Le anomalie congenite del rene e delle vie urinarie (CAKUT) costituiscono una delle principali cause di insufficienza renale cronica nei bambini. Una diagnosi precoce di queste patologie è fondamentale per avviare tempestivamente trattamenti adeguati e migliorare le prospettive di salute a lungo termine nei pazienti pediatrici. L’ecografia, per la sua sicurezza e affidabilità, è ampiamente utilizzata per valutare il rene nei bambini. Tuttavia, la qualità delle immagini ecografiche è spesso compromessa dal rumore, rendendo l’analisi più complessa e soggetta a errori di valutazione. Per questo motivo, è cruciale definire parametri biometrici specifici per indagare la presenza di anomalie, come la posizione, la dimensione e l’ecogenicità del rene. Tra questi, la dimensione del rene è un parametro chiave per la diagnosi e il monitoraggio delle CAKUT, spesso valutato tramite il diametro longitudinale, utile per identificare condizioni di ipo/iperplasia che accompagnano diverse anomalie renali. Questa tesi si propone di sviluppare un algoritmo basato sul deep learning per la segmentazione automatica del rene in ecografie pediatriche, finalizzato al calcolo del diametro renale. L’obiettivo principale è aumentare la precisione e l’efficienza nella misurazione delle dimensioni del rene, rendendo il processo completamente automatizzato. L’algoritmo si avvale di una rete neurale convoluzionale (CNN) con architettura U-Net, integrata con una fase di fine-tuning su un modello pre-addestrato per ottimizzare le prestazioni e di post-processing per migliorare la segmentazione e facilitare il calcolo automatizzato del diametro. L’algoritmo è stato addestrato su 161 ecografie pediatriche fornite dall’Ospedale di Padova, che includevano anche segmentazioni manuali. Per il training della rete pre-addestrata, utilizzata come base per il fine-tuning, è stato impiegato il dataset open source ”Open Kidney Dataset”, composto da 534 ecografie nefrologiche. I risultati della segmentazione del rene sono stati valutati utilizzando il coefficiente di Sørensen Dice, che ha raggiunto un valore di 0.915 nel test set, indicativo di un’elevata accuratezza. Per valutare la stima del diametro renale, il diametro predetto è stato confrontato con quello manuale, calcolando la differenza percentuale. La valutazione, effettuata confrontando tre diversi metodi di stima del diametro, ha evidenziato una buona precisione, con un margine d’errore inferiore al 10% nella maggior parte delle immagini rispetto al diametro misurato manualmente dai clinici. Questi sviluppi offrono un notevole potenziale per migliorare la qualità delle diagnosi ecografiche delle patologie renali nei pazienti pediatrici, contribuendo a una gestione clinica più efficace delle CAKUT.
SVILUPPO DI UN ALGORITMO BASATO SU DEEP LEARNING PER LA SEGMENTAZIONE DEL RENE IN ECOGRAFIE PEDIATRICHE
EGANO, ALESSIA
2023/2024
Abstract
Le anomalie congenite del rene e delle vie urinarie (CAKUT) costituiscono una delle principali cause di insufficienza renale cronica nei bambini. Una diagnosi precoce di queste patologie è fondamentale per avviare tempestivamente trattamenti adeguati e migliorare le prospettive di salute a lungo termine nei pazienti pediatrici. L’ecografia, per la sua sicurezza e affidabilità, è ampiamente utilizzata per valutare il rene nei bambini. Tuttavia, la qualità delle immagini ecografiche è spesso compromessa dal rumore, rendendo l’analisi più complessa e soggetta a errori di valutazione. Per questo motivo, è cruciale definire parametri biometrici specifici per indagare la presenza di anomalie, come la posizione, la dimensione e l’ecogenicità del rene. Tra questi, la dimensione del rene è un parametro chiave per la diagnosi e il monitoraggio delle CAKUT, spesso valutato tramite il diametro longitudinale, utile per identificare condizioni di ipo/iperplasia che accompagnano diverse anomalie renali. Questa tesi si propone di sviluppare un algoritmo basato sul deep learning per la segmentazione automatica del rene in ecografie pediatriche, finalizzato al calcolo del diametro renale. L’obiettivo principale è aumentare la precisione e l’efficienza nella misurazione delle dimensioni del rene, rendendo il processo completamente automatizzato. L’algoritmo si avvale di una rete neurale convoluzionale (CNN) con architettura U-Net, integrata con una fase di fine-tuning su un modello pre-addestrato per ottimizzare le prestazioni e di post-processing per migliorare la segmentazione e facilitare il calcolo automatizzato del diametro. L’algoritmo è stato addestrato su 161 ecografie pediatriche fornite dall’Ospedale di Padova, che includevano anche segmentazioni manuali. Per il training della rete pre-addestrata, utilizzata come base per il fine-tuning, è stato impiegato il dataset open source ”Open Kidney Dataset”, composto da 534 ecografie nefrologiche. I risultati della segmentazione del rene sono stati valutati utilizzando il coefficiente di Sørensen Dice, che ha raggiunto un valore di 0.915 nel test set, indicativo di un’elevata accuratezza. Per valutare la stima del diametro renale, il diametro predetto è stato confrontato con quello manuale, calcolando la differenza percentuale. La valutazione, effettuata confrontando tre diversi metodi di stima del diametro, ha evidenziato una buona precisione, con un margine d’errore inferiore al 10% nella maggior parte delle immagini rispetto al diametro misurato manualmente dai clinici. Questi sviluppi offrono un notevole potenziale per migliorare la qualità delle diagnosi ecografiche delle patologie renali nei pazienti pediatrici, contribuendo a una gestione clinica più efficace delle CAKUT.File | Dimensione | Formato | |
---|---|---|---|
Egano_Alessia.pdf
accesso riservato
Dimensione
4.16 MB
Formato
Adobe PDF
|
4.16 MB | Adobe PDF |
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
https://hdl.handle.net/20.500.12608/72863