Confronto di algoritmi di deep learning per l’individuazione del midollo osseo attivo in immagini CT = Comparison of deep learning algorithms for the identification of active bone marrow in CT images

Il midollo osseo è composto da un tessuto adiposo, detto midollo osseo giallo (YM), e da un tessuto connettivo chiamato midollo osseo rosso (RM). Quest’ultimo è responsabile della produzione di cellule staminali ematopoietiche. Il RM può essere soggetto a lesioni da tumori maligni, che comportano una diminuzione nella produzione di cellule ematiche e trombociti. Per curare queste patologie vengono prescritte sessioni di radioterapia che possono comportare nel paziente danni al tessuto midollare a causa delle radiazioni. Nasce quindi la necessità di individuare il midollo osseo attivo con precisione per effettuare una radioterapia focalizzata esclusivamente nei punti dove sono presenti le lesioni. Ad oggi, lo stato dell’arte nell’individuazione del RM prevede l’utilizzo di sistemi di imaging come RM, PET e soluzioni ibride tra queste o con CT. La seguente trattazione propone un metodo alternativo per l’individuazione di RM basato su algoritmi di deep learning, da applicare su immagini CT. La CT è infatti una metodologia molto più accessibile e meno costosa rispetto agli altri metodi di imaging precedentemente citati, ed è un esame di routine nel worfklow ospedaliero. L’analisi si è svolta su ROI di dimensione 5x5. Sono state utilizzate immagini CT di 50 pazienti, di cui si avevano anche le maschere RM ottenute tramite PET per effettuare dei confronti. Le immagini dei primi 40 pazienti sono state utilizzate per addestrare le reti, mentre quelle degli ultimi 10 sono state sfruttate come validation set. Nel lavoro svolto sono stati applicati due algoritmi di deep learning per effettuare la segmentazione: le reti neurali profonde (DNN) e le reti neurali convoluzionali (CNN). Le prime sono reti neurali che classificano le ROI analizzando delle features numeriche che sono state estratte in fase di pre-processing. Le seconde, invece, classificano le ROI valutando i valori numerici dei pixel. Per addestrare le reti sono stati creati due training set diversi: il primo è stato costruito selezionando le ROI in maniera randomica; per il secondo è stato utilizzato un algoritmo di clustering (SOM), che ha permesso di ottenere un training set più omogeneo. Successivamente si è svolto un tuning dei parametri delle reti per trovare la configurazione ideale. Dai risultati è emerso che il training set ottenuto tramite clustering porta le reti ad una miglior classificazione delle ROI: ciò ha evidenziato come questo training set sia effettivamente più rappresentativo del dataset. Dopo aver trovato le reti che hanno restituito le migliori prestazioni, si sono ottenute le maschere RM predette sia con DNN che con CNN. Da queste si è svolto un confronto paziente per paziente con le maschere PET utilizzando come indici di valutazione il Dice (DSC), la Precision (Pr) e la Recall (Re). Analizzando i risultati si nota che entrambe le reti tendono a sovrasegmentare il midollo osseo, generando valori molto alti di Pr, ma molto bassi di Re. Inoltre si nota una difficoltà da parte della rete nel segmentare immagini dove vi è una quantità ridotta di midollo osseo, o dove la morfologia midollare è più frastagliata e meno regolare. Infine, si è svolto un confronto tra le due reti, che ha evidenziato una miglior capacità di classificazione e minor tendenza a sovrasegmentare della CNN: per molti pazienti si è notato un incremento del DSC e della Re del 10%, mentre la Pr è rimasta relativamente alta per entrambe le reti.