Segmentazione automatica delle ghiandole parotidi in immagini TC con tecniche di spectral clustering e reti neurali = Automatic segmentation of parotid glands in CT images with spectral clustering and neural networks techniques

Nella seguente trattazione si presenta un algoritmo in grado di segmentare automaticamente le ghiandole parotidi da immagini di tomografia computerizzata (TC). La segmentazione di questi organi è fondamentale nel caso in cui sia necessaria la radioterapia nel distretto testa-collo, in particolar modo quando si fa uso di tecniche quali l’IMRT (radioterapia ad intensità modulata), che, prima di irradiare il tumore, presenta una fase di pianificazione, durante la quale si individuano e segmentano gli organi da irradiare e i tessuti circostanti in cui si vuole ridurre al minimo la dose. Per quanto riguarda le ghiandole parotidi, è essenziale che vengano riconosciute e risparmiate dalle radiazioni, che potrebbero determinare effetti collaterali, infatti si è dimostrato che un’alta dose in corrispondenza di esse determini una ridotta secrezione di saliva (xerostomia) e quindi una diminuzione della qualità della vita dei pazienti. Inoltre, la segmentazione automatica delle parotidi potrebbe essere utile anche quando i tumori sono localizzati in corrispondenza di queste ghiandole: mediante essa è possibile individuarli con precisione e irradiarli senza danneggiare i tessuti circostanti. Nella pratica clinica, il riconoscimento delle parotidi avviene manualmente da parte di personale qualificato, questo metodo però è soggetto a quattro svantaggi principali: (i) è necessario che l’operatore sia abbastanza esperto, (ii) l’operatore stesso potrebbe sbagliare, (iii) tra un operatore e l’altro è presente una certa variabilità e infine (iv) il processo richiede molto tempo. Con un algoritmo dedicato a questo scopo, si risolverebbero questi problemi, poiché esso segmenterebbe sempre nel medesimo modo, non commettendo errori tipici umani (per esempio quelli dovuti all’affaticamento), restituendo risultati ripetibili e risparmiando tempo.?? L’algoritmo presentato si basa sia su tecniche di elaborazione delle immagini, sia su tecniche di classificazione, poiché le parotidi presentano poco contrasto rispetto allo sfondo e quindi risulta difficoltoso segmentarle senza sfruttare altre caratteristiche dell’immagine che siano solamente l’intensità dei pixel. Infatti, la TC ha il vantaggio di avere un’alta risoluzione, ma è poco indicata per distinguere i tessuti molli. I dati su cui è stato validato l’algoritmo sono volumi TC con le relative maschere di parotide manuali segmentate da esperti. Inizialmente, si selezionano due ROI, una per ciascuna parotide: per individuarle ci si basa sull’anatomia del distretto testa-collo (es. posizione della mandibola, del canale respiratorio, etc …). Una volta ottenuta l’area attorno alle parotidi, si riducono ulteriormente queste ROI sfruttando la tecnica dello spectral clustering. Per ogni pixel delle ROI ricavate, si calcola un certo numero di parametri quantitativi (features), si esegue su di esse una feature selection e infine si allenano delle reti neurali artificiali (ANNs) in grado di classificare i singoli pixel come appartenenti allo sfondo o alle parotidi. Una volta selezionata la rete con prestazioni migliori, le maschere ottenute dal classificatore vengono processate eseguendo varie operazioni morfologiche accoppiate ad un algoritmo di region growing. ?? I risultati finali vengono valutati con il calcolo di metriche di performance che quantificano l’accuratezza fra la maschera ricavata manualmente e la maschera calcolata con l’algoritmo.