Analisi di immagini del tessuto prostatico in Risonanza Magnetica multiparametrica

INTRODUZIONE. In campo oncologico la Risonanza Magnetica multiparametrica (RMmp) sta diventando sempre più importante in quanto sequenze multiple, quali T2 e DWI, permettono di rilevare la presenza di tumore, ovvero di zone ipo-iper-intense rispetto al tessuto circostante. L’analisi delle immagini mediante tecniche di texture analysis può essere utilizzata per cercare dei potenziali biomarker che aiutino il radiologo nella diagnosi svolgendo un ruolo di second opinion per detection e diagnosis di una lesione ancor prima di aver eseguito la biopsia. MATERIALI E METODI. In questa Tesi sono state analizzate le sequenze T2 e DWI di RMmp-3T per identificare le neoplasie prostatiche mediante tecniche di texture analysis con estrazione di feature su patch locali centrate sui pixel d’interesse, la cui distribuzione spaziale è stata visualizzata ed analizzata mediante colormap su cui è stato applicato un algoritmo di segmentazione automatica. Sono state calcolate sette feature e per ciascuna nove descrittori statistici. RISULTATI. Dalla feature più significativa (entropia) nel caratterizzare l’eterogeneità del tessuto, sono state rilevate automaticamente le lesioni e confrontate con quelle segmentate manualmente dal medico, valutando mutualmente le performance ottenute (lesioni rilevate nel 96.55% dei casi con una media del 72.42% di lesioni con il radiologo come ground-truth e con una media del 53.33% di lesioni viceversa). Le feature locali risultano inoltre ben correlate con i biomarker clinici per la stratificazione delle lesioni (ρ=0.695 tra Skewness della Media e PSALT e ρ=0.790 tra la Kurtosi della Mediana e PSALT). CONCLUSIONI. I risultati ottenuti incoraggiano futuri approfondimenti nello studio della texture analysis che deve comprendere un’analisi multiparametrica di tutte le feature ed essere estesa a tutte le sequenze disponibili dalla RMmp. La metodologia sviluppata ha le caratteristiche per embrionali di un sistema di Computer Aided Detection/Diagnosis (CAD)