Sviluppo di un workflow di livello clinico per la produzione di modelli epatici 3D paziente-specifici = Development of a clinical-grade workflow for the production of 3D patient-specific liver models

La struttura dei vasi epatici e la loro relazione con i tumori sono di grande interesse per la pianificazione chirurgica del fegato ma a causa della loro complessa anatomia, la chirurgia del fegato è ancora oggi impegnativa. Risulta perciò necessario un supporto negli interventi chirurgici convenzionali che li renda più semplici per gli esperti e sicuri per i pazienti. Il lavoro di tesi si colloca in una realtà aziendale che si occupa di produrre, a partire da scansioni di tomografia computerizzata con mezzo di contrasto (TC), ricostruzioni 3D ad altissima fedeltà e precisione dell'anatomia del singolo paziente che consentono di pianificare l'intervento chirurgico nel modo più accurato, sicuro e conservativo possibile. Attualmente il workflow aziendale richiede elevata interazione dell'operatore; ciò garantisce maggior controllo sul processo produttivo ma richiede una mole di lavoro e delle tempistiche non sempre compatibili con le crescenti richieste del mercato. Il progetto ha lo scopo di integrare e automatizzare alcune fasi della produzione in un unico software medicale attraverso quattro fasi fondamentali: 1) gestione e anonimizzazione dei file Dicom in modo automatico; 2) segmentazione del fegato mediante un algoritmo 2D basato su una versione localizzata del level-set di Chan-Vese in GPU; 3) adattamento del processo di segmentazione dei vasi epatici per renderlo fruibile sullo stesso software medicale; 4) sviluppo di un algoritmo di post-processing delle strutture vascolari che preservi la reale morfologia dei vasi. La fase di validazione è stata organizzata con l’obiettivo di sottostare allo standard del sistema di qualità aziendale secondo la norma ISO 13485:2016. La validazione della segmentazione del fegato è stata effettuata su due volumi provenienti da diversi casi clinici, testando l’algoritmo su tre viste (assiale, sagittale e coronale); i risultati sono stati confrontati con la segmentazione manuale in termini di Dice Coefficient tra le maschere delle varie slice ottenendo una mediana superiore a 0.96 in tutte le viste in entrambi i volumi. Sfruttando la parallelizzazione dei calcoli in GPU con la libreria Numba e il tool CUDA di Nvidia, il level-set richiede circa 3 s per slice, tempi inferiori a quelli necessari per la segmentazione manuale, sebbene si potrebbero ridurre ulteriormente in futuro. L’algoritmo di post-processing è stato validato su trenta modelli provenienti da distretti di chirurgia toracica, urologia e chirurgia dell’addome, confrontando i modelli ottenuti con quelli prodotti dall’attuale algoritmo aziendale in termini di: distanza euclidea della superficie finale rispetto a quella grezza e distanza assoluta normalizzata rispetto al raggio delle centerline. I test statistici sulle mediane delle distanze tra le superfici non evidenziano una differenza statisticamente significativa tra il campione dell’algoritmo proposto e quello di controllo; per quanto riguarda le centerline c’è una differenza statisticamente significativa, tuttavia, il risultato è ritenuto positivo dal momento che la media del campione dell’algoritmo automatico (0.05) è inferiore a quella del Gold Standard (0.10). Perciò l’algoritmo automatico produce delle superfici con differenze trascurabili rispetto a quelle generate dall’algoritmo semiautomatico e va ad alterare meno il percorso dei vasi. I tempi d’esecuzione dell’algoritmo automatico sono in media di 2 minuti rispetto ad una media di 30 minuti con il metodo semiautomatico.