Metodi di Deep Learning per la segmentazione automatica di fegato e metastasi su immagini TC = Deep Learning methods for automatic liver and metastasis segmentation on CT images

Negli ultimi anni è diventata lampante la necessità di fornire segmentazioni automatiche il più precise possibili ai numerosi metodi di Machine Learning per la predizione della terapia. Questi algoritmi effettuano un’analisi della zona di interesse: esaminano le caratteristiche dei pixel dell’immagine corrispondenti a dove si trova la zona tumorale. In questo studio si è andato a ricercare un algoritmo basato su metodi di Deep Learning per segmentare metastasi epatiche derivate da tumore del colon-retto. Il tumore del colon-retto è un tumore maligno che ha origine nelle zone del colon e del retto nell’intestino e, data la presenza della vena porta che drena il sangue dell’apparato digerente verso il fegato, prevalentemente metastatizza a livello epatico. L’obiettivo dello studio è individuare le metastasi epatiche con la maggiore accuratezza possibile, così da far risparmiare tempo a medici e radiologi nella lettura delle immagini mediche e nella segmentazione manuale delle metastasi. Altro vantaggio è il presentare in input agli algoritmi di predizione della terapia risultati ripetibili, a differenza delle segmentazioni e delle interpretazioni manuali messe in atto dagli specialisti. Per far questo, nel presente studio, si sono utilizzate le Convolutional Neural Networks (CNN) o Reti Neurali Convoluzionali. È stata creato, dopo aver segmentato manualmente un certo numero di fegati in TC del torace fornite dall’IRCC di Candiolo e dall’ospedale Niguarda di Milano, un Construction Set per una prima CNN che andrà ad effettuare la segmentazione automatica del fegato. Dopo vari tentativi è stata individuata la rete che restituisce le migliori prestazioni di segmentazione e le segmentazioni automatiche così ottenute sono state utilizzate come input per la seconda CNN, che ha come obiettivo la segmentazione delle metastasi. Tra tutte le combinazioni di CNN provate, quella che ha restituito le prestazioni migliori è stata una rete che va ad effettuare un ritaglio dell’immagine di dimensione fissa nella zona del fegato sfruttando il suo bounding box e basata sul Transfer Learning. Da questa rete si è infatti ottenuto un Detection Rate di metastasi del 90% sul Validation Set delle immagini di Baseline (Baseline su cui è stata allenata la rete neurale) e un Detection Rate di metastasi del 82% su immagini appartenenti al TimePoint1 della terapia (TC mai viste dall’algoritmo in fase di allenamento). È stato inoltre presentato un approccio di segmentazione delle metastasi non basato sul Deep Learning, ma basato sull’analisi dell’istogramma delle luminosità dei pixel del fegato e sulla differenza di intensità tra i pixel dell’organo sano e i pixel delle metastasi. Per andare a costruire un istogramma sui pixel appartenenti al fegato sono state utilizzate le segmentazioni automatiche ottenute dalla prima CNN nell’approccio precedente. Da questo approccio si è ottenuto un Detection Rate di metastasi del 86% sulle immagini di Baseline e un Detection Rate di metastasi del 82% sulle TC del TimePoint1 della terapia. In conclusione sono stati confrontati i due metodi: è stato preferito il metodo con le due CNN in cascata per le migliori prestazioni migliori, la maggiore precisione ai contorni delle metastasi e la sua minore dipendenza da una buona segmentazione automatica del fegato.