Development of an automatic algorithm for the detection of the third lumbar vertebra in CT scan

La perdita muscolare e la degradazione dei tessuti sono due condizioni che si manifestano approssimativamente nel 40% dei pazienti affetti da cancro. Queste condizioni possono anche diventare una malattia come sarcopenia o cachessia. Le cause della perdita di peso sono diverse e questa condizione riduce gli effetti medici e chirurgici dei trattamenti contro il tumore, aumentando inoltre il rischio di mortalità. Per questo, la perdita di peso non dovrebbe essere sottovalutata, ma, al contrario, deve essere monitorata al fine di migliorare i benefici dei trattamenti contro il cancro. Ci sono diverse tecniche per valutare la composizione del corpo e diagnosticare la perdita muscolare. Si tratta sia di tecniche di imaging che di tecniche diverse. Diversi studi hanno dimostrato che non è più necessario segmentare il tessuto muscolare nell’immagine 3D di tutto il corpo, perché risonanza magnetica (MRI) o la tomografia computerizzata (CT) forniscono la possibilità studiare la composizione al livello della terza vertebra lombare (L3), in cui la percentuale muscolare è correlata alla massa muscolare di tutto il corpo. In questo modo, rilevare la sezione corrispondente a L3 in modo automatico è un obiettivo importante, anche considerando il fatto che i radiologi hanno bisogno di almeno 5 minuti per la detezione della sezione e la segmentazione della stessa. Finora, sono stati proposti pochi metodi automatici per la rilevazione della terza vertebra lombare e sono tutti basati su reti neurali computazionali (CNN). Tuttavia, queste tecniche hanno bisogno di una parte di allenamento e, inoltre, di un grande insieme di dati e questo può essere un problema per coloro che non hanno a disposizione abbastanza immagini. Pertanto, lo scopo dello studio è creare un algoritmo automatico per il rilevamento di L3 senza utilizzare le reti neurali, in modo che un database ridotto non sia un problema. A tal fine, 24 pazienti sono stati analizzati in questo studio e, considerando che ogni paziente fornisce 3 o 4 gruppi di immagini, il database finale è composto da 80 acquisizioni. Ai fini dello studio, la tecnica si basa sulle caratteristiche fisiche della spina dorsale a livello toracico e lombare. Ogni immagine CT viene convertita in una maschera binaria per evidenziare la presenza ossea, andando poi ad analizzare la quantità di pixel bianchi (NoP) per ogni sezione. Facendo il grafico del NoP di tutte le sezioni, si può notare una sorta di minimo a livello delle vertebre lombari. Questa considerazione viene utilizzata per analizzare la presenza di pixel solo in un determinata area delle maschere, ovvero una regione corrispondente alle posizioni delle vertebre, chiamata maschera della zona vertebrale (VAM). Grazie al VAM è possibile esaminare solo i pixel riferiti alle vertebre e, analizzando la quantità di pixel bianchi nella zona lombare, si può notare una sorta di andamento decrescente/crescente del NoP, in cui ogni massimo corrisponde alla posizione di una vertebra. Per quanto riguarda i risultati, l’errore medio è inferiore a 5 sezioni, e per 50 su 80 CT scansioni l'errore è inferiore a 3. Inoltre, per alcuni pazienti, l'errore è compreso tra 10 e 20 ed è stato dimostrato che in questi casi l'algoritmo dà come risultato una vertebra adiacente a L3. Infine, nonostante le limitazioni da risolvere, si può concludere dicendo che l'algoritmo può essere utilizzato soprattutto da coloro che non hanno la possibilità di utilizzare un database di grandi dimensioni.