Studio di algoritmi per la segmentazione automatica di lesioni polmonari su immagini CT = Study of algorithms for the automatic segmentation of lung lesions in CT images

Il cancro al polmone non a piccole cellule (NSCLC) rappresenta l’85% delle neoplasie polmonari che colpiscono la popolazione mondiale. La diagnosi prevede l’esecuzione di una tomografia computerizzata (CT) con mezzo di contrasto seguita dall’esame di un campione bioptico che confermerà o meno la presenza del tumore. La segmentazione accurata della lesione polmonare rappresenta non solo un passo rilevante per una corretta caratterizzazione del tumore, ma consente di eseguire analisi avanzate come la Radiomica, che consiste nell’estrazione di un elevato numero di caratteristiche quantitative dalle immagini mediche, come la densità, la forma, la texture. Queste possono essere correlate con informazioni cliniche, permettendo di ottenere una migliore comprensione dell’avanzamento del tumore e delle risposte terapeutiche, migliorando la pianificazione e la personalizzazione delle cure. A tal proposito, l'obiettivo principale di questo studio è sviluppare una soluzione che consenta un’identificazione automatica delle lesioni polmonari, riducendo così i tempi di intervento manuale da parte del clinico e limitando la variabilità inter-operatore. A tale scopo, viene proposto un metodo basato sul Deep Learning. Lo studio è stato eseguito su CT toraciche di 88 pazienti, con le corrispondenti segmentazioni manuali delle zone di interesse utilizzate come riferimento. Durante l’analisi sono state individuate diverse criticità e si sono sviluppate soluzioni mirate a garantire un corretto funzionamento dell’algoritmo. Sono stati presi in considerazione tre approcci che differiscono per tipologia di taglio effettuato sulla CT, quali ROI attorno al polmone, ROI attorno al centro di massa ed estrazione del parenchima polmonare. Quest’ultimo metodo si è rilevato essere la strategia più efficace. Lavorando sulle fette bidimensionali di ogni volume, il primo step di quest’analisi è stato il pre-processing, necessario per ottenere immagini con la stessa risoluzione, dimensione e intensità simile. Le immagini sono state ricampionate a una risoluzione comune, è stata valutata una finestratura del range dinamico ed è stata eseguita una normalizzazione basata sul min-max scaling. Segue una fase di bilanciamento dei dataset di training in modo da garantire un equilibrio tra le immagini contenenti le lesioni e quelle senza lesione. La rete neurale utilizzata è di tipo U-Net che prende in input immagini 2D e restituisce in output la maschera automatica delle lesioni presenti. L'affidabilità del modello è stata valutata utilizzando un test set composto dal 10% dei pazienti. Le predizioni della rete sono state sottoposte a un processo di post-elaborazione per ridurre le misclassificazioni, che spesso derivano dalla presenza di strutture interne al polmone erroneamente classificate. Si basa su una strategia di analisi della connettività dei volumi identificati, attraverso la quale vengono isolate e valutate le regioni contigue. Questo approccio consente di preservare solo i volumi significativi ottenendo un Dice Similarity Coefficient medio di 0,68, una Recall media di 0,91 e una Precision media di 0,58. Questi risultati suggeriscono una buona capacità di individuare le lesioni, mettono però in evidenza difficoltà nell'accuratezza e nella precisione delle predizioni, che potrebbero essere dovute al numero limitato di dati a disposizione. Sono tuttavia necessari ulteriori miglioramenti per adattare l'algoritmo alla variabilità clinica e renderlo utilizzabile nella pratica medica.