GPU-accelerated algorithm for real-time needle tracing in tissue-mimicking silicone phantoms using optical coherence tomography (OCT)

L'utilizzo della Optical Coherence Tomography (OCT) è sempre più diffuso anche in ambiti dermatologici, e non solo più oftalmici. Con l'avvento di scanner ottici sempre più veloci e hardware con performance sempre più elevate, è possibile pensare allo sviluppo di applicazioni realtime che permettano di fare diagnosi o siano di ausilio in situazioni di microchirurgia. In questo lavoro, è stato sviluppato un algoritmo che prevede la ricostruzione di tomogrammi (1280x1024x1024 pixel) acquisiti mediante un sistema OCT, la successiva ricerca, all'interno di questi, della presenza di aghi e il tracciamento nello spazio e nel tempo della posizione della loro punta. I volumi sono stati acquisiti su dei fantocci sviluppati ad-hoc per questa applicazione. La pelle umana è stata simulata utilizzando un phantom di silicone con inclusioni al suo interno. Queste inclusioni sono servite per calcolare la distanza tra queste e la punta dell'ago, così da simulare una situazione di prelievo bioptico guidato in tempo reale. L'algoritmo di tracing è basato su una segmentazione semantica automatica. A tale scopo è stata utilizzata una Fully Convolutional Network (FCN) conosciuta come U-net. 2752 immagini (512x896 pixel) sono state raccolte in un database con le rispettive maschere di segmentazione. Le immagini sono state segmentate mediante ImageJ in 5 differenti labels: l'ago, l'inclusione, il tessuto, la needle shadow e il background. Quattro possibili casi reali sono stati individuati: immagini con solo tessuto, immagini con inclusione e tessuto, immagini con tessuto e ago e immagini con tessuto, ago e inclusione. In sede di training il numero delle immagini rappresentante i quattro casi è stato bilanciato. 2000 immagini sono state selezionate per training set (500 immagini per caso reale) e 200 per il test set. Il validation set è stato creato dal training set scegliendone 400 (20% del training set). L’algoritmo utilizza l'accelerazione di una Graphics Processing Unit (GPU) per un'elaborazione quanto più prossima ad un'applicazione con tempistiche real-time. Le performance sono state valutate utilizzando 9 training set e 9 test set differenti per confermarne la robustezza: accuracy media 98.49% ± 0.21%, Intersection over Union (IoU) media 93.34% ± 0.93%. I valori di IoU delle singole labels ottenuti sono stati: 79.96%±1.99% (ago), 96.98%±1.18% (inclusione), 97.10%±0.48% (tessuto), 92.80%±0.57% (needle shadow) e 99.34%±0.05% (background). Le tempistiche medie ottenute relativamente all'algoritmo di ricostruzione del tomogramma e a quello di segmentazione dell’ago sono state rispettivamente di circa 1,481s e di 1,314s. A parità di numero di A-scan del tomogramma (1024x1024 in questa applicazione), si può affermare che l'algoritmo presentato (processing time medio = 2,795s) può essere adatto ad applicazioni in tempo reale per sistemi OCT con un acquisition rate non maggiore di 250kHz, acquisition rate più alti potrebbero non essere supportati. L'effettiva efficacia dell'algoritmo può essere valutata solamente con una sua futura implementazione su un sistema di acquisizione. Gli sviluppi futuri includono: una riduzione dei tempi computazionali, il miglioramento delle performance di segmentazione (aumentando le dimensioni del database) e lo svincolamento delle performance dalla posizione di inserimento dell'ago. Il lavoro è stato svolto mediante la collaborazione tra il Politecnico di Torino e la Medical University di Vienna.