Sviluppo di un metodo automatico basato sul deep learning per la valutazione automatica del nervo ottico in immagini ultrasonografiche transorbitali = Development of an automatic method based on deep learning for the automatic evaluation of the optic nerve in transorbital ultrasonographic images

L’ultrasonografia transorbitale è una tecnica di imaging molto promettente nella caratterizzazione delle strutture del nervo ottico (ON) e le sue eventuali alterazioni, dovute a un aumento della pressione intracranica (ICP) o alla presenza di altre patologie, ad esempio Sclerosi Multipla e idrocefalo. È un metodo di indagine diagnostica non invasiva, rapida, ad alta accessibilità, adatta a contesti ospedalieri e ambulatoriali, e sicura per i pazienti. La sua applicazione più diffusa prevede la misurazione del diametro della guaina del nervo ottico (ONSD), direttamente dalle immagini ecografiche acquisite, con lo scopo di stimare un eventuale aumento dell’ICP. Numerosi studi in letteratura confermano una relazione tra l’innalzamento dell’ICP e l’aumento dell’ONSD, offrendo un’alternativa di indagine diagnostica non invasiva e sicura. Attualmente il “gold standard” per la valutazione dell’ICP prevede l’inserimento di una sonda intracranica, tecnica invasiva che potrebbe causare complicazioni (infezioni, emorragie). Non solo l’ONSD, ma anche il diametro del nervo ottico (OND) può essere d’interesse: studi in merito dimostrano il legame tra lo spessore dell’ON e il livello di atrofia del nervo, in pazienti affetti da Sclerosi Multipla. In particolare, nei soggetti patologici si ha una diminuzione dell’OND rispetto ai soggetti sani. Il presente lavoro di tesi vede al suo centro lo sviluppo di un sistema completamente automatico in grado di segmentare le strutture del nervo ottico in immagini ecografiche transorbitali e di calcolarne i diametri: OND e ONSD. Il processo di segmentazione si basa su modelli pre-addestrati di reti neurali completamente convoluzionali (FCN). Nello specifico è stato allenato un modello Unet, con encoder ResNet50; utilizzando nella fase di training le maschere binarie ottenute da una precedente segmentazione manuale. A partire dalle segmentazioni delle strutture del nervo ottico, ottenute come output della rete, si ricavano i valori di OND e ONSD in modo completamente automatico. Viene, innanzitutto, costruita la centerline dell’ON e individuato il punto che dista 3 mm dal bulbo oculare. Da qui vengono calcolate le distanze tra i bordi del nervo ottico e tra quelli della sua guaina, ricavati dalla precedente segmentazione. Tali distanze corrisponderanno rispettivamente all’OND e all’ONSD. Il sistema, così sviluppato, è stato applicato su un data set di 464 immagini eterogenee, acquisite da 110 soggetti diversi e utilizzando 5 macchinari differenti. Le misure automatiche ottenute sono state confrontate con quelle di un operatore manuale. L’errore medio comparato con l’operatore è pari a -0.12 ± 0.32 mm e 0.14 ± 0.58 mm, rispettivamente per l’OND e L’ONSD. Si individua una correlazione positiva tra le due misurazioni: il coefficiente di correlazione di Pearson ha un valore di 0.71 per l’OND e di 0.64 per l’ONSD. Lo scopo finale è quello di ridurre la dipendenza che il calcolo dell’OND e dell’ONSD ha dall’operatore manuale, mitigando l’errore sistematico nella misurazione manuale e abbattendo la variabilità tra le misure, in modo da favorirne l’applicazione diagnostica in campo medico. L’algoritmo sviluppato risulta essere completamente automatico, tuttavia l’errore medio ottenuto per la misura dell’ONSD risulta essere maggiore rispetto ai range della variabilità inter-operatore, individuati in letteratura.