Studente De Benedittis Tilde Sueva
login avvenuto
GRUPPO DI LAVORO
Ingegnere Zaffino Paolo universita degli studi magna graecia di catanzaro
AREA TEMATICA
ABSTRACT
La segmentazione automatica delle strutture anatomiche in immagini TC del distretto testa-collo è
fondamentale in ambito clinico, soprattutto nella pianificazione radioterapica. Gli algoritmi deep
learning stanno diventando strumenti efficaci per automatizzare questo processo, riducendo tempi e
variabilità tra operatori. Lo scopo di questo studio è testare l’accuratezza di TotalSegmentator,
integrato in 3D Slicer, nella segmentazione automatica del distretto testa-collo, confrontando le
performance delle modalità fast e high resolution.
Materiali e Metodi
Sono stati analizzati 25 pazienti sottoposti a TC del distretto testa-collo, selezionati da un dataset
open source che include immagini e contorni anatomici manuali. Le immagini sono state segmentate
automaticamente in modalità fast e high resolution tramite il tool TotalSegmentator. Le strutture
segmentate comprendevano: occhi, nervi ottici, parotidi, sottomandibolari, tiroide e carotidi. Le
maschere ottenute sono state confrontate con segmentazioni manuali realizzate da esperti, usate come
ground truth. Il confronto è stato effettuato con il tool SlicerRT, calcolando il Dice Similarity
Coefficient e la Hausdorff Distance. Il test di Wilcoxon per dati appaiati è stato applicato solo ai
valori di Dice.
Risultati
Entrambe le modalità hanno restituito valori di Dice e Hausdorff utili per valutare l’accuratezza
della segmentazione. In generale, la modalità high resolution ha mostrato valori di Dice elevati e
Hausdorff ridotti rispetto alla modalità fast, indicando maggiore accuratezza. Il test di Wilcoxon ha
evidenziato differenze statistiche significative tra le due modalità per i valori di Dice, in particolare
per carotidi e tiroide. Le tempistiche per la segmentazione automatica sono state intorno ai 3 min,
molto più rapide rispetto alle segmentazioni manuali, che richiedono tempi decisamente più lunghi.
Discussione e Conclusioni
Lo studio conferma l’efficacia degli algoritmi deep learning nella segmentazione automatica del
distretto testa-collo. La modalità high resolution si è dimostrata più precisa, ma anche più lenta
rispetto alla modalità fast. L’adozione di TotalSegmentator nella pratica clinica rappresenta
un’opportunità per aumentare efficienza e uniformità nei processi di segmentazione riducendo
notevolmente i tempi rispetto alla segmentazione manuale, che è molto più lenta.
