Rete neurale convoluzionale U-Net per la segmentazione multiclasse di immagini angioTAC di pazienti con aneurisma aortico addominale

L’aneurisma aortico addominale (AAA) è una grave patologia vascolare, caratterizzata da una dilatazione anomala dell’aorta addominale dovuta ad un processo degenerativo di perdita di elasticità delle cellule muscolari lisce. La diagnosi precoce e il monitoraggio di questa condizione sono di fondamentale importanza per evitare complicazioni con un alto tasso di mortalità, quali la rottura dell’aneurisma, e per migliorare gli esiti clinici dei pazienti. L’avvento delle tecniche di imaging medico, come l’angio-TAC, ha fornito immagini dettagliate dell’anatomia vascolare, consentendo ai medici di valutare con precisione le dimensioni e la morfologia degli aneurismi. Tuttavia, l’analisi manuale di tali immagini è un processo dispendioso e soggetto a variabilità inter-operatore; in questo contesto, le tecniche di intelligenza artificiale e machine learning rappresentano una soluzione promettente per migliorare l’efficienza e l’accuratezza della diagnosi, grazie all’automazione della segmentazione delle immagini mediche. L’obiettivo del presente elaborato è lo sviluppo e la valutazione di un modello di deep learning basato sulla rete neurale convoluzionale 2D U-Net, finalizzato alla segmentazione multiclasse di immagini angio-TAC in pazienti con AAA. A differenza dei precedenti approcci, questo lavoro ha l’intento di andare oltre la segmentazione binaria tradizionale, comprendente la sola aorta, estendendo l’analisi all’identificazione anche dei vasi periferici (tripode celiaco, arteria mesenterica superiore, arterie renali), strutture di cruciale importanza per la pianificazione di interventi chirurgici complessi, come l’impianto di endoprotesi fenestrate. Un aspetto rilevante di questa tesi è il collegamento con l’avanzata pratica clinica sviluppata presso il reparto di Chirurgia Vascolare ed Endovascolare dell’Azienda Ospedale Università di Padova: qui è stata adottata una tecnica innovativa per il trattamento degli AAA complessi, che prevede l’impiego di endoprotesi fenestrate modificate da un chirurgo (PMEG, Physician Modified Endograft). A tale scopo, la segmentazione multiclasse proposta nel presente studio si allinea perfettamente con questa pratica clinica, poiché fornisce una mappatura precisa delle strutture vascolari, in particolare dei vasi viscerali, necessarie alla pianificazione di dispositivi personalizzati in base all’anatomia specifica del paziente. Gli obiettivi specifici includono la costruzione di un dataset di immagini angio-TAC e maschere di segmentazione manuale, preprocessing e data augmentation per migliorare la robustezza e la generalizzazione del modello, l’implementazione e l’addestramento di una rete U-Net per la segmentazione automatica multiclasse e, infine, la valutazione delle prestazioni del modello attraverso metriche quantitative e analisi qualitativa delle predizioni.