Creazione di modelli anatomici 3D da immagini mediche multimodali: identificazione automatica di landmark vascolari per applicazioni di registrazione deformabile = Creation of 3D anatomical models from multimodal medical images: automatic identification of vascular landmarks for deformable registration applications

La segmentazione dei vasi epatici è fondamentale per supportare il medico durante il planning di un intervento chirurgico. Le tecniche di imaging forniscono una vista delle sezioni vascolari sui tre assi anatomici, ma la creazione di un modello 3D risulta molto utile per visualizzare il decorso vascolare nello spazio tridimensionale. Il lavoro di tesi si è svolto presso Medics s.r.l., un'azienda specializzata nella modellazione 3D per il settore medico che crea modelli anatomici ad alta fedeltà specifici per ogni paziente utilizzando scansioni di tomografia computerizzata e risonanze magnetiche. Il progetto di tesi mira a sviluppare algoritmi di segmentazione e identificazione di landmark per la registrazione di immagini mediche. Per la validazione degli algoritmi proposti sono stati utilizzati i volumi di alberi vascolari sintetici presenti nel dataset pubblico Vascusynth. Al fine di valutare la robustezza degli algoritmi di segmentazione alle principali degradazioni presenti in un'immagine medica, sono stati creati 170 volumi di validazione a partire dai ground truth del dataset. Questi ground truth sono stati sottoposti a tre diversi tipi di degradazione: 1) Attenuazione di contrasto 2) Blurring gaussiano 3) Rumore gaussiano additivo. Per la validazione del metodo di identificazione dei landmark, a partire dallo stesso dataset sono stati realizzati 100 volumi al fine di simulare le principali deformazioni presenti nei casi reali. Si sono applicate due tipi di degradazione: 1) Rimozione rami terminali 2) Spostamento punti caratteristici dell’albero vascolare. Per la segmentazione automatica delle strutture vascolari epatiche sono stati sviluppati 3 algoritmi. Due di questi utilizzano delle spline manuali con lo scopo di estrapolare e segmentare le sezioni trasversali dei vasi in esame. In seguito, le informazioni delle maschere bidimensionali vengono interpolate confrontando due diversi metodi, uno basato su l’algoritmo del KNN e uno basato sul lofting di curve 3D. Il terzo algoritmo invece, non sfrutta le informazioni delle spline manuali ma effettua una segmentazione applicando tecniche di Threshold locale a partire da un punto di innesco posizionato dall’utente. La seconda parte della pipeline si incentra sull’implementazione di un metodo per l’individuazione di landmark vascolari mediante la costruzione di grafi, generati dalle segmentazioni degli alberi vascolari e utilizzati per la corrispondenza di questi nei due volumi. Le performance degli algoritmi di segmentazione che impiegano le spline risultano robuste alle varie degradazioni applicate (Dice 0.83±0.10). Il metodo basato esclusivamente sul punto di innesco manuale, invece, ha mostrato prestazioni generalmente superiori su volumi poco degradati (Dice 0.90±0.05) mentre per immagini molto rumorose o poco processate il comportamento dell’algoritmo risulta molto variabile e poco controllabile (Dice 0.56±0.30). Le tempistiche dei 3 metodi di segmentazione sono confrontabili, circa 400s per albero vascolare. I risultati relativi al metodo dei landmark hanno evidenziato un trend negativo dell’F score proporzionale al peggioramento dei dati di input e un valore di precisione che si mantiene alto (0.87±0.10). Le metriche sottolineano la capacità del metodo di ottenere risultati affidabili anche in presenza di dati di input non ottimali. È stata infine effettuata per un caso reale una prova di registrazione con i landmarks ottenuti dall’algoritmo implementato, dimostrando qualitativamente la robustezza e l’efficacia del metodo.