AFFILIAZIONE
Università Magna Graecia
AUTORE PRINCIPALE
Gallo Giulia Pia
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità
ABSTRACT
Introduzione:
La segmentazione delle immagini medicali rappresenta una fase fondamentale nell’analisi delle immagini biomediche, poiché consente la delineazione accurata dei contorni delle strutture anatomiche e delle regioni di interesse (ROI). In particolare, nelle immagini di risonanza magnetica (MRI), la corretta identificazione delle strutture anatomiche è essenziale per ottenere rappresentazioni geometriche affidabili; tuttavia, il contouring manuale è un processo time-consuming e soggetto a variabilità intra- e inter-operatore. I metodi basati su deep learning rappresentano una soluzione promettente per automatizzare questo processo, ma le segmentazioni automatiche possono ancora presentare errori locali lungo i contorni.
Materiali e Metodi:
In questo lavoro viene proposto un framework di deep learning per migliorare le segmentazioni automatiche a partire da volumi MRI tridimensionali. L’approccio si basa su una pipeline in due stadi: nel primo stadio è stato implementato un modello di generazione basato su architettura 3D U-Net, addestrato sul Calgary-Campinas public brain MRI dataset, costituito da immagini T1-weighted tridimensionali e relative maschere di riferimento; nel secondo stadio è stata sviluppata una rete neurale dedicata alla correzione delle segmentazioni, progettata per apprendere il mapping tra MRI originale e segmentazione generata dal primo modello. Per valutare la capacità correttiva, le segmentazioni preliminari sono state sottoposte a erosione morfologica, simulando errori di sotto-segmentazione. La rete utilizza la segmentazione iniziale come prior strutturale e apprende a correggere discrepanze locali rispetto al ground truth (GT).
Risultati:
Le prestazioni del sistema sono state valutate mediante Dice Similarity Coefficient (DSC) tra segmentazioni predette e ground truth. La segmentazione generata dal primo modello ha ottenuto un DSC medio pari a 0,519 ± 0.137, mentre l’introduzione della rete di correzione ha consentito di raggiungere un DSC medio pari a 0,843 ± 0.124, evidenziando un miglioramento dell’accuratezza dei contorni segmentati.
Conclusioni:
I risultati dimostrano che l’integrazione di una rete di correzione dedicata migliora la robustezza e l’affidabilità delle segmentazioni automatiche nelle immagini medicali. Il framework proposto rappresenta una strategia efficace per migliorare i contorni segmentati, contribuendo a ridurre l’intervento manuale e ad aumentare la riproducibilità dei risultati.
La segmentazione delle immagini medicali rappresenta una fase fondamentale nell’analisi delle immagini biomediche, poiché consente la delineazione accurata dei contorni delle strutture anatomiche e delle regioni di interesse (ROI). In particolare, nelle immagini di risonanza magnetica (MRI), la corretta identificazione delle strutture anatomiche è essenziale per ottenere rappresentazioni geometriche affidabili; tuttavia, il contouring manuale è un processo time-consuming e soggetto a variabilità intra- e inter-operatore. I metodi basati su deep learning rappresentano una soluzione promettente per automatizzare questo processo, ma le segmentazioni automatiche possono ancora presentare errori locali lungo i contorni.
Materiali e Metodi:
In questo lavoro viene proposto un framework di deep learning per migliorare le segmentazioni automatiche a partire da volumi MRI tridimensionali. L’approccio si basa su una pipeline in due stadi: nel primo stadio è stato implementato un modello di generazione basato su architettura 3D U-Net, addestrato sul Calgary-Campinas public brain MRI dataset, costituito da immagini T1-weighted tridimensionali e relative maschere di riferimento; nel secondo stadio è stata sviluppata una rete neurale dedicata alla correzione delle segmentazioni, progettata per apprendere il mapping tra MRI originale e segmentazione generata dal primo modello. Per valutare la capacità correttiva, le segmentazioni preliminari sono state sottoposte a erosione morfologica, simulando errori di sotto-segmentazione. La rete utilizza la segmentazione iniziale come prior strutturale e apprende a correggere discrepanze locali rispetto al ground truth (GT).
Risultati:
Le prestazioni del sistema sono state valutate mediante Dice Similarity Coefficient (DSC) tra segmentazioni predette e ground truth. La segmentazione generata dal primo modello ha ottenuto un DSC medio pari a 0,519 ± 0.137, mentre l’introduzione della rete di correzione ha consentito di raggiungere un DSC medio pari a 0,843 ± 0.124, evidenziando un miglioramento dell’accuratezza dei contorni segmentati.
Conclusioni:
I risultati dimostrano che l’integrazione di una rete di correzione dedicata migliora la robustezza e l’affidabilità delle segmentazioni automatiche nelle immagini medicali. Il framework proposto rappresenta una strategia efficace per migliorare i contorni segmentati, contribuendo a ridurre l’intervento manuale e ad aumentare la riproducibilità dei risultati.
