Auto-segmentazione tramite architettura di reti neurali delle lesioni tumorali rettali e del mesoretto nella stadiazione pre chemio-radioterapia

Introduzione: L’intelligenza artificiale sta avendo uno sviluppo in quasi in tutti gli ambiti della radiologia come ausilio utile ai radiologi nel riconoscimento di lesioni e tumori. Lo studio è focalizzato sulla segmentazione di lesioni rettali e del mesoretto attraverso reti neurali utili nella stadiazione pre-chemio e radioterapia del tumore del retto. Materiali e metodi: Per l’addestramento sono state selezionate dodici architetture di reti neurali conosciute per l’efficacia nelle segmentazioni di immagini mediche, tra cui nnUNET, UMamba, Swin-UMamba e Swin-UNETR. Queste reti neurali sono quindi state testate con tre distinte configurazioni di addestramento: una senza pre-training e senza data-augmentation, una con pre-training (utilizzando un modello addestrato su un ampio dataset di immagini naturali) ma senza data-augmentation, e una con l'incorporazione di data-augmentation utilizzando il metodo GIN. Il dataset è stato suddiviso in sottogruppi di addestramento e test risultando in 91 immagini per l'addestramento e 16 per il test. I risultati ottenuti dei test sono quindi stati valutati con il coefficiente di similarità Dice. Risultati: Il processo di segmentazioni ha generato dei risultati variabili a seconda del modello utilizzato tra 0.6420 ± 0.1803 (SwinUNETR) e 0.7500 ± 0.1283 (UMambaBot con augmentaion). La combinazione di tutti i modelli utilizzando l’algoritmo STAPLE ha ottenuto un punteggio di 0.7338 ± 0.1050 e del mesoretto d 0.7505 ± 0.1500. Conclusioni: Le varianti 3D di UMambaBot hanno ottenuto i punteggi complessivi più alti, soprattutto con l'augmentation dei dati (0.7341 ± 0.0884 per il tumore e di 0.7500 ± 0.1283), mentre i modelli SwinUMamba e SwinUNETR hanno mostrato risultati moderati con performance variabili a seconda delle configurazioni di addestramento.