Segmentazione delle malformazioni arterovenose cerebrali basata su intelligenza artificiale = Artificial intelligence-based segmentation of brain arteriovenous malformations

Le malformazioni arterovenose cerebrali (bAVM) sono delle anomalie vascolari caratterizzate da un groviglio di vasi displastici (nidus), alimentati dalle arterie e drenati dalle vene senza capillari intermedi. Il derivante shunt ad alto flusso e a bassa resistenza tra il sistema arterioso e quello venoso pu¿ portare alla deformazione e allo sfiancamento dei vasi, sottoposti a stress ed esposti a rottura, rendendo l¿emorragia intracranica la complicanza pi¿ grave di una bAVM, con un tasso di mortalit¿ che varia dal 12% al 66,7% e un trauma neurologico rilevante nel 23-40% dei casi sopravvissuti. Considerata la rarit¿ di queste patologie, che colpiscono meno dell'1% della popolazione ogni anno, la scarsit¿ di dati disponibili per la conduzione degli studi rende difficile l'avanzamento della ricerca clinica nel loro trattamento. Risulta, quindi, necessario individuare una linea di lavoro in grado di ottenere una valutazione quantitativa paziente specifica, garantendo una migliore delineazione del drenaggio del nidus e una maggiore efficienza nel trattamento terapeutico, rispetto alle metodologie esistenti finora. A tal fine, la segmentazione automatica dei vasi cerebrali nell¿ambito delle bAVM emerge come una strategia efficace che consente di ridurre i tempi, l¿oneroso lavoro manuale e gli errori dovuti alla variabilit¿ inter e intra operatore nella delineazione di tali strutture, offrendo un significativo contributo per l'analisi morfologica e topologica delle stesse. Il progetto di tesi, in particolare, svolto in collaborazione con l¿ASST Grande Ospedale Metropolitano Niguarda e con il gruppo di ricerca Yatiris del Pladema Institute (UNICEN), mira a estendere le tecniche di segmentazione esistenti per lavorare con altre modalit¿ diagnostiche come l¿XperCT. Quest'ultima, sebbene non sia considerata il Gold Standard per l¿imaging cerebrale a causa di una minore risoluzione di contrasto, presenta una risoluzione spaziale superiore alla TC e consente una differenziazione migliore tra materia grigia e bianca. Inoltre, in ambito clinico, rappresenta una promettente soluzione nelle procedure interventistiche in cui ¿ richiesta un'azione tempestiva. Dopo un¿attenta panoramica delle procedure diagnostiche e terapeutiche, il lavoro comprende una prima fase di segmentazione semi-automatica, utilizzando metodi standard per l¿estrazione delle strutture vascolari, quali Thresholding, Region growing e filtri di Vessel Enhancement, su un dataset di 20 volumi in formato DICOM, opportunamente co-registrati e uniti in 7 volumi totali, appartenenti a 6 pazienti distinti. Tali binarizzazioni sono state utilizzate come ¿Ground truth¿ per l¿allenamento di una 3D Full Resolution U-Net. Dopo l'applicazione di diversi step di pre-elaborazione sui volumi, l'allenamento della rete neurale ¿ stato condotto su tre dataset distinti. Sono state esplorate diverse combinazioni dei parametri della rete che hanno permesso di ottenere, sul miglior modello, un Dice score di 0.89 sul validation set, mostrando, anche, un buon risultato sul test set, soprattutto dal punto di vista qualitativo. In un contesto medico che si orienta sempre pi¿ verso la medicina personalizzata, questi esiti lasciano sperare in una migliore identificazione pre- e intra-operatoria di entit¿ anatomiche complesse come le bAVM e aprono nuove prospettive per l¿analisi del flusso nella segmentazione 3D, estremamente importante nella valutazione del rischio di rottura e di emorragia intracranica da bAVM.