 
 
 
 Daniele Scaffidi Gennarino
Identificazione di midollo osseo attivo da immagini TC: machine learning e analisi wavelet = Identification of active bone marrow from CT images: machine learning and wavelet analysis.
Rel. Gabriella Balestra, Samanta Rosati. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Biomedica, 2021
| 
 | PDF (Tesi_di_laurea)
 - Tesi Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (13MB) | Preview | 
| Abstract: | Il midollo osseo riveste un ruolo centrale nello sviluppo del piano di trattamento radioterapico a cui sono sottoposti i soggetti affetti da tumori della parte bassa dell’addome. Esso si distingue in due parti: midollo attivo o rosso (RM), responsabile del processo di ematopoiesi, e midollo giallo (YM), sede di conservazione dei lipidi da parte degli adipociti. Circa il 50% del midollo attivo è situato tra le pelvi e la spina lombare ed è un tessuto particolarmente radiosensibile il quale, se sottoposto a irradiazione, può portare a fenomeni di emato-tossicità. Ne risulta la necessità di individuarlo e distinguerlo dal midollo giallo per limitare la quantità di dose di radiazioni diretta su di esso. L’identificazione del midollo attivo viene ad oggi svolta principalmente mediante risonanza magnetica e/o tomografia ad emissione di positroni, tuttavia queste metodiche presentano costi piuttosto elevati e sono di difficile accesso sul territorio. In questo studio sono state impiegate immagini di tomografia computerizzata (TC) per l’individuazione del midollo attivo. Così facendo viene risolto il problema del costo e della difficoltà di accesso, senza la somministrazione di alcuna ulteriore dose di radiazione al paziente, dal momento che la TC è già un esame standard nello sviluppo del piano di trattamento radioterapico. Per quanto riguarda l’approccio adottato, si è scelto di seguire la strada della radiomica andando a ricavare informazioni dai pixel delle immagini e implementando tecniche di machine learning. In una prima fase sono state impiegate feature statistiche del 1° e del 2° ordine, successivamente si è esplorato il campo delle feature di ordine superiore, prendendo in considerazione, in particolare, quelle derivanti dalla decomposizione wavelet. Tutti i risultati ottenuti sono stati confrontati con un riferimento ottenuto mediante tomografia ad emissione di positroni. | 
|---|---|
| Relatori: | Gabriella Balestra, Samanta Rosati | 
| Anno accademico: | 2021/22 | 
| Tipo di pubblicazione: | Elettronica | 
| Numero di pagine: | 93 | 
| Soggetti: | |
| Corso di laurea: | Corso di laurea magistrale in Ingegneria Biomedica | 
| Classe di laurea: | Nuovo ordinamento > Laurea magistrale > LM-21 - INGEGNERIA BIOMEDICA | 
| Aziende collaboratrici: | NON SPECIFICATO | 
| URI: | http://webthesis.biblio.polito.it/id/eprint/20183 | 
|  | Modifica (riservato agli operatori) | 
 
      

 Licenza Creative Commons - Attribuzione 3.0 Italia
Licenza Creative Commons - Attribuzione 3.0 Italia