
Daniele Scaffidi Gennarino
Identificazione di midollo osseo attivo da immagini TC: machine learning e analisi wavelet = Identification of active bone marrow from CT images: machine learning and wavelet analysis.
Rel. Gabriella Balestra, Samanta Rosati. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Biomedica, 2021
|
PDF (Tesi_di_laurea)
- Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (13MB) | Preview |
Abstract: |
Il midollo osseo riveste un ruolo centrale nello sviluppo del piano di trattamento radioterapico a cui sono sottoposti i soggetti affetti da tumori della parte bassa dell’addome. Esso si distingue in due parti: midollo attivo o rosso (RM), responsabile del processo di ematopoiesi, e midollo giallo (YM), sede di conservazione dei lipidi da parte degli adipociti. Circa il 50% del midollo attivo è situato tra le pelvi e la spina lombare ed è un tessuto particolarmente radiosensibile il quale, se sottoposto a irradiazione, può portare a fenomeni di emato-tossicità. Ne risulta la necessità di individuarlo e distinguerlo dal midollo giallo per limitare la quantità di dose di radiazioni diretta su di esso. L’identificazione del midollo attivo viene ad oggi svolta principalmente mediante risonanza magnetica e/o tomografia ad emissione di positroni, tuttavia queste metodiche presentano costi piuttosto elevati e sono di difficile accesso sul territorio. In questo studio sono state impiegate immagini di tomografia computerizzata (TC) per l’individuazione del midollo attivo. Così facendo viene risolto il problema del costo e della difficoltà di accesso, senza la somministrazione di alcuna ulteriore dose di radiazione al paziente, dal momento che la TC è già un esame standard nello sviluppo del piano di trattamento radioterapico. Per quanto riguarda l’approccio adottato, si è scelto di seguire la strada della radiomica andando a ricavare informazioni dai pixel delle immagini e implementando tecniche di machine learning. In una prima fase sono state impiegate feature statistiche del 1° e del 2° ordine, successivamente si è esplorato il campo delle feature di ordine superiore, prendendo in considerazione, in particolare, quelle derivanti dalla decomposizione wavelet. Tutti i risultati ottenuti sono stati confrontati con un riferimento ottenuto mediante tomografia ad emissione di positroni. |
---|---|
Relators: | Gabriella Balestra, Samanta Rosati |
Academic year: | 2021/22 |
Publication type: | Electronic |
Number of Pages: | 93 |
Subjects: | |
Corso di laurea: | Corso di laurea magistrale in Ingegneria Biomedica |
Classe di laurea: | New organization > Master science > LM-21 - BIOMEDICAL ENGINEERING |
Aziende collaboratrici: | UNSPECIFIED |
URI: | http://webthesis.biblio.polito.it/id/eprint/20183 |
![]() |
Modify record (reserved for operators) |