Le interstiziopatie polmonari (Interstitial Lung Disease, ILD) sono patologie croniche che causano la cicatrizzazione del parenchima polmonare e dell'interstizio alveolare e la compromissione della funzionalità respiratoria. Dal momento che sono più di 200 le patologie raggruppate nella categoria delle ILD, una precisa identificazione è fondamentale per individuare la terapia migliore e formulare una prognosi. L'esame radiologico di riferimento è la tomografia computerizzata del torace ad alta risoluzione (High Resolution Computed Tomography, HRCT) e rappresenta un passaggio cruciale nel processo di diagnosi; nell'analizzare le immagini, infatti, il radiologo deve stabilire se vi è Usual Interstitial Pneumoniae (UIP), ovvero presenza di pattern istopatologici tipici della malattia, e valutarne l'estensione, correlata con la gravità delle alterazioni fisiologiche. Tuttavia, l'incidenza rara delle interstiziopatie fa sì che non tutti i radiologi abbiano un grado di esperienza adatto a individuare visivamente l'anomalia. Inoltre, la malattia si diffonde lungo tutti i polmoni e la segmentazione manuale risulta faticosa. Nel tentativo di rimediare alla variabilità intra- ed inter-osservatore, sono state sviluppate tecniche per il riconoscimento automatico dei pattern UIP; vi sono approcci basati sull'analisi dell'istogramma e della texture dell'immagine ma, dal momento che i classificatori sono stati addestrati su label definite da operatori clinici diversi, presentano comunque un bias che è causa di identificazioni errate, o mancate, dei pattern. Il deep learning, invece, si distingue dalle tecniche tradizionali perché fornisce strumenti che imparano autonomamente a classificare i dati. L'obiettivo del lavoro è stato, quindi, progettare e sviluppare la UIP-net, una rete neurale convoluzionale ad-hoc per la segmentazione automatica dei pattern UIP in immagini HRCT di pazienti con Fibrosi Idiopatica Polmonare (IPF), che è una sotto-categoria delle ILD.

Analisi di immagini tomografiche ad alta risoluzione attraverso reti neurali convoluzionali per lo studio delle interstiziopatie polmonari

Buongiorno R;Colantonio S;Germanese D
2020

Abstract

Le interstiziopatie polmonari (Interstitial Lung Disease, ILD) sono patologie croniche che causano la cicatrizzazione del parenchima polmonare e dell'interstizio alveolare e la compromissione della funzionalità respiratoria. Dal momento che sono più di 200 le patologie raggruppate nella categoria delle ILD, una precisa identificazione è fondamentale per individuare la terapia migliore e formulare una prognosi. L'esame radiologico di riferimento è la tomografia computerizzata del torace ad alta risoluzione (High Resolution Computed Tomography, HRCT) e rappresenta un passaggio cruciale nel processo di diagnosi; nell'analizzare le immagini, infatti, il radiologo deve stabilire se vi è Usual Interstitial Pneumoniae (UIP), ovvero presenza di pattern istopatologici tipici della malattia, e valutarne l'estensione, correlata con la gravità delle alterazioni fisiologiche. Tuttavia, l'incidenza rara delle interstiziopatie fa sì che non tutti i radiologi abbiano un grado di esperienza adatto a individuare visivamente l'anomalia. Inoltre, la malattia si diffonde lungo tutti i polmoni e la segmentazione manuale risulta faticosa. Nel tentativo di rimediare alla variabilità intra- ed inter-osservatore, sono state sviluppate tecniche per il riconoscimento automatico dei pattern UIP; vi sono approcci basati sull'analisi dell'istogramma e della texture dell'immagine ma, dal momento che i classificatori sono stati addestrati su label definite da operatori clinici diversi, presentano comunque un bias che è causa di identificazioni errate, o mancate, dei pattern. Il deep learning, invece, si distingue dalle tecniche tradizionali perché fornisce strumenti che imparano autonomamente a classificare i dati. L'obiettivo del lavoro è stato, quindi, progettare e sviluppare la UIP-net, una rete neurale convoluzionale ad-hoc per la segmentazione automatica dei pattern UIP in immagini HRCT di pazienti con Fibrosi Idiopatica Polmonare (IPF), che è una sotto-categoria delle ILD.
2020
Istituto di Scienza e Tecnologie dell'Informazione "Alessandro Faedo" - ISTI
Image Processing
Convolutional Neural Network
Medical Imaging
Segmentation
Deep Learning
Artificial Intelligence
File in questo prodotto:
File Dimensione Formato  
prod_425257-doc_156414.pdf

accesso aperto

Descrizione: Analisi di immagini tomografiche ad alta risoluzione attraverso reti neurali convoluzionali per lo studio delle interstiziopatie polmonari
Dimensione 1.44 MB
Formato Adobe PDF
1.44 MB Adobe PDF Visualizza/Apri

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14243/408622
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact