Differentiating benign from malignant solid bone tumors of the spine : the convolutional neural network approach

This thesis aims to verify the effectiveness and accuracy of deep learning approaches applied to magnetic resonance imaging (MRI) to carry out a classification of tumors in the spine. The dataset used was provided by the IRCCS Galeazzi Orthopedic Institute, and it included 102 patients with tumors (23 benign, 38 primary malignant and 41 metastasic). MRI included T2-weighted (T2w) images and apparent diffusion coefficient (ADC) maps. After image preprocessing, two preliminary experiments were performed on T2w images to choose the best architecture (VGG16, DenseNet or Xception) and best use of the region of interest (ROI). After that, several models have been proposed, including Benign vs Malignant and Benign vs Primary Malignant vs Metastasis, which have been obtained either by direct training or by combining different binary models (Benign Vs Primary Malignant and Benign Vs Metastasis). The best results for Benign Vs Malignant classification in T2w images were obtained using the Xception architecture and without the need of ROI-enhancement, by combining the probabilities of the two binary models (mean accuracy: 0.901). The same type of model trained on ADC maps gave slightly worse results (mean accuracy: 0.852). No model was good for 3-class classification. In conclusion, the results obtained in the thesis open up possibilities in the future application of deep learning in oncology. Key-words:

Il deep learning sta diventando uno strumento sempre più utilizzato grazie alla sua grande capacità di adattamento e, in ambito medico, di gestire grandi quantità di dati. Questa tesi ha l'obiettivo di verificare l'efficacia e l'accuratezza degli approcci di deep learning applicati alle immagini di risonanza magnetica (MRI) in campo medico-oncologico per effettuare una classificazione di tumori alla colonna vertebrale. Il dataset, diviso in tre classi (Benigni, Maligni Primari e Metastasi), è stato fornito dall’IRCCS Istituto Ortopedico Galeazzi di Milano. In particolare, lo studio in questione ha utilizzato tre metodi di reti neurali convoluzionali quali VGG16, Densenet169 e Xception applicati a immagini T2W e ADC. Sono stati proposti diversi modelli, tra cui Benigni vs Maligni e Benigni vs Maligni primari vs Metastasi; i quali sono stati addestrati in fase di training ad effettuare tale classificazione, oppure ottenuti dalla combinazione di diversi modelli binari (Benigni Vs Maligni Primari e Benigni Vs Metastasi). È stato verificato, inoltre, quale fosse il miglior utilizzo della regione di interesse; tra gli approcci proposti, immagine non mascherata, immagine mascherata e immagine zoomata sulla regione di interesse, il primo è risultato essere il più accurato. Si è giunti alla conclusione che l'utilizzo combinato di diversi modelli binari garantisce una migliore classificazione rispetto all'addestramento del modello nella fase di training. Infine, lo studio ha concluso che l'impiego di immagini T2W, senza utilizzare la regione di interesse, permette di ottenere un modello in grado di classificare meglio i tumori rispetto all'uso di immagini ADC, vista la bassa qualità di queste ultime.