Sviluppo di un algoritmo automatico per l’individuazione e la quantificazione di strutture patologiche in immagini istologiche di rene. = Development of an automatic algorithm for identification and quantification of pathological structures in histological kidney images .

La diagnosi delle malattie del tessuto renale spesso dipende dall'individuazione e dalla quantificazione di determinate strutture del tessuto. Prima di un innesto di rene "marginale" (organo proveniente da un donatore non ideale), nei casi previsti dalle linee guida, vengono effettuate delle biopsie chirurgiche del tessuto renale. La diagnosi della biopsia è affidata ad un esperto anatomoistopatologo che ispeziona al microscopio i preparati istologici spesso colorati con la reazione PAS (acido periodico-reattivo di Schiff) e definisce uno score morfometrico di "Karpinski" per la valutazione dalla trapiantabilità del rene e delle modalità di trapianto (singolo oppure doppio). Tali ispezioni risultano essere molto onerose nei tempi e affette da una valutazione soggettiva del patologo che è chiamato a fornire una risposta nel più breve tempo possibile. Le quattro strutture del tessuto renale che devono essere analizzate sono le seguenti: glomeruli , tubuli, tessuto fibrotico e vasi. Nel caso dei glomeruli si tratta di stabilire il numero dei glomeruli sclerotici sul totale dei glomeruli presenti nel campione ispezionato; nel caso dei tubuli si devono quantificare i tubuli atrofici sul totale dei tubuli; per la fibrosi si deve individuare la percentuale di tessuto fibrotico sull’area totale del tessuto ;per i vasi l’analisi è più qualitativa e si concentra sugli spessori del lume e della parete. Questo lavoro di tesi si occupa delle prime due strutture sopraelencate, glomeruli e tubuli. Viene presentato un sistema automatico per l'individuazione e la segmentazione di glomeruli sani e sclerotici e tubuli sani e atrofici in immagini istologiche di rene colorate con reazione PAS, col fine di poter quantificare queste strutture per un calcolo più rapido degli scores glomerulare e tubulare che fanno parte dello score di Karpinski. L'algoritmo si sviluppa nei seguenti passi: 1)normalizzazione della colorazione dell'immagine 2)segmentazione e classificazione dei glomeruli 3)segmentazione e classificazione dei tubuli. Sia per l’individuazione dei glomeruli che per quella dei tubuli è previsto l’utlizzo di una rete neurale convoluzionale(CNN) per segmentazione allenata in modo supervisionato su dataset di numerosità diversa per le due strutture: 1)500 immagini per il training set e 120 per il test nel caso dei glomeruli 2)200 immagini per il training set e 9 per il test nel caso dei tubuli. Le prestazioni dell’algoritmo nel test e nel training dei rispettivi dataset risultano avere risultati comparabili. Nell’individuazione dei glomeruli sani si ottiene un F1-score pari al 97,7% nel training set e del 96,3% nel test set. Per i glomeruli sclerotici si raggiunge un F1-score del 93,1% nel training set e 95,2% nel test set. La quantificazione dei tubuli atrofici si ottiene invece come rapporto di aree tra i tubuli atrofici e tutti i tubuli individuati, arrivando ad un errore assoluto medio tra le annotazioni manuali e i risultati dell’algoritmo di 1.36%+-1.95% per il training e 1.31%+-1.68% per il test. Il tempo medio di processing di un’immagine per segmentare e classificare le strutture è di 14,4s. La possibilità di disporre di un sistema automatizzato con prestazioni comparabili ad una valutazione manuale per l’individuazione di strutture renali in immagini istopatologiche, potrebbe essere utile al fine di ottimizzare il flusso di lavoro del patologo nella valutazione d’urgenza della trapiantabilità di un rene marginale.