Modello di rete neurale multimodale 2D per la segmentazione del tumore alla mammella considerando immagini PET/CT = 2D Multimodal Neural Network Model for Breast Tumor Segmentation Using PET/CT Images

Il carcinoma mammario è una delle principali cause di mortalità tra le donne a livello globale. Una diagnosi precisa è cruciale per migliorare la prognosi e ottimizzare i trattamenti. Dopo la diagnosi, la radioterapia richiede una segmentazione accurata dell'area tumorale per minimizzare l'esposizione dei tessuti sani e ridurre gli effetti collaterali. La tomografia a emissione di positroni (PET) combinata con la tomografia computerizzata (CT) ha rivoluzionato l’imaging oncologico, offrendo informazioni sia anatomiche che funzionali. Tuttavia, la segmentazione manuale delle immagini PET/CT presenta variabilità inter e intraoperatore. Questo progetto di tesi mira a sviluppare una rete neurale convoluzionale multimodale PET/CT, SegResNet, per la segmentazione automatica delle lesioni tumorali alla mammella in immagini 2D estratte da volumi 3D. Il progetto affronta sfide legate all'eterogeneità, passando dalla posizione alle caratteristiche del tumore. Nel dettaglio, i tumori alla mammella possono variare in forme e dimensioni, da noduli monofocali o multifocali a masse estese. In aggiunta, sono state gestite sfide legate all'uso di due tipologie di scanner PET/CT diversi. I dati sono stati raccolti presso l'Azienda Ospedaliera Santa Croce e Carle di Cuneo, con la collaborazione dell’azienda Tecnologie Avanzate Srl, e comprendono PET/CT di 80 pazienti. Le segmentazioni di riferimento, ottenute tramite thresholding percentuale del SUVmax , sono state corrette e validate clinicamente. Nelle maschere come ground truth sono state considerate le lesioni alla mammella, includendo anche le aree necrotiche, quando presenti, all'interno dell'area patologia di interesse; i linfonodi patologici non sono stati considerati all'interno della mascheratura. Le immagini PET e CT sono state preelaborate con normalizzazione dello z-score per PET e scalatura dell'intervallo di Hounsfield Units (HU) tra [-600, 600] per CT. È stata selezionata la zona della mammella, seguita dall'interpolazione delle immagini 2D per ottenere una distanza di 1 mm tra le fette. È stata inoltre eseguita un'analisi dettagliata delle caratteristiche dei tumori e applicate tecniche di data augmentation per bilanciare il training set. Il metodo più efficace per la suddivisione in set di training, validation e testing si è rivelato quello basato sulla suddivisione dei casi in modo da garantire una buona rappresentatività in termini di SUVmax e di dimensioni della lesione. La rete SegResNet ha utilizzato le immagini PET/CT come input multimodale, producendo maschere binarie per la segmentazione con la DiceCEloss, una combinazione di Dice loss e Cross Entropy loss. Il post-processing, che ha incluso una maschera aggiuntiva per la rimozione di polmoni e ossa basata su HU della CT, ha migliorato significativamente le prestazioni del modello. Senza post-processing, il Mean Dice Score medio era del 32% per il training, del 34% per la validation e del 43% per il testing. Con il post-processing, i valori sono aumentati al 42% per il training, al 55% per la validation e al 58% per il testing. Inoltre, la ricostruzione dei volumi è stata effettuata solo per pazienti con almeno il 70% di Dice score. L’analisi delle dimensioni tumorali potrebbe migliorare l'affidabilità del modello nella previsione di indici prognostici, facilitando la gestione clinica. L'analisi dei falsi positivi e negativi ha evidenziato la necessità di affinare le strategie di rimozione automatica delle zone non tumorali, soprattutto per tumori estesi e/o con SUV bassi.