Per queste ragioni, un ambito emergente nella ricerca dell’imaging medico riguarda l’uso di reti neurali generative (Generative Adversarial Network, GAN) per la realizzazione di CT sintetiche (sCT) a partire da immagini CBCT.?? Nell’ottica di questi sviluppi, il presente lavoro di tesi si pone come obiettivo l’identificazione di metodi e indicatori in grado di valutare automaticamente le immagini di dataset indirizzati all’allenamento di una GAN per la generazione di sCT a partire da scansioni CBCT.?? Distinguendo in base alla casa produttrice dei sistemi con cui è stata acquisita la scansione CBCT (Varian Medical Systems, Elekta), sono state calcolate 20 metriche in 3 regioni di interesse (ROI) circolari concentriche – per un totale di 60 features – per valutare qualità, similarità e correlazione tra scansioni di CBCT deformate e le corrispettive CT ottenute da un dataset di 124 pazienti provenienti da differenti centri ospedalieri.?? I valori ricavati sono stati utilizzati come input per addestrare tre diversi metodi di Machine Learning (ML) – Random Forest (RF), k-Nearest Neighbor (kNN) e Support Vector Machine (SVM) – per effettuare un task di classificazione delle immagini.?? Per ogni metodo ML, sono stati valutati tre modelli a dimensionalità progressivamente ridotta: un modello allenato sulla totalità delle 60 features ottenute, un modello allenato considerando la ROI di dimensioni maggiori (110 px di raggio), un modello allenato con le features della ROI con raggio 110 px estratte a seguito di un’analisi di feature importance con RF