Sviluppo di un algoritmo di deep learning per la segmentazione automatica di lesioni intraparenchimali ed edema cerebrale

The current standard for diagnosis and monitoring of patients in intensive care unit with traumatic brain injury is the analysis of images from computed axial tomography scans. Thanks to the CREACTIVE European project it was possible to develop a deep learning model for the automatic segmentation of intraparenchymal lesions and cerebral edema to support the physician in the diagnosis and monitoring of the injury. The distinguishing feature of this project is that it is a perspective and multicentric observational study, making possible to gather an extended dataset composed by 3.549 CT series of 1.004 patients. 604 CT series were manually segmented by neuroradiologists, and were employed in the creation of the dataset used in the development of the model. The U-net architecture, trained with a loss function based on the Dice similarly coefficient and the use of an ensamble of networks trained with 2D and 3D input, allowed to reach a an average Dice coefficient of 0.70 when segmenting the injury and 0.55 on the edema, when evaluated on a test dataset comprising 135 CT series.

L’analisi di immagini provenienti da tomografia assiale computerizzata è l’attuale standard per la diagnosi e il monitoraggio di pazienti con trauma cranico in terapia intensiva. Grazie alla partecipazione al progetto europeo CREACTIVE è stato possibile sviluppare un algoritmo di deep learning per la segmentazione automatica di lesioni intraparenchimali e dell’edema cerebrale al fine di supportare il medico per la diagnosi e il monitoraggio della patologia. La peculiarità del progetto è quella di essere uno studio osservazionale prospettico e multicentrico, ciò ha reso possibile la raccolta di un insieme esteso di CT, composto da 3.549 serie di 1.004 pazienti. La segmentazione manuale di 604 serie CT effettuata da neuroradiologi è stata utilizzata per la creazione del dataset impiegato nello sviluppo del modello. L’architettura U- net addestrata mediante una loss function basata sul coefficiente di similarità Dice e l’utilizzo di due modelli allenati con input 2D e 3D, hanno permesso il raggiungimento di un coefficiente Dice medio di 0.70 per la segmentazione della lesione e di 0.55 per l’edema, valutati sul dataset di test di 135 serie.