Unmixing spettrale in imaging fotoacustico con LSTM: robustezza alla melanina e riduzione spettrale = Spectral Unmixing in Photoacoustic Imaging with LSTM: Melanin Robustness and Spectral Reduction

L’imaging fotoacustico multispettrale rappresenta una tecnologia emergente nel campo della diagnostica per immagini, con il potenziale di fornire stime non invasive e localizzate della saturazione di ossigeno (sO₂) nei tessuti biologici. Questa informazione, ottenibile a partire dalla risposta spettrale dei cromofori ematici, potrebbe contribuire significativamente all’identificazione precoce di condizioni patologiche come tumori, ischemie o stati infiammatori. Tuttavia, le metodologie attualmente disponibili presentano importanti limitazioni, in particolare per quanto riguarda la dipendenza dal numero di lunghezze d’onda acquisite e la presenza di interferenze ottiche dovute a cromofori dominanti come la melanina. Tali fattori compromettono l’accuratezza delle stime e ostacolano la generalizzazione dei modelli a soggetti con caratteristiche fisiologiche eterogenee. Alla luce di queste criticità, gli obiettivi principali del presente lavoro sono stati due: ridurre la dipendenza dal numero di lunghezze d’onda disponibili e migliorare l’affidabilità della stima della saturazione in presenza di elevate concentrazioni di melanina, incrementando così la generalizzabilità del metodo. A tal fine, si propone un approccio alternativo basato su reti neurali ricorrenti di tipo Long Short-Term Memory (LSTM), progettato per effettuare l’unmixing spettrale in modo adattivo e non lineare. Il modello riceve in input sequenze spettrali estratte da singoli pixel delle immagini multispettrali, ciascuna rappresentata da una serie di 21 valori corrispondenti alle lunghezze d’onda utilizzate. Pur mantenendo invariata l’architettura della rete, il modello è stato addestrato su diversi dataset simulati mediante il framework SIMPA, variando la concentrazione di melanina nei tessuti simulati. A tal fine, è stato utilizzato il parametro frazione volumetrica di melanina (MVF), che rappresenta la frazione volumetrica di tessuto occupata dalla melanina, con valori indicativamente compresi tra 0.01 e 0.4. Contestualmente, sono state simulate condizioni di qualità del segnale variabile, introducendo degradazioni spettrali mirate per riflettere l’effetto del rumore sperimentale. In particolare, è stato modellato un peggioramento della rappresentazione spettrale nella regione del vicino infrarosso inferiore, per simulare l’assorbimento prevalente della melanina e la ridotta penetrazione della luce. Il modello è stato testato sia su dati simulati che su acquisizioni in vivo, e confrontato con il metodo tradizionale di Linear Unmixing. Su dati simulati con 21 lunghezze d’onda e bassa concentrazione di melanina, il modello LSTM ha ottenuto un errore assoluto mediano (MAE) di circa 7.7%, rispetto al 12% del Linear Unmixing. Una differenza ancora più marcata è emersa in scenari caratterizzati da una frazione volumetrica di melanina bassa (MVF compresa tra 0.01 e 0.04), dove il metodo lineare ha mostrato un degrado delle prestazioni con MAE fino al 43%, mentre l’approccio LSTM ha mantenuto errori più contenuti, attorno al 13%. Questi risultati dimostrano il potenziale dell’approccio LSTM nel migliorare l’affidabilità dell’unmixing spettrale, rendendolo più adatto ad applicazioni cliniche su popolazioni eterogenee.