Sviluppo di un Sistema Sperimentale per l’Analisi Automatica dell’HCC in Immagini CEUS: Rilevamento, Classificazione e Valutazione Qualità dell’Esame Diagnostico. = Development of an Experimental System for Automated HCC Analysis in CEUS Images: Detection, Classification and Quality Assessment of Diagnostic Test

Obiettivo: L'epatocarcinoma (HCC) è il tumore primario del fegato più comune e rappresenta una sfida diagnostica per la dipendenza dall'esperienza dell'operatore e le difficoltà nell'identificazione precoce delle lesioni nei controlli ecografici con mezzo di contrasto (CEUS). Lo studio mira a ottimizzare il workflow diagnostico dell'HCC, riducendo tempi di attesa ed effort clinico. Vengono sviluppati sistemi basati su reti neurali convoluzionali (CNN) per il riconoscimento automatico dell'HCC da immagini CEUS, con l’obiettivo di migliorare accuratezza e riproducibilità diagnostica. Si propone inoltre un metodo per valutare la qualità dell'esame CEUS, includendo l'individuazione automatica dei frame caratteristici del pattern di wash-in della lesione. I contributi principali sono: - Detection e Classificazione della lesione epatica sui frame caratteristici del pattern di wash-in - Confronto di architetture CNN per la classificazione delle ROI delle lesioni epatiche - Individuazione automatica sui frame dei video esame delle fasi CEUS caratteristiche e dei frame caratteristici di wash-in Materiali e Metodi: Sono stati utilizzati due database: Database retrospettivo del Policlinico di Bari (251 video) e Database pubblico SUSY-FLL-CEUS (353 video). Per i task di Detection e Classificazione è stata sviluppata una Faster RCNN. In particolare per il task di Classificazione sono state confrontate tre architetture pre-addestrate su ImageNet (VGG16, ResNet50, MobileNetv2). Per la valutazione della qualità dell'esame è stato sviluppato un modello ResNet101 per classificare le fasi caratteristiche e individuare i frame più rilevanti. Risultati: La Faster RCNN mostra variabilità nella precisione della localizzazione ROI (IoU 0.2-0.7), con mAP=0.786. Nel confronto delle CNN, la ResNet50 emerge come migliore con accuracy 0.853 e AUC 0.942, seguita da MobileNetv2 (accuracy 0.823, AUC 0.889) e VGG16 (accuracy 0.735, AUC 0.768). La classificazione delle fasi CEUS con ResNet101 raggiunge accuracy 0.862 e AUC 0.956, con buona capacità di individuazione dei frame rilevanti di wash-in. Discussione e Conclusione: Lo studio dimostra potenzialità per la risoluzione degli specifici task. La Detection e Classificazione mostra risultati accettabili, con variabilità nella localizzazione ROI dovuta alla diversità dei pattern, specialmente per lesioni n-HCC. Le ResNet50 emerge come migliore architettura in termini di classificazione binaria HCC/n-HCC, mentre MobileNetv2 offre un buon compromesso tra performance e costi computazionali. Il modello ResNet101 risulta promettente per individuare fasi CEUS e frame rilevanti alla diagnosi. I task sviluppati potrebbero migliorare il workflow diagnostico, riducendo tempi d'attesa e migliorando l'efficienza diagnostica. Possono supportare lo screening e il training degli specializzandi, oltre a ridurre la dipendenza dall'operatore valutando la completezza dell'esame secondo le Linee Guida.