Analisi Comparativa di Architetture CNN per la Segmentazione della Prostata in Immagini di Risonanza Magnetica = Comparative Analysis of CNN Architectures for Prostate Segmentation in Magnetic Resonance Imaging

Il carcinoma prostatico (PCa) rappresenta una delle principali neoplasie nella popolazione maschile, e la sua diagnosi precoce gioca un ruolo fondamentale nel miglioramento della prognosi. In tale contesto, la risonanza magnetica (MR) rappresenta un valido strumento non invasivo per la rilevazione della prostata e di eventuali lesioni significative. Tuttavia, la segmentazione manuale della ghiandola prostatica rappresenta un processo dispendioso in termini di tempo e soggetto a variabilità inter-operatore. L’impiego di tec niche di deep learning, in particolare le reti neurali convoluzionali (CNN), ha permesso di ovviare a questo problema, offrendo soluzioni automatizzate ed efficienti, le quali permettono di ottenere risultati accurati in tempi relativamente brevi. Questo lavoro di tesi si propone di confrontare le performance di due architetture CNN, U-Net ed E-Net, nella segmentazione automatica della prostata a partire da immagini di risonanza magnetica T2, il quale è stato reso possibile grazie al supporto e alla strumenta zione messa a disposizione dal gruppo di Imaging e Radiomica della Fondazione RI.MED, il cui contributo si è rivelato essenziale nella fase di elaborazione e sperimentazione. Il dataset utilizzato è stato fornito dall’A.O.U.P. “Paolo Giaccone” di Palermo e com prende immagini MRI di 71 lesioni con punteggio PI-RADS ≥ 3, suddivise in base a diagnosi istologica ottenuta da biopsia fusion. Prima di essere fornite in input alle reti, le immagini sono state sottoposte a un processo di pre-processing, comprendente il ricampionamento isotropico del voxel e la normalizzazione dell’intensità, oltre a tecniche di data augmentation per migliorare la generalizzazione del modello. L’addestramento è stato condotto mediante validazione incrociata a 5 fold, implementan do un modello U-Net e uno E-Net in ambiente Python. In entrambi i casi è stato utilizzato l’ottimizzatore Adam e una dimensione del batch pari a 24 slice per iterazione. Inoltre, un criterio di early stopping è stato adottato durante la fase di addestramento, il quale dispone l’interruzione del training nel caso in cui il modello non mostri miglioramenti per almeno 10 epoche consecutive delle 100. Le architetture sono state valutate attraverso metriche quantitative quali Dice Similarity Coefficient (DSC), Precision, Recall, F1-score, Volume Overlap Error (VOE) e Relative Volume Distance (RVD). I risultati ottenuti mostrano che l’architettura E-Net ha raggiunto le migliori performan ce in termini di accuratezza e velocità, con un DSC medio dell’81.61%, VOE del 29.84%, RVDdel 29.07%, precisione del 78.04%, recall dell’88.93% e F1-score dell’81.61%, mentre, la iii U-Net ha ottenuto un DSC medio del 77.53%, VOE del 35.4%, RVD del 22.76%, precisione dell’82.37%, recall del 76.49% e F1-score del 77.53%. L’architettura U-Net ha dunque mostrato buone performance nella segmentazione, seb bene a fronte di un significativo costo computazionale. Al contrario, E-Net ha garantito prestazioni migliori, distinguendosi per un’efficienza computazionale nettamente superiore. I risultati ottenuti confermano il potenziale del deep learning nella segmentazione della prostata, suggerendo la possibilità di integrare tali sistemi nei flussi di lavoro clinici per supportare la diagnosi del carcinoma prostatico e ridurre la variabilità legata all’intervento umano.