A novel tomographic approach for an early detection of multiple myeloma progression

The pivotal role of research in the medical field has been profoundly highlighted by recent events. Many rare diseases due to their low incidence have not received adequate and modern technology to support them, one of which is Multiple Myeloma. This pathology covers 1% of all cancer cases and for this reason doctors still do not have tools capable of facilitate and accelerate the diagnosis and follow-up process. The aim of this study is to propose modern Image Processing methodologies to support the physician for the identification of courses on lesions caused by Multiple Myeloma, these lesions are in fact the most effective feature to evaluate the course of the disease so as to guide and support the patient appropriately. The key points of this thesis are therefore the development of advanced algorithms to simplify the diagnosis process which has been limited until now by the nature of the processes adopted. These processes consist in analysis carried out by the operator on each section of the patient, viewing each slice of the CT scans individually. This obviously causes an enormous investment of time with a result however limited by the doctor’s eye and by the visual support he adopts for the control of CT scans. The proposed algorithms are therefore able to increase the resolution of the evaluation allowing the possibility of spotting even the smallest variations which could be impossible to notice with current methods even by the eye of the most experienced doctor. The method developed in this work could be split in two main contributions, the sectioning algorithm and the alignment algorithm. The first has a dual purpose, to automate the process of selecting specific body parts from total CT scans to be applied to the alignment one and to support the process of creating a specific multiple myeloma dataset for a future application of deep learning based algorithms. The second algorithm, the alignment algorithm, has the purpose of making a perfect alignment between the bone volumes obtained from CT scans belonging to the same patient but carried out at different times in order to be able to compare them and provide visual information on the development of the lesions caused by Multiple Myeloma. The application of these algorithms has therefore confirmed the effectiveness of the proposed methods, in fact it has been possible to create an automatic sectioning process capable of isolating specific bone volumes in order to be supplied as input to the alignment algorithm. We have succeeded in producing data able to indicate whether a course of the lesion has occurred and to what extent. These results lay the foundations for future developments as they represent both an already performing application result but also tools aimed at developing a specific data set to be used for the development of automatic algorithms based on deep learning for future studies and applications related to Multiple Myeloma.

Mai come nell’ultimo anno l’uomo ha compreso l’importanza della ricerca in campo medico. Molte malattie rare a causa della loro bassa incidenza non hanno ricevuto una tecnologia adeguata e moderna a supporto, una di queste è il Mieloma Multiplo. Questa patologia copre l’1 % di tutti i casi di tumore e per questo ancora oggi i medici non dispongono di strumenti che possano facilitare e accelerare il processo di diagnosi e follow-up . L’obiettivo di questo studio è quello di proporre moderne metodologie di Image Processing a supporto del medico per l’individuazione di decorsi su lesioni causate da Mieloma Multiplo, queste lesioni infatti sono la caratteristica più efficace per valutare il decorso della malattia così da guidare e sostenere il paziente in modo appropriato. I punti cardine di questa tesi sono quindi lo sviluppo di algoritmi avanzati capaci di semplificare il processo di diagnosi fino ad ora limitato dalla natura stessa dei processi adottati, tali processi sono delle analisi effettuate dall’operatore su ogni sezione del paziente visionando singolarmente ogni slice delle scansioni TC. Questo ovviamente provoca un’enorme richiesta di tempo con un risultato comunque limitato dall’occhio del medico e dal supporto visivo che adotta per il controllo delle TC. Gli algoritmi proposti sono quindi in grado di aumentare le capacità della valutazione offrendo la possibilità di identificare anche le più piccole variazioni altresì impossibili da notare con le attuali metodiche anche per l’occhio del medico più esperto. Gli algoritmi sviluppati sono due, l’algoritmo di sezionamento e l’algoritmo di allineamento. Il primo ha un duplice scopo, quello di automatizzare il processo di selezione di specifiche parti del corpo dalle scansioni TC totali così da essere applicate all’algoritmo di allineamento e quello di supportare il processo di creazione di uno specifico set di dati sul mieloma multiplo per una futura applicazione di algoritmi basati su deep learning. Il secondo invece, l’algoritmo di allineamento, ha lo scopo di effettuare un perfetto allineamento tra i volumi ossei ottenuti da scansioni TC appartenenti allo stesso paziente ma effettuate in tempi diversi in modo da poterne effettuare il confronto e fornire informazioni visive sullo sviluppo delle lesioni causate dal Mieloma Multiplo. L’applicazione di questi algoritmi ha quindi confermato l’efficacia dei metodi proposti, infatti è stato possibile realizzare un processo di sezionamento automatico in grado di isolare volumi specifici in modo da poter essere forniti in input all’algoritmo di allineamento e produrre dati in grado di indicare se si è verificato un decorso della lesione e in che estensione. Questi risultati pongono le basi per sviluppi futuri in quanto rappresentano sia un risultato applicativo già performante ma anche strumenti finalizzati allo sviluppo di un data set specifico da utilizzare per lo sviluppo di algoritmi automatici basati su deep learning per futuri studi e applicazioni relative al Mieloma Multiplo.