Ottimizzazione di un metodo di segmentazione di stent coronarici da immagini paziente-specifiche di tomografia a coerenza ottica

The most common cardiac pathology is atherosclerosis, which consists of the accumulation of atherosclerotic plaques along the internal wall of the artery. Currently, OCT (Optical Coherence Tomography) is one of the imaging technique used to obtain realistic models. Due to its high resolution images, 10 times higher than other imaging techniques, it allows to identify both the lumen and the sections of the stent (strut) with high precision. For the creation of 3D computational models, automatic or semi-automatic segmentation algorithms of OCT images were developed. In the present work a segmentation method of patient-specific OCT images is applied, previously tested and validated in vitro. The goal is to understand how the parameters of this identification algorithm, optimized for in vitro images, must be modified to improve the segmentation of in vivo OCT images. In particular, an optimization algorithm is implemented to identify a set of parameters related to strut segmentation that optimizes index similarity. The implementation of an optimization algorithm, performed with a genetic algorithm, allowed to automatically find a set of parameters that optimizes the Jaccard index, relative to the segmentation of the sections of the stent. The results show that both sets of parameters allow us to identify the struts, with acceptable similarity indices. The segmentation obtained through the set of optimized parameters improves the performance, confirming what is visible through the qualitative analysis of the images obtained by the segmentation algorithm.

La patologia cardiaca più comune è l’aterosclerosi, che consiste nell'accumulo di placche aterosclerotiche lungo la parete interna dell'arteria. La tecnica di imaging attualmente usata per ottenere modelli computazionali 3D il più possibile realistici è la tomografia a coerenza ottica (OCT, Optical Coherence Tomography), che permette di ottenere immagini ad alta risoluzione, circa 10 volte superiore alla risoluzione ottenuta attraverso altre tecniche di imaging. Per la creazione di tali modelli, sono stati sviluppati algoritmi automatici o semi-automatici di segmentazione a partire da immagini OCT. Nel presente lavoro viene applicato un metodo di segmentazione di immagini paziente-specifiche di OCT, precedentemente sviluppato e validato in vitro. È stato implementato un algoritmo di ottimizzazione, con l’obiettivo di ottimizzare i parametri dell’algoritmo di identificazione e migliorare l’identificazione delle strut dello stent. L’implementazione di un algoritmo di ottimizzazione, effettuata con un algoritmo genetico, ha permesso di trovare automaticamente un set di parametri che ottimizza l’indice di Jaccard, relativo alla segmentazione delle sezioni dello stent. I risultati mostrano che entrambi i set di parametri permettono di identificare le strut, con indici di similarità accettabili. In conclusione, la segmentazione delle sezioni dello stent, ottenuta attraverso il set di parametri ottimizzati, presenta una performance migliore, confermando quanto visibile attraverso l’analisi qualitativa delle immagini ottenute dall’algoritmo di segmentazione.