Sviluppo di metodi basati sul Machine Learning per la caratterizzazione di lesioni in immagini di Tomosintesi e Mammografia Sintetica = Developement of Machine Learning based methodologies for lesion characterization in Digital Breast Tomosynthesis and Synthetic Mammography images

Il carcinoma mammario è la neoplasia con maggiore tasso di incidenza nella donna, nonché la più diagnosticata nei soggetti prevalenti. L'introduzione della tomosintesi come tecnica di imaging ha permesso di migliorare la capacità di diagnosticare il tumore in fase iniziale, ma non di diminuire il numero di casi per cui si richiede la biopsia come ulteriore accertamento: sul totale delle biopsie eseguite, la percentuale di diagnosi di carcinoma è pari al 30%. In quest'ottica è chiara l'importanza di fornire un valido strumento di supporto per la caratterizzazione automatica di masse e opacità in immagini di tomosintesi. Questo lavoro di tesi nasce da un progetto in collaborazione con Tecnologie Avanzate Srl e mira allo sviluppo di un sistema ad alta sensibilità col fine di negativizzare i falsi sospetti e, di conseguenza, il numero di biopsie effettuate su pazienti sane. In seguito ad una ricerca retrospettiva, sono state raccolte le immagini di tomosintesi e mammografia 2D sintetica di 82 esami acquisite con il Selenia Dimensions Mammography System (Hologic Inc.), per un totale di 87 lesioni che sono state segmentate manualmente da senologhe esperte del reparto di Senologia delle Molinette di Torino. Sono stati sviluppati in ambiente MATLAB diversi algoritmi basati sul Machine Learning in grado di discriminare le lesioni benigne dalle maligne, che comprendono Linear Discriminant Analysis (LDA), Support Vector Machine (SVM), K-Nearest Neighbours (KNN), Artificial Neural Network (ANN) e Convolutional Neural Network (CNN). Sono state elaborate entrambe le tipologie di immagini e le singole proiezioni separatamente oppure combinandole in uno studio multimodale. Dai risultati è emerso come la configurazione con performance migliori veda l'utilizzo delle mammografie 2D sintetiche e le proiezioni considerate separatamente, con la quale l'SVM restituisce il più alto valore di AUC pari al 93,5% sul training set e un valore medio sul validation set pari all'87%. Con la stessa configurazione è stato raggiunto un livello di sensibilità medio pari all'89% sul training set e all'82% sul validation set. Risultati promettenti sono stati ottenuti anche unendo l'informazione di entrambe le proiezioni. Infine, l'analisi approfondita delle ROI estratte dalle due tipologie di immagini fornisce un quadro delle potenzialità del loro utilizzo in uno strumento di supporto alla decisione.