Sviluppo di una pipeline di registrazione automatica per angio-TC addominali acquisite in condizioni multifasiche = Development of an automated registration pipeline for abdominal angio-CTs acquired under multiphasic conditions

La registrazione di immagini mediche è una tecnica di pre-processing utile per combinare, allineare e confrontare immagini mediche acquisite con metodologie differenti o in tempi diversi della vita clinica del paziente, tale processo trova applicabilità in differenti campi della sfera clinico-diagnostica. In particolare, questo elaborato propone una pipeline automatica di registrazione integrabile nel workflow di Medics, azienda leader nella produzione di modelli anatomici 3D patient-specific per la pianificazione, il supporto e la simulazione chirurgica. Il focus anatomico prescelto è il distretto addominale, ed in particolare le sedi di fegato e rene, organi naturalmente caratterizzati da una elevata deformabilità tissutale. La produzione di modelli anatomici 3D prevede la segmentazione dell'organo e della relativa vascolarizzazione a partire da angio-TC addominale con contrasto. A seconda dell'organo da ricostruire, l'informazione morfologica richiesta risulta maggiormente discriminabile in due delle quattro fasi di acquisizione caratterizzanti l’angio-TC, fasi che, per loro natura, presentano un mismatch. La registrazione, come valido supporto, riduce il disallineamento presente e migliora il risultato di ricostruzione del modello 3D. La pipeline è stata sviluppata in Python, linguaggio adoperato per richiamare ed avviare moduli e metodi di 3D Slicer, software per l’elaborazione di immagini mediche. Il Dataset utilizzato è costituito da 27 casi paziente, di cui 9 utilizzati per lo sviluppo e 18 per la validazione. Inizialmente, l’algoritmo proposto prevede l'utilizzo del modulo TotalSegmentator di 3D Slicer che, mediante un modello addestrato per la segmentazione automatica, ricostruisce le maschere di Ground Truth relative agli organi in analisi. Si procede con il posizionamento automatico di fiduciali per un primo processo di allineamento rigido, seguito da una fase di pre-processing, utile per ottenere in output volumi croppati attorno all’organo di interesse e ricampionati con le medesime dimensioni. Al termine del trattamento rigido del dato, si procede con una registrazione deformabile, basata su B-spline e di natura parametrica. Quest’ultima ha richiesto successivi step di tuning per la definizione del registration parameter set ottimale, tale da massimizzare l’allineamento tra i volumi. Dall’analisi dei risultati ottenuti si evince che, per i casi epatici, è possibile definire un unico parameter set ottimale; per i renali, non vi è la prevalenza di una combinazione, infatti, tutte mostrano miglioramenti in termini di allineamento. Le performance di registrazione sono state valutate mediante le metriche Precision e Dice, le quali quantificano l’allineamento tra le maschere di segmentazione registrate. La fase di validazione evidenzia che la pipeline proposta allinea le TC epatiche con un Dice del 97.1% ± 0.4% e una Precision del 96.0% ± 1.0% e le renali con un Dice del 90.0% ± 3.0% e una Precision del 88.0% ± 6.0%. Da una successiva analisi emerge che, un approccio di registrazione ibrido che integra set di fiduciali alla registrazione B-spline migliora le performance di allineamento renale. Infatti, per i casi analizzati, si osservano valori medi di Dice e Precision rispettivamente del 93.7% ± 1.9% e del 93.0% ± 3.0%. I risultati ottenuti evidenziano che, la pipeline automatica proposta performa particolarmente nei casi di registrazione epatica, per la renale, un approccio semi-automatico, basato su fiduciali, consente di incrementare le performance di registrazione.