Metodo di segmentazione automatica del canale naso-palatino tramite l'utilizzo di reti neurali basate sull'apprendimento profondo. = Automatic segmentiation method of the nasopalatine canal through deep learning neural network.

Questa è una tesi il cui fine è proporre un metodo di segmentazione automatica del canale naso-palatino conservando le caratteristiche morfologiche così che si possa utilizzare in implantologia odontoiatrica e incrementarne l’utilizzo per migliorare l’efficienza delle protesi. In odontoiatria le caratteristiche del canale naso-palatino sono molto importanti per quel che riguarda l’implantologia dentale. Se dovessero mancare i riferimenti che indicano come posizionare la protesi dentale, viene utilizzato il l’inclinazione del canale per rispettare la fisiologia originaria del dente ed indica la corretta applicazione dell’impianto. Anche se è una tecnica molto utilizzata, non è mai stata dimostrata una simmetria o almeno dipendenza tra l’asse del canale rispetto a quello dei denti. Il metodo propone una segmentazione automatica del canale naso-palatino a partire da immagini di tomografia computerizzata a bassa potenza per odontoiatria, in modo da conservare le caratteristiche morfologiche principali ( lunghezza, inclinazione e diametro) e la forma tridimensionale. In questo modo è possibile analizzare gli aspetti morfometrici e saperne di più sulla dipendenza tra il canale e i denti. Il metodo richiede l’utilizzo di tecniche di segmentazione tridimensionale attraverso reti neurali basate sull’apprendimento profondo. Prima si utilizzano delle reti neurali convoluzionali regionali che agiscono sulla proiezione bidimensionale delle immagini TC per ridurre il volume ad una regione d’interesse. Successivamente, viene effettuata la segmentazione semantica sul volume ridotto attraverso l’utilizzo di una UNet. Per conservare le caratteristiche principali del canale, alla segmentazione semantica viene affiancata una segmentazione che utilizza il level-set. Quindi il risultato è una segmentazione del canale, che ne conserva le caratteristiche morfologiche. I risultati sono successivamente stati confrontati con delle segmentazioni manuali in modo da ricavare l’efficienza e le criticità dell’algoritmo. L’analisi è stata fatta tenendo conto di tre metriche di validazione: object-based, vouxel-based e uno che valuta la conservazione delle caratteristiche fondamentali necessarie successivamente per l’utilizzo in campo odontoiatrico, come l’inclinazione del canale rispetto alla segmentazione manuale.