Individuazione del Midollo Osseo Attivo tramite algoritmi di Deep Learning in immagini TC

Il midollo osseo ha un ruolo fondamentale nel bilanciare il livello di ematociti, questo perché una porzione di tale tessuto connettivo, chiamato midollo osseo rosso o midollo osseo attivo (successivamente nel testo indicato come RM da red marrow), è responsabile della produzione delle cellule staminali ematopoietiche. Il RM è soggetto a gravi danni quando esposto alle radiazioni e.g. tossicità ematologica. Tale fenomeno può portare ad infezioni nel paziente che si sottopone a sessioni di radio-chemioterapia, con conseguente interruzione di esse e rendendo inefficace la terapia. L’obiettivo del presente progetto è di implementare un algoritmo di Deep Learning (DL) per l’individuazione del midollo osseo attivo direttamente dalle immagini di tomografia computerizzata (TC) del midollo osseo pelvico, luogo in cui risiede buona parte del RM in età adulta. Nello specifico, si è scelto di esaminare le immagini TC perché indicate dalle linee guide internazionali. Quindi, la totalità dei pazienti si sottopone a tale esame, con risparmio in termini di soldi e tempo. Tra gli algoritmi di Deep Learning a disposizione, si è optato per le Reti Neurali Convoluzionali (definite successivamente CNNs da Convolutional Neural Networks) poiché, fin dalla loro introduzione nella prima metà degli anni 90, hanno presentato eccellenti risultati in molteplici campi, quali ad esempio il riconoscimento facciale o di cifre scritte a mano, come documentato negli studi svolti da LeCun et al. Il problema è stato affrontato seguendo due approcci, entrambi basati sulle CNNs. Nel primo caso, è stato costruito un data-set con 2200 regioni di interesse (successivamente nel testo chiamate ROI da regions of interest) di dimensione 5x5, ricavato dalle immagini TC di 5 pazienti. Tale data-set (suddiviso in training set e validation set) è stato usato, rispettivamente, per allenare la rete convoluzionale e validare le performance. In questo caso, i risultati hanno mostrato come i vari modelli di CNNs presi in considerazione tendessero verso il fenomeno di overfitting, con una conseguente classificazione incorretta del midollo osseo attivo: ciò è dovuto ad un data-set composto da 2200 elementi e non sufficienti per permettere alla rete di imparare efficacemente. Nel secondo approccio, si è lavorato con un particolare tipo di rete convoluzionale, chiamata U-Net. Tale rete presenta un modello molto più complesso, in quanto consiste in un percorso di encoder (contraction path) ed un percorso di decoder (expansion path). Conseguentemente, rispetto al primo approccio, tale rete presenta un costo computazione nettamente maggiore. Il data-set era composto da 356 immagini TC di dimensioni 512x512 appartenenti a 5 pazienti. Per studiare ulteriormente il modello, è stata fatta una prova inserendo un sesto paziente, mai preso in considerazione, aumentando ulteriormente la numerosità del dataset. Tale approccio ha presentato risultati migliori rispetto alla normale rete CNN. Nello specifico, non si sono presentati evidenti fenomeni di overfitting. É stata svolta un’ulteriore prova, consistente nella suddivisione del dataset originario in tre dataset che presentavano la stessa quantità di slice contigue. Questa prova evidenzia la difficoltà della rete nel riconoscere il RM in particolare nel paziente 3 poiché presenta alcune slice, relative alle sezione anatomica dove è predominante la presenza dei femori, con valori di Dice inferiori al 70%.