Applicazione dell'intelligenza artificiale nella tomografia computerizzata per la segmentazione delle lesioni nodulari polmonari nel cane

Negli ultimi anni, la tomografia computerizzata (TC) ha acquisito un'importanza crescente in medicina veterinaria, soprattutto nello studio delle vie aeree e del parenchima polmonare, affermandosi come tecnica diagnostica di secondo livello di riferimento in questo ambito. Il suo impiego maggiore si ha in oncologia, dove la segmentazione dei tumori è fondamentale per monitorare, diagnosticare e pianificare il trattamento. Attualmente, la segmentazione è eseguita manualmente, ma presenta limiti come variabilità tra osservatori, errore umano e alto consumo di tempo. L'intelligenza artificiale, in particolare il deep learning, rappresenta una soluzione per automatizzare questo processo, con il modello U-Net come approccio più promettente. L'obiettivo di questa tesi è lo sviluppo di un algoritmo di deep learning capace di segmentare autonomamente le lesioni nodulari polmonari. Sono stati analizzati tre database provenienti dalle università di Padova e Pisa e dalla compagnia Antech, selezionando 120 TC. Ogni immagine è stata segmentata manualmente con il software "3D Slicer", fornendo così la verità di base per l'addestramento dell'algoritmo. Dopo le fasi di training e validation, il modello è stato testato, ottenendo un Dice score di 0,4. Questo punteggio indica che l'algoritmo è in grado di identificare le lesioni, ma con una precisione insufficiente per l'applicazione clinica. Per migliorare le prestazioni dell'algoritmo, è necessario ampliare e rendere più omogeneo il dataset di riferimento, se possibile standardizzando i parametri di acquisizione delle immagini e coinvolgendo più esperti per ottenere una segmentazione più accurata dei margini delle lesioni. Inoltre, l’implementazione di tecniche avanzate come il data augmentation, la normalizzazione del batch e l'uso di algoritmi come l'α-hull potrebbe contribuire significativamente a migliorare la precisione del modello. Questi interventi permetterebbero di ottenere risultati più accurati e avvicinare l'algoritmo a un’applicazione clinica concreta.