Deep learning applicato all’ambito endovascolare

SSD: MED/22 – Chirurgia vascolare
Responsabile della ricerca: Giovanni Spinella

Descrizione

Negli ultimi anni il deep learning ha raggiunto performances notevoli in svariati task legati all’imaging medico. Queste tecniche di intelligenza artificiale, infatti, possono essere applicate in contesti diversi: classificazione di immagini, detection e segmentazione di strutture di interesse. L’utilizzo di queste tecniche automatiche permette di rimuovere la variabilità intra ed inter-operatore, rendendo i risultati ottenuti riproducibili, e di velocizzare alcune procedure che sono time-consuming. In questo contesto, l’obiettivo del nostro studio è quello di utilizzare tecniche di deep learning (DL) per supportare le maggiori fasi della procedura endovascolare.
Più nel dettaglio:

  • Fase preoperatoria: sviluppo di tecniche di DL per segmentare automaticamente il lumen aortico e il trombo dal volume TAC. Il modello di deep learning viene addestrato per permettere una segmentazione veloce e accurata delle strutture di interesse. Tale modello permette di estrarre informazioni geometriche necessarie per il planning dell’intervento endovascolare.
  • Fase intraoperatoria: in questo contesto il DL viene utilizzato per predire le deformazioni aortiche intra-operatorie causate dall’inserimento di una guida rigida all’interno delle iliache. Il modello viene addestrato sui risultati forniti dalla simulazione ad elementi finiti.
  • Fase postoperatoria: il modello di segmentazione sviluppato per la fase preoperatoria viene esteso per l’analisi di pazienti con esami di follow-up. In questa fase vengono effettuate delle analisi comparative tra diversi followup, in modo da valutare le eventuali modifiche anatomiche e stabilire l’efficacia del trattamento.

Pubblicazioni:
1. Fantazzini, A., Esposito, M., Finotello, A. et al. 3D Automatic Segmentation of Aortic Computed Tomography Angiography Combining Multi-View 2D Convolutional Neural Networks. Cardiovasc Eng Tech 11, 576–586 (2020).
https://doi.org/10.1007/s13239-020-00481-z

Ultimo aggiornamento 25 Luglio 2024