Modello di deep learning per la segmentazione automatica di lesioni alla mammella in immagini DCE-MRI = Deep learning model for automatic segmentation of breast lesions in DCE-MRI images

Il tumore alla mammella costituisce una delle neoplasie più diffuse, soprattutto nelle giovani donne, e la diagnosi precoce è essenziale per aumentare le probabilità di sopravvivenza. In questo contesto, la risonanza magnetica dinamica con mezzo di contrasto (DCE-MRI) fornisce immagini ad alta risoluzione con una sensibilità generalmente più alta rispetto ad altre modalità di imaging, come la mammografia, in particolare nelle donne con tessuto denso e con un alto rischio di tumore al seno. Strumenti automatici per l’identificazione e la caratterizzazione delle lesioni possono rappresentare un valido supporto decisionale, migliorando l’efficienza e l’accuratezza nella diagnosi. Automatizzando la segmentazione delle lesioni, il modello può ridurre il tempo dedicato dai senologi all’analisi delle immagini, accelerando il flusso di lavoro e diminuendo la variabilità inter-operatore. Il lavoro di tesi, in collaborazione con l’azienda Tecnologie Avanzate Srl e l’ospedale Città della Salute e della Scienza di Torino, propone un modello di deep learning per la segmentazione automatica delle lesioni mammarie su immagini DCE-MRI. Il dataset utilizzato è composto da 151 volumi di risonanza magnetica acquisiti con due sistemi diversi, e la segmentazione manuale effettuata da un senologo esperto, utilizzata come ground truth. L’analisi è stata effettuata sulla terza sequenza DCE post-contrasto. Sono state dapprima applicate tecniche di pre-processing per uniformare il dataset con la medesima risoluzione e dimensione, seguite da una normalizzazione dei valori di intensità dei pixel. Successivamente, è stato suddiviso in modo bilanciato il dataset in training set, validation set e test set, garantendo che parametri quali il sistema di acquisizione, la dimensione delle lesioni e la morfologia (massa/non massa) fossero equamente rappresentati in ciascun set. E’ stato allenato un modello di rete CNN di tipo UNet 2D, il cui design a strati permette di catturare dettagli anatomici sia a bassa che ad alta risoluzione. Sono stati poi ricostruiti i volumi 3D delle lesioni segmentate. A questi sono state applicate operazioni di post processing, tramite operatori morfologici, e rimozione delle componenti non connesse, per ridurre il numero di falsi positivi e migliorare l’accuratezza del modello. Le maschere automatiche sono state infine confrontate con quelle manuali e valutate in termini di Dice Similarity Coefficient (DSC), precisione, accuratezza, recall, Intersect over Union (IOU), Volume Overlap Error (VOE) e True Negative Rate (TNR). I risultati ottenuti evidenziano la presenza di overfitting, fenomeno per cui il modello di rete presenta ottime prestazioni sui dati di allenamento, ma limitata capacità di generalizzazione sui nuovi dati mai visti, attribuibile a uno sbilanciamento del dataset. Possibili sviluppi potrebbero includere l’ ottimizzazione del modello di rete per migliorarne la capacità di generalizzazione, esplorando architetture più complesse e l’utilizzo di tecniche di regolarizzazione.