Segmentazione automatica del miocardio da immagini di risonanza magnetica dark-blood pesate T2*

La segmentazione manuale delle immagini cardiache per la rilevazione di malattie cardiovascolari è limitata da due fattori: la scarsa riproducibilità, ovvero la variabilità dei risultati dovuta allo svolgimento delle operazioni da parte di diversi operatori, e il notevole dispendio in termini di tempo impiegato in operazioni manuali e ripetitive. Per superare i limiti delle diagnosi legati alla soggettività e alla lentezza delle operazioni, nel presente lavoro è stata introdotta una metodologia di segmentazione che sfrutta il deep learning, uno strumento che, grazie alla maggiore rapidità e migliore gestione delle immagini, è in via di applicazione nell’imaging cardiaco come in molti altri ambiti di diagnostica per immagini. Un tipico utilizzo per sfruttare un’infrastruttura di apprendimento basata sul deep learning si può trovare nell’analisi quantitativa delle immagini cardiache, in particolare la segmentazione automatica delle strutture del cuore, tra cui troviamo il miocardio ventricolare e il setto interventricolare. In particolare, le immagini dark blood T2* del miocardio, ottenute tramite apposite sequenze di risonanza magnetica, permettono la rilevazione di variazioni patologiche del tessuto miocardico causate da diverse patologie cardiache, come cardiomiopatie, emosiderosi cardiaca, ischemie, malformazioni congenite e molte altre. Grazie alla segmentazione automatica si potrebbe velocizzare l’analisi che tutt’ora viene effettuata utilizzando metodi semi-automatici che risentono di tutte le problematiche elencate in precedenza. La tesi si articola in diversi capitoli fornendo una visione completa della segmentazione cardiaca sia da un punto di vista teorico che tecnico e sperimentale. Si parte con la descrizione della struttura anatomica del cuore e con la contestualizzazione del problema clinico (in cui risulta molto rilevante poter sviluppare una metodologia automatica per la segmentazione), per poi passare alla presentazione delle reti neurali di deep learning e degli algoritmi sviluppati basati sulla rete convoluzionale U-net. Grazie alla sua architettura, che include un ramo di codifica e uno di decodifica, la rete convoluzionale permette di migliorare la segmentazione di immagini complesse e a bassa risoluzione. Oltre alla configurazione originaria della rete U-net, vengono sperimentate le architetture nnUNet, U-Mamba, Swin-UMamba. Queste sono applicate alle immagini cardiache dark-blood T2* ottenute da risonanza magnetica multi eco. In un’altra sezione della tesi vengono descritte la fase di pre-elaborazione e come il dataset tenuto in considerazione è stato organizzato secondo la classica architettura addestramento/validazione/test. I modelli vengono quindi addestrati, validati e testati su tale dataset per assicurare robustezza ed affidabilità delle performance predittive. I risultati vengono, poi, analizzati utilizzando come metrica di valutazione il coefficiente Dice, che indaga il grado di sovrapposizione tra le segmentazioni predette e quelle manuali di riferimento. Infine, vengono presentate le prospettive future e le potenziali estensioni di questo approccio, dato che risulterà essere particolarmente efficace ed accurato nella segmentazione cardiaca automatizzata. Ciò consentirà di aprire la strada verso l’adozione di algoritmi avanzati e totalmente automatici nella diagnostica cardiovascolare.