Segmentazione di immagini TC del polso e ricostruzione modello 3D: approccio integrato con metodi tradizionali e intelligenza artificiale per l'ottimizzazione della pianificazione preoperatoria e dell'intervento chirurgico = Segmentation of CT images of the wrist and 3D model reconstruction: an integrated approach with traditional methods and artificial intelligence for optimizing preoperative planning and surgical intervention

Attualmente, i chirurghi che operano sul polso non dispongono di una guida intraoperatoria specifica e devono usare tecnologie convenzionali, che possono rendere le procedure lunghe e invasive. Nonostante i progressi nell'imaging medico e nella navigazione chirurgica, la complessità del polso rende difficile la pianificazione e l'esecuzione precisa degli interventi. Una segmentazione accurata del modello migliora la pianificazione preoperatoria, identificando con precisione le strutture anatomiche per una ricostruzione tridimensionale fedele dell'anatomia. Questo è essenziale per il posizionamento preciso della placca di fissaggio e delle viti, aumentando la precisione durante l'intervento chirurgico. L'adozione di modelli avanzati di segmentazione riduce anche il tempo necessario per la segmentazione. In questo lavoro di tesi, utilizzando le immagini ottenute tramite Tomografia Computerizzata (TC), si propone l'uso di un algoritmo di segmentazione semi-automatico combinato con un modello di deep learning per ottimizzare la ricostruzione 3D della struttura anatomica del paziente, facilitando la pianificazione preoperatoria e la ricomposizione ossea durante l'intervento chirurgico. È stato sviluppato un algoritmo per la segmentazione di polso, mano, ulna e radio, contenenti anche il gesso. Si è scelto di operare sulle slice TC in vista assiale poiché offre la migliore risoluzione per garantire la qualità dell'immagine processata. Il framework si articola in due fasi: la prima utilizza un algoritmo semi-automatico per rimuovere il gesso dalle immagini e ottenere le maschere delle segmentazioni ossee, che vengono poi importate in 3D Slicer per ricostruire il modello 3D; la seconda fase utilizza queste immagini per addestrare un modello di deep learning basato su una U-Net, una rete neurale convoluzionale, con tecniche di pre-processing, data augmentation e post-processing. I test sono stati effettuati su due set distinti di 907 immagini ciascuno, uno con immagini trattate dall'algoritmo semi-automatico e l'altro con immagini trattate da un operatore. La qualità delle maschere ottenute è stata valutata con metriche come Dice Similarity Coefficient, Jaccard Index, sensibilità, specificità, accuratezza e Positive Predicted Value. I risultati mostrano che l'algoritmo semi-automatico rimuove correttamente il gesso, ottenendo segmentazioni comparabili ai metodi di deep learning e permettendo di ottenere modelli 3D con fratture ben riconoscibili. La combinazione dei due algoritmi semplifica il processo di segmentazione e identificazione delle fratture del polso, fornendo un supporto prezioso per migliorare la precisione e l'efficacia della guida intraoperatoria. Un ulteriore sviluppo promettente è l'integrazione di un software di guida chirurgica basato su realtà aumentata, che può migliorare la visualizzazione in tempo reale del polso e delle aree di interesse durante l'intervento, riducendo i tempi operatori e permettendo una navigazione più intuitiva e precisa. Questo sistema può minimizzare l'invasività dell'intervento, limitando i danni ai tessuti circostanti e prevedendo meglio i risultati dell'intervento, facilitando il monitoraggio postoperatorio e riducendo il rischio operatorio. Un ulteriore avanzamento è lo sviluppo di un sistema basato su intelligenza artificiale che determina automaticamente la configurazione ottimale dei marker per guidare il medico durante l'intervento, analizzando la frattura e suggerendo i punti su cui intervenire.