Il lavoro di tesi si inserisce nell'ambito della neuro-oncologia, affrontando le limitazioni dell'imaging standard (RM e PET) e la necessità di ricorrere a biopsie invasive per un'accurata classificazione molecolare dei tumori cerebrali. L'obiettivo principale dell'elaborato è analizzare l'efficacia delle metriche di complessità matematica quali la dimensione frattale, la lacunarità e l'entropia nel quantificare oggettivamente l'eterogeneità microstrutturale dei tumori. Attraverso una revisione sistematica della letteratura, sono stati valutati i migliori modelli algoritmici e di Deep Learning allo stato dell'arte per il rilevamento, la segmentazione e il grading. L'analisi evidenzia prestazioni diagnostiche promettenti, con architetture capaci di raggiungere un'accuratezza fino al 100% nel rilevamento del tumore e indici di Dice superiori al 99% nelle operazioni di segmentazione automatica. Inoltre, viene approfondito il ruolo della radiogenomica, dimostrando come l'analisi della texture e le metriche di entropia estratte dalle immagini di Risonanza Magnetica (spesso combinate con mappe ADC) permettano di prevedere in modo non invasivo marcatori genetici chiave, quali le mutazioni IDH1, lo stato del promotore TERT e l'EGFR, con aree sotto la curva (AUC) superiori a 0.95. In conclusione, lo studio conferma che l'integrazione delle metriche di complessità microstrutturale con gli algoritmi di intelligenza artificiale sta trasformando radicalmente la diagnostica neuro-oncologica

Metriche di complessità nei tumori cerebrali

ALBIERI, ROBERTO
2025/2026

Abstract

Il lavoro di tesi si inserisce nell'ambito della neuro-oncologia, affrontando le limitazioni dell'imaging standard (RM e PET) e la necessità di ricorrere a biopsie invasive per un'accurata classificazione molecolare dei tumori cerebrali. L'obiettivo principale dell'elaborato è analizzare l'efficacia delle metriche di complessità matematica quali la dimensione frattale, la lacunarità e l'entropia nel quantificare oggettivamente l'eterogeneità microstrutturale dei tumori. Attraverso una revisione sistematica della letteratura, sono stati valutati i migliori modelli algoritmici e di Deep Learning allo stato dell'arte per il rilevamento, la segmentazione e il grading. L'analisi evidenzia prestazioni diagnostiche promettenti, con architetture capaci di raggiungere un'accuratezza fino al 100% nel rilevamento del tumore e indici di Dice superiori al 99% nelle operazioni di segmentazione automatica. Inoltre, viene approfondito il ruolo della radiogenomica, dimostrando come l'analisi della texture e le metriche di entropia estratte dalle immagini di Risonanza Magnetica (spesso combinate con mappe ADC) permettano di prevedere in modo non invasivo marcatori genetici chiave, quali le mutazioni IDH1, lo stato del promotore TERT e l'EGFR, con aree sotto la curva (AUC) superiori a 0.95. In conclusione, lo studio conferma che l'integrazione delle metriche di complessità microstrutturale con gli algoritmi di intelligenza artificiale sta trasformando radicalmente la diagnostica neuro-oncologica
2025
Complexity Metrics in Brain Tumors
Fractal analysis
Brain
Tumor
File in questo prodotto:
File Dimensione Formato  
Elaborato Finale Albieri Roberto.pptx (2) (1).pdf

accesso aperto

Dimensione 1.93 MB
Formato Adobe PDF
1.93 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/114463