Annotazione di immagini gastriche pre-operatorie tramite reti neurali: creazione di un database ground truth per la chirurgia bariatrica

Worldwide, the number of people affected by obesity is constantly increasing. Therefore, where necessary, bariatric surgery can be performed to reduce the stomach volume and, consequently, the patient’s weight, thereby improving their health status. In this regard, various surgical procedures exist; however, only two have been examined in this thesis: Endoscopic Sleeve Gastrectomy (ESG) and Laparoscopic Sleeve Gastrectomy (LSG). Magnetic resonance imaging (MRI) scans of the abdominal area were considered for two patient populations, specifically the ESG cohort and the LSG cohort. The gastric region was manually segmented using 3D Slicer software to create a ground truth database that could be used to train an artificial neural network capable of autonomously performing the segmentation in the future. Following this phase, it is possible to create a three-dimensional model of the stomach, which is useful for planning and customizing the procedure for a specific patient. Finally, statistical tests were conducted on the various collected volume values to determine if there is significance in terms of emptying rate, age, weight, BMI, and the presence or absence of comorbidities.

A livello mondiale, le persone affette da obesità sono in costante aumento, quindi, ove necessario, vi è la possibilità di intervenire mediante la chirurgia bariatrica che mira a ridurre il volume dello stomaco e di conseguenza il peso del paziente, migliorandone il suo stato di salute. A tal proposito esistono varie procedure operatorie; tuttavia, in questa tesi sono state esaminate solo due, ossia la Endoscopic Sleeve Gastrectomy (ESG) e la Laparoscopic Sleeve Gastrectomy (LSG). Infatti, si sono prese in considerazione le risonanze magnetiche della parte addominale di due popolazioni di pazienti, rispettivamente la coorte ESG e la coorte LSG. Si è segmentato manualmente il distretto gastrico, tramite il software 3D Slicer, allo scopo di creare un database ground truth per addestrare, in futuro, una rete neurale artificiale in grado di svolgere in modo autonomo la segmentazione. Conseguentemente a tale fase si è in grado di creare un modello tridimensionale dello stomaco, utile per pianificare e personalizzare l’intervento di uno specifico paziente. Infine, si sono svolti dei test statistici sui valori dei vari volumi raccolti per verificare se vi è significatività in termini di velocità di svuotamento, età, peso, BMI e la presenza o meno di comorbidità.