Tecniche Avanzate di Risonanza Magnetica per la Valutazione della Vascolarizzazione Cerebrale Neonatale: Verso un Atlante di Popolazione

Abstract

La segmentazione delle immagini mediche è un processo cruciale nella pratica clinica. Tuttavia, la segmentazione manuale richiede molto tempo, esige uno sforzo significativo da parte dei medici ed è soggetta a errori umani. Nel corso degli anni, sono stati implementati numerosi algoritmi basati sull'intelligenza artificiale per automatizzare la segmentazione delle immagini mediche. In questo progetto di tesi, ci siamo concentrati sulla segmentazione di immagini cerebrali pediatriche, in particolare TOF-MRA. I tumori del sistema nervoso centrale rappresentano la principale causa di mortalità legata al cancro nei pazienti pediatrici. Una segmentazione accurata consente la pianificazione di interventi chirurgici con la massima sicurezza per questa fetta di popolazione. Abbiamo pertanto valutato le prestazioni di due modelli di intelligenza artificiale: nnU-Net e A2V. Mentre il primo è uno standard ampiamente utilizzato basato sull'architettura U-Net, il secondo mira a segmentare le immagini mediche senza la necessità di progettare modelli specifici per i domini di origine (source) e di destinazione (target). Per entrambi i modelli, è stato eseguito un processo di addestramento specifico utilizzando immagini segmentate manualmente provenienti da un dataset pediatrico. Il modello nnU-Net ha dimostrato prestazioni eccellenti, ottenendo un Coefficiente di Dice di 0,98. Al contrario, il modello A2V ha mostrato alcuni limiti, raggiungendo un Coefficiente di Dice di 0,74. Sulla base di questi risultati, il resto dello studio ha escluso il modello A2V per concentrarsi sul confronto tra il modello nnU-Net di base e la versione specificamente addestrata. Utilizzando il framework CaravelMetrics, integrato con un atlante cerebrale, abbiamo estratto specifiche caratteristiche per condurre un'analisi basata su età, sesso e regione anatomica. I risultati ottenuti ci permettono di concludere che l'addestramento mirato migliora le prestazioni del modello nnU-Net.

Medical image segmentation is a crucial process in clinical practice. However, manual segmentation is time-consuming, requires significant effort from clinicians, and is prone to human error. Over the years, numerous artificial intelligence-based algorithms have been implemented to automate medical image segmentation. In this thesis project, we focused on the segmentation of pediatric brain images, specifically TOF-MRA. Central nervous system tumors represent the leading cause of cancer-related mortality in pediatric patients. Accurate segmentation enables the planning of surgical interventions with maximum safety for this demographic.

Therefore, we evaluated the performance of two artificial intelligence models: nnU-Net and A2V. While the former is a widely used standard based on the U-Net architecture, the latter aims to segment medical images without the need to design specific models for the source and target domains. For both models, a specific training process was performed using manually segmented images from a pediatric dataset.

The nnU-Net model demonstrated excellent performance, achieving a Dice Coefficient of 0.98. In contrast, the A2V model showed some limitations, reaching a Dice Coefficient of 0.74. Based on these results, the remainder of the study excluded the A2V model to focus on the comparison between the baseline nnU-Net model and the specifically trained version.

Using the CaravelMetrics framework, integrated with a brain atlas, we extracted specific features to conduct an analysis based on age, sex, and anatomical region. The results obtained allow us to conclude that targeted training improves the performance of the nnU-Net model.