Simulazione di immagini ecografiche transorbitali come Data Augmentation per la segmentazione delle strutture del nervo ottico = Simulation of transorbital ultrasound images as Data Augmentation for segmentation of optic nerve structures

Negli ultimi anni l’utilizzo dell’ultrasonografia per lo studio delle strutture del nervo ottico (ON) è stato al centro di diversi studi volti ad indagare un possibile legame tra variazioni delle strutture del nervo ottico e patologie legate al Sistema Nervoso Centrale. È stato dimostrato che per diametri della guaina del nervo ottico (ONSD) > 5 mm si ha un aumento della pressione intracranica (ICP) al di sopra dei 20 mmHg con specificità maggiore del 93% e sensitività maggiore dell’81%. Gli stessi studi hanno dimostrato anche una correlazione tra il diametro del nervo ottico (OND) e l’atrofizzazione del nervo stesso in soggetti affetti da malattie demielinizzanti come la Sclerosi Multipla. La misura di ONSD e OND su immagini ultrasonografiche è una tecnica facilmente apprendibile e riproducibile con una bassa variabilità intra-operatore e inter-operatore. La misura di tali strutture potrebbe quindi essere utilizzata per rilevare alterazioni dell’ICP senza la necessità di dover utilizzare dispositivi invasivi. L’obiettivo di questo lavoro di tesi è quello di migliorare i dati da fornire in ingresso ad una rete per la segmentazione di OND e ONSD attraverso l’utilizzo delle GAN (Generative Adversarial Network) come Data Augmentation. Il dataset di partenza è formato da 464 immagini ultrasonografiche acquisite su 110 soggetti utilizzando 4 macchinari differenti. L’eterogeneità del dataset risulta un problema in quanto avendo una variabilità dei dati in ingresso troppo ampia l’algoritmo di deep learning non riesce a segmentare in maniera corretta. Per effettuare Data Augmentation è stato utilizzato SPADE (Spatially Adaptative Normalization), una GAN che genera nuovi dati aventi la stessa distribuzione statistica dei dati reali a partire da una mappa semantica. Sono state calcolate le metriche per la valutazione della qualità dell’immagine sia sul TrainSet, composto dall’80% delle immagini, che sul TestSet composto dal restante 20% delle immagini. È stato ottenuto un valore di PSNR di 21,4 dB ± 3,03 dB e 19,5 dB ± 2,52 dB rispettivamente per TrainSet e TestSet e un indice di somiglianza strutturale (SSIM) di 0,713 ± 0,096 per il TrainSet e 0,67 ± 0,092 per il TestSet. Per costruire il dataset di training della rete di segmentazione, sono state selezionate 518 immagini che presentavano valori delle features di tessitura, calcolate nelle label di ON, ONS e bulbo oculare, compresi nella distribuzione delle immagini reali da aggiungere al dataset iniziale. La rete di segmentazione allenata con le immagini simulate è stata testata sul dataset originale di 464 immagini ottenendo una Dice di 0,633 ± 0,161. Possiamo quindi affermare che il dataset simulato è utile per allenare una rete di segmentazione e che quindi SPADE è in grado di produrre immagini utili per il Data Augmentation.