Ottimizzazione di un algoritmo per il tracking 3D di organoidi tumorali = Optimization of a 3D Cancer Organoid Tracking Algorithm

Il principale obiettivo di questa tesi è sviluppare un sistema efficace e robusto per tracciare organoidi tridimensionali nel tempo, estrapolando pattern biologici significativi in modo affidabile. Monitorare la crescita e l'evoluzione morfologica degli organoidi è cruciale per comprendere i meccanismi biologici sottostanti, ma la qualità delle immagini OCT utilizzate a questo scopo pone sfide tecniche considerevoli. Le immagini di tomografia a coerenza ottica (OCT), infatti, risultano rumorose, con livelli di disturbo che rendono difficile isolare i dettagli utili dagli artefatti di segmentazione. Inoltre, queste immagini risultano non registrate, causando discrepanze di orientamento o scala tra i vari volumi e complicando l’identificazione di pattern e cambiamenti degli organoidi. Per rispondere a queste problematiche, la tesi presenta un’ottimizzazione avanzata di un algoritmo di tracking per monitorare la crescita degli organoidi utilizzando una pipeline che integra immagini OCT elaborate tramite segmentazione basata su deep learning. A partire dall'algoritmo iniziale, sono state introdotte tecniche di preprocessing mirate a migliorare la qualità delle immagini e a gestire i problemi di variazione dimensionale e disturbo. Tra queste, lo zero padding, che regolarizza le dimensioni delle immagini, e la trasformata Watershed, utilizzata per separare efficacemente gli organoidi vicini. Queste tecniche hanno migliorato la separazione spaziale delle singole strutture, riducendo fenomeni di sovrapposizione e aggregazione degli organoidi e facilitando il tracking di ogni singolo elemento. Inoltre, per aumentare il numero di organoidi tracciati correttamente in ogni giorno di acquisizione (timepoint), sono state implementate strategie di ottimizzazione come il merging dei risultati ottenuti da esecuzioni con diversi set di iperparametri e la rilevazione automatica delle fusioni tra organoidi. Questi interventi non solo massimizzano l’affidabilità dell’algoritmo, ma migliorano anche la capacità del sistema di gestire le variazioni nella morfologia degli organoidi, aumentando la robustezza dell’algoritmo nel tempo. Infine, è stata sviluppata una versione più leggera dell’algoritmo, caratterizzata dall’uso di volumi ridotti che permettono un significativo risparmio di memoria e tempi di elaborazione, pur mantenendo elevati standard di accuratezza. Questa versione, meno dispendiosa in termini computazionali, consente di eseguire l’analisi anche su sistemi con risorse limitate, aprendo nuove opportunità per applicazioni su larga scala e per studi condotti su piattaforme di calcolo meno potenti. In conclusione, il lavoro svolto ha prodotto un algoritmo di tracking notevolmente potenziato, che rappresenta un valido strumento per il monitoraggio preciso e scalabile degli organoidi, gettando solide basi per studi futuri che necessitano di un'analisi quantitativa e qualitativa dei pattern biologici con un’elevata efficienza computazionale.