AFFILIAZIONE
università degli studi “magna graecia” di catanzaro
AUTORE PRINCIPALE
Studente Gaudio Mario
login avvenuto
GRUPPO DI LAVORO
Ing. Zaffino Paolo università degli studi “magna graecia” di catanzaro
AREA TEMATICA
ABSTRACT
La segmentazione automatica delle vertebre in immagini TC rappresenta un supporto fondamentale per diagnosi, pianificazione chirurgica e analisi morfometriche. L’impiego di tecniche deep learning consente oggi risultati rapidi e accurati, facilitando l’integrazione dell’intelligenza artificiale nei flussi di lavoro clinici. Questo studio valuta le prestazioni dei modelli Vertebrae TS2 e Vertebrae TS2 – Quick, inclusi nel framework MONAI Auto3DSeg, confrontandoli con segmentazioni di riferimento ottenute dal tool TotalSegmentator.
Materiali e Metodi
È 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’algoritmo TotalSegmentator. Entrambe le versioni degli algoritmi in esame sono state eseguite dall’ambiente 3D Slicer, e le segmentazioni ottenute confrontate con le maschere di riferimento. La valutazione è stata condotta tramite due metriche: indice di Dice (sovrapposizione volumetrica) e distanza media di Hausdorff (distanza spaziale dei contorni).
Risultati
A livello generale, il modello TS2 ha mostrato prestazioni superiori, con valori medi di Dice intorno a 0.9, mentre TS2 – 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 – Quick, specialmente nelle vertebre inferiori, come S1, dove sono stati osservati valori fino a circa 3.9 mm. È 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 15–20 secondi per l’algoritmo Quick e tra 1 e 2 minuti per TS2, a conferma del diverso impatto computazionale.
Conclusioni e Discussioni
Il modello TS2 garantisce una maggiore accuratezza, a fronte di un consumo più elevato di risorse computazionali, mentre la versione Quick si adatta meglio a scenari in cui è 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’integrazione di algoritmi affidabili nel processo di sviluppo di nuove soluzioni cliniche e tecnologiche, a beneficio sia della pratica radiologica sia dell’innovazione industriale nel settore medicale.
