Simulazione di immagini ad ultrasuoni multi-tessuto: confronto tra immagini cliniche e simulate a diversi stadi patologici = Simulation of multi-tissue ultrasound images: comparison between clinical and simulated images at different pathological stages

Simulazione di immagini ad ultrasuoni multi-tessuto: confronto tra immagini cliniche e simulate a diversi stadi patologici Le simulazioni di immagini ecografiche assumono un ruolo importante in quanto possono essere utili nella convalida di nuove tecniche di acquisizione ed elaborazione di ultrasuoni e nella formazione di medici, clinici e tecnologi. I vantaggi più significativi derivanti dall’utilizzo di simulatori includono costi di formazione molto ridotti e la possibilità di presentare un ampio assortimento di condizioni cliniche, incluse quelle raramente osservabili nella pratica clinica; pertanto uno degli attributi più importanti di un sistema di simulazione riguarda la capacità di rappresentare la realtà fisica in modo più realistico possibile. Al fine di verificare la qualità delle immagini ottenute mediante il simulatore di immagini FAMUS II (Fast and Mechanistic Ultrasound Simulator), in termini di somiglianza alla realtà fisica, cioè alle immagini cliniche, nel presente lavoro di tesi si è proceduto alla realizzazione di immagini ecografiche simulate le quali sono poi state confrontate con le immagini cliniche dalle quali sono state ottenute. Il primo passo per la realizzazione delle immagini simulate è stato quello di realizzare, mediante software Matlab R2018a, dei fantocci, ovvero una ricostruzione 3D delle varie tipologie di tessuti presenti all’interno delle immagini ecografiche a disposizione nel database, il quale contiene immagini ecografiche normali e patologiche relative ad esami di tiroide e fegato. Una volta ottenuti i fantocci si è proceduto con la simulazione vera e propria delle immagini tramite l’utilizzo del software FAMUS II. Dalla totalità di immagini simulate e cliniche sono poi stati estratti diversi parametri di tessitura utilizzando i metodi ella Grey-Level Co-Occurrence Matrix (GLCM) e della Gray-Level Run-Length Matrix (GLRLM) per un totale di 45 features per ogni immagine. Infine, sono state realizzate delle reti neurali artificiali (ANN) con le quali sono state classificate le immagini; si è poi valutata la classificazione risultante allo scopo di verificare se l’informazione contenuta all’interno delle immagini simulate fosse coerente con quella contenuta all’interno delle immagini cliniche.