Studio di approcci 3D e multimodali per la segmentazione delle lesioni su immagini PET con algoritmi di Deep Learning = Study of 3D and multimodal approaches for the segmentation of lesions in PET images with Deep Learning algorithms

I tumori del distretto testa-collo rappresentano una delle patologie più diffuse e il loro tasso di incidenza è in costante aumento, attribuibile principalmente all'abitudine diffusa di consumare alcol e tabacco. Una volta individuata la presenza di tali tumori, la maggior parte dei pazienti viene sottoposta a trattamento radioterapico. Questa terapia, mediante l'utilizzo di radiazioni ionizzanti, mira a colpire specificamente le cellule tumorali per provocarne la necrosi. È importante sottolineare che, in questo contesto, la segmentazione accurata dei tumori riveste un ruolo fondamentale. Essa permette infatti di pianificare in modo preciso il trattamento, consentendo al contempo di limitare l'esposizione dei tessuti circostanti alle radiazioni, minimizzando così i potenziali effetti collaterali. L'imaging utilizzato per individuare i tumori è la PET, alla quale sempre più frequentemente si affianca una tecnica di imaging anatomico come la CT, facilitando la segmentazione. La segmentazione manuale dei tumori richiede molto tempo da parte di sanitari esperti e soffre molto della variabilità inter-operatore, portando così a delle incertezze nella pianificazione dei trattamenti. In questo progetto di tesi viene proposto un algoritmo automatico basato su Deep Learning per la segmentazioni delle lesioni tumorali su volumi 3D PET e PET/CT, valutando l'eventuale miglioramento ottenuto considerando l'informazione anatomica derivante dalla CT oltre che l'informazione metabolica derivante dalla PET. L'algoritmo è stato allenato e validato utilizzando i volumi PET e CT di 86 pazienti forniti dall'Ospedale Maggiore di Novara con le corrispondenti segmentazioni manuali espresse come contorni all'interno dei file DICOM. La prima fase dell'algoritmo consiste nel pre-processing, necessario per ottenere volumi con la stessa risoluzione, dimensione e con intensità simile, così da rendere ottimale l'allenamento. I volumi PET e CT sono stati ricampionati ad una risoluzione comune di 1 mm nelle 3 direzioni, ritagliati per ottenere volumi di dimensione 128x128x128 centrati sul centro di massa delle segmentazioni manuali. In più ai volumi PET è stata applicata la normalizzazione SUV e z-score, mentre ai volumi CT è stata applicata un'operazione di finestratura tra [-200;200] unità Hounsfield. La rete neurale utilizzata è di tipo SegResNet con supervisione profonda che prende in input volumi a un canale nel caso di volumi PET e a due canali nel caso di volumi PET/CT e restituisce in output la maschera automatica. I modelli sono stati validati assegnando il 10\% dei pazienti al test set ed effettuando una 5-fold Cross-Validation con i restanti, ottenendo 5 modelli allenati che vengono infine combinati attraverso le tecniche ensemble. I risultati ottenuti sul test set sono molto promettenti con un valore di Dice Similarity Coefficient medio di 0.72 e 0.73 e di Mean Distance to Agreement medio di 2.40 mm e 2.26 mm rispettivamente utilizzano soltanto i volumi PET e i volumi combinati PET/CT. Questo porta a concludere che il miglioramento nelle prestazioni introdotto dall'imaging anatomico sia minimo, almeno considerando questo dataset. Probabilmente, l'utilizzo combinato di PET e CT aiuta nella segmentazione in caso di tumori con captazione di radiofarmaco scarsa, sebbene ulteriori approfondimenti siano richiesti per confermare questa ipotesi.