AFFILIAZIONE
università degli studi ‘magna graecia’ di catanzaro
AUTORE PRINCIPALE
Studente Montarello Francesca
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
Studente Montarello Francesca università degli studi ‘magna graecia’ di catanzaro
AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità
ABSTRACT
INTRODUZIONE
L’uso di algoritmi basati su deep learning (DL) per la segmentazione automatica delle immagini mediche sta diventando fondamentale per migliorare l’efficienza e la precisione dei processi diagnostici. Questo studio si propone di confrontare le prestazioni di due algoritmi di segmentazioni automatica di immagini CT dei polmoni.
MATERIALI E METODI
È stato analizzato un dataset open source di 20 pazienti comprensivi di CT e segmentazione manuale dei lobi polmonari, le loro immagini CT sono state processate con il software 3D Slicer, utilizzando il modulo “Lung CT Segmenter” e due modelli di DL, ‘Lungmask R231’ e ‘TotalSegmentator’. Le segmentazioni ottenute sono state confrontate con quelle manuali dei radiologi, considerate il gold standard. Per valutare l’accuratezza, sono stati utilizzati l’indice di Dice (DSC), che misura la sovrapposizione tra le maschere ottenute automaticamente e manualmente, che va da 0 (nessuna sovrapposizione) a 1 (sovrapposizione perfetta), e la distanza di Haussdorf (HD), che calcola la distanza tra superfici. Successivamente, è stato eseguito il test statistico di Wilcoxon per identificare eventuali differenze statistiche tra i due modelli.
RISULTATI
I risultati ottenuti mostrano che, considerando i valori medi di Dice e Haussdorf, i due algoritmi hanno fornito delle segmentazioni molto accurate, in quanto essi oscillano, tra 0.96 e 0.98 per DSC e 0.7 e 1.7 mm per HD. Il test di Wilcoxon rivela una differenza statistica tra le segmentazioni ottenute con i due metodi (p-value < 0.05). Il tempo richiesto per le segmentazioni è nell’ordine di un paio di minuti. CONCLUSIONI In conclusione, gli algoritmi di DL testati in questo lavoro hanno dimostrato un buon livello di accuratezza nella segmentazione automatica dei polmoni in immagini CT. Alla luce di questo, considerando anche il tempo necessario per ottenere i contorni, tali algoritmi di DL possono rivelarsi un valido supporto in clinica, riducendo il carico di lavoro per i medici e minimizzando la variabilità tipica del processo manuale.
L’uso di algoritmi basati su deep learning (DL) per la segmentazione automatica delle immagini mediche sta diventando fondamentale per migliorare l’efficienza e la precisione dei processi diagnostici. Questo studio si propone di confrontare le prestazioni di due algoritmi di segmentazioni automatica di immagini CT dei polmoni.
MATERIALI E METODI
È stato analizzato un dataset open source di 20 pazienti comprensivi di CT e segmentazione manuale dei lobi polmonari, le loro immagini CT sono state processate con il software 3D Slicer, utilizzando il modulo “Lung CT Segmenter” e due modelli di DL, ‘Lungmask R231’ e ‘TotalSegmentator’. Le segmentazioni ottenute sono state confrontate con quelle manuali dei radiologi, considerate il gold standard. Per valutare l’accuratezza, sono stati utilizzati l’indice di Dice (DSC), che misura la sovrapposizione tra le maschere ottenute automaticamente e manualmente, che va da 0 (nessuna sovrapposizione) a 1 (sovrapposizione perfetta), e la distanza di Haussdorf (HD), che calcola la distanza tra superfici. Successivamente, è stato eseguito il test statistico di Wilcoxon per identificare eventuali differenze statistiche tra i due modelli.
RISULTATI
I risultati ottenuti mostrano che, considerando i valori medi di Dice e Haussdorf, i due algoritmi hanno fornito delle segmentazioni molto accurate, in quanto essi oscillano, tra 0.96 e 0.98 per DSC e 0.7 e 1.7 mm per HD. Il test di Wilcoxon rivela una differenza statistica tra le segmentazioni ottenute con i due metodi (p-value < 0.05). Il tempo richiesto per le segmentazioni è nell’ordine di un paio di minuti. CONCLUSIONI In conclusione, gli algoritmi di DL testati in questo lavoro hanno dimostrato un buon livello di accuratezza nella segmentazione automatica dei polmoni in immagini CT. Alla luce di questo, considerando anche il tempo necessario per ottenere i contorni, tali algoritmi di DL possono rivelarsi un valido supporto in clinica, riducendo il carico di lavoro per i medici e minimizzando la variabilità tipica del processo manuale.
