Quantitative approaches to image-based structural and functional analysis of airways and lung

The tracheobronchial tree is a complex, asymmetric branching system structurally and functionally interconnected with the lung parenchyma. The onset and development of several airways and lung pathologies, together with thoracic surgeries, can lead to significant morphological alterations impacting functionality. Computed tomography (CT) and pulmonary function tests (PFTs) are the current clinical gold standards to evaluate morphological and functional changes, respectively. Traditionally, these two techniques present limitations: CT imaging only provides qualitative information and relies on the clinician's expertise, whereas PFTs require patient cooperation and provide a global average at-mouth evaluation of pulmonary function. Over the last decades, an increased interest in quantitative techniques to provide objective and local information, possibly coupled with functional evaluation, has arisen. This thesis explores two different and complementary image-based quantitative approaches to airways structural-functional characterization: computational fluid dynamics (CFD) and deep learning. CFD has been applied for evaluating the effects of pulmonary lobectomy surgery where the re-adaptation of the remaining lung structures determines significant functional variations discernible at the level of large airways. The use of CFD in pulmonary lobectomy cases allows to directly couple structural and functional analysis providing clinically relevant information for operability evaluation and the development of personalized postoperative respiratory rehabilitation. The deep learning approach was based on convolutional neural networks to automatically recognize and classify pathological patterns at the small airways and the lung parenchyma level. Two selected pathologies have been analyzed: bronchiectasis and chronic hypersensitivity pneumonitis. This technique is based on textural information on the raw image and allows to address the analysis of the airways generations that would not be possible to reconstruct individually. Deep learning can be a reliable, automated tool for diagnosing pathologies and monitoring their progression. This thesis project allows an enhanced understanding of airway morphological and functional alterations induced by pathologies and thoracic surgery

L'albero tracheobronchiale è un complesso sistema di ramificazioni asimmetriche strutturalmente e funzionalmente interconnesse con il parenchima polmonare. L'insorgenza e lo sviluppo di diverse patologie delle vie aeree e dei polmoni e gli interventi chirurgici toracici, possono portare a significative alterazioni morfologiche con conseguenze sulla funzionalità fisiologica. La tomografia computerizzata (CT) e i test di funzionalità polmonare (PFT) sono attualmente standard clinici di riferimento per valutare, rispettivamente, i cambiamenti morfologici e funzionali. Tradizionalmente, queste due tecniche presentano delle limitazioni. La tomografia computerizzata fornisce solo informazioni qualitative e si basa sulla competenza del clinico, mentre i PFT richiedono la collaborazione del paziente e forniscono una valutazione globale misurata a livello della bocca della funzionalità polmonare. Negli ultimi decenni, è sorto un crescente interesse per le tecniche quantitative per fornire informazioni oggettive e localizzate, possibilmente accoppiate alla valutazione funzionale. Questa tesi esplora due diversi e complementari approcci quantitativi per la caratterizzazione strutturale-funzionale delle vie aeree: la fluidodinamica computazionale (CFD) e il deep learning. La CFD è stata applicata per valutare gli effetti dell'intervento di lobectomia polmonare dove il riadattamento delle strutture polmonari rimanenti determina significative variazioni funzionali distinguibili anche a livello delle vie aeree di maggiore calibro. L'uso della CFD nei casi di lobectomia polmonare permette di accoppiare direttamente l'analisi strutturale e funzionale fornendo informazioni clinicamente rilevanti per la valutazione dell'operabilità e lo sviluppo di una riabilitazione respiratoria post-operatoria personalizzata. L'approccio di deep learning è stato basato su reti neurali convoluzionali per riconoscere e classificare automaticamente le caratteristiche patologiche a livello delle piccole vie aeree e del parenchima polmonare. Sono state analizzate due patologie selezionate: le bronchiectasie e la polmonite cronica da ipersensibilità. Questa tecnica si basa su informazioni dell’ immagine e permette di affrontare l'analisi delle generazioni delle vie aeree più profonde che non sarebbe possibile ricostruire individualmente. Il deep learning può essere uno strumento affidabile e automatizzato per diagnosticare le patologie e monitorare la loro progressione. Questo progetto di tesi permette una migliore comprensione delle alterazioni morfologiche e funzionali delle vie aeree indotte dalle patologie e dalla chirurgia toracica.