Studio di algoritmi e metriche per la selezione automatica di immagini finalizzata all’addestramento di modelli di AI = Study of algorithms and metrics for automatic selection of images aimed at training AI models.

La Cone Beam Computed Tomography (CBCT) è un metodo di imaging medico che utilizza un fascio conico di raggi X. Questa tecnica trova la sua principale applicazione in ambito odontoiatrico e maxillo-facciale per via delle dimensioni compatte dei sistemi di acquisizione e per la ridotta dose di radiazioni fornita al paziente rispetto all’imaging tramite Computed Tomography (CT) tradizionale. Un’altra importante applicazione della CBCT riguarda l’ambito della Image-Guided Radiation Therapy nei pazienti oncologici, dove le scansioni CBCT consentono di verificare il posizionamento e le variazioni anatomiche del paziente in fase di trattamento.?? Tuttavia, rispetto alla CT tradizionale, la CBCT produce immagini con una risoluzione spaziale ridotta ed è maggiormente soggetta ad artefatti. Per queste ragioni, un ambito emergente nella ricerca dell’imaging medico riguarda l’uso di reti neurali generative (Generative Adversarial Network, GAN) per la realizzazione di CT sintetiche (sCT) a partire da immagini CBCT.?? Nell’ottica di questi sviluppi, il presente lavoro di tesi si pone come obiettivo l’identificazione di metodi e indicatori in grado di valutare automaticamente le immagini di dataset indirizzati all’allenamento di una GAN per la generazione di sCT a partire da scansioni CBCT.?? Distinguendo in base alla casa produttrice dei sistemi con cui è stata acquisita la scansione CBCT (Varian Medical Systems, Elekta), sono state calcolate 20 metriche in 3 regioni di interesse (ROI) circolari concentriche – per un totale di 60 features – per valutare qualità, similarità e correlazione tra scansioni di CBCT deformate e le corrispettive CT ottenute da un dataset di 124 pazienti provenienti da differenti centri ospedalieri.?? I valori ricavati sono stati utilizzati come input per addestrare tre diversi metodi di Machine Learning (ML) – Random Forest (RF), k-Nearest Neighbor (kNN) e Support Vector Machine (SVM) – per effettuare un task di classificazione delle immagini.?? Per ogni metodo ML, sono stati valutati tre modelli a dimensionalità progressivamente ridotta: un modello allenato sulla totalità delle 60 features ottenute, un modello allenato considerando la ROI di dimensioni maggiori (110 px di raggio), un modello allenato con le features della ROI con raggio 110 px estratte a seguito di un’analisi di feature importance con RF. Le performance nel task di classificazione dei modelli a 60 features e dei modelli che valutano la ROI di raggio 110 px si attestano al di sopra del 98%, sia su Training Set (TRS) che sul Test Set (TSS), con tutti i metodi ML considerati; nei modelli allenati sulle features selezionate con RF e kNN si ottengono performance analoghe ai modelli di dimensionalità maggiore, mentre il metodo SVM ha riportato performance tra l’83% e il 91% sia per il TRS che per il TSS. I risultati ottenuti dimostrano l’efficacia delle features valutate per l’allenamento dei metodi RF e kNN. In particolare si è osservata consistenza nelle performance ottenute nei tre modelli valutati, nonostante la riduzione di dimensionalità effettuata per diminuire la complessità e abbassare il rischio di overfitting. Tra le tecniche di ML testate, il metodo SVM risulta essere il più sensibile alla scelta delle features di allenamento.