MRI and CT segmentation with deep learning using multi-slice inputs

Magnetic Resonance Imaging (MRI) and Computed Tomography (CT) are two of the most widely employed applications of "medical imaging" for diagnostic purposes, a procedure aimed at revealing biological internal structures hidden to the naked eye by the skin, tissues and bones. Detecting in-body objects such as tumors or organs via MRI and CT is a time- and expertise-demanding process, prone to operator-induced bias also. Therefore, automatization of such procedure has recently become of strong interest for the medical community. Of peculiar usefulness in the framework of automatic classification are Deep Learning algorithms like, e.g., Convolutional Neural Network (CNN). Although CNNs employing 2-dimensional (2D) MRI/CT scans have already found relatively wide applications, novel methods beyond the 2D give the possibility to deploy a more accurate tool of support to the medical personnel. In this work, two examples of CNN (Unet and Segnet) are built and compared by exploiting open-access real medical datasets. In general terms, such comparison involves the mainstream 2D and the novel 2.5D approach, the latter allowing to suitably retain pieces of 3D information at a more affordable computational cost if compared to a full 3D method. In particular, three different 2.5D approaches (two already-developed and a novel one) are employed. All the models are trained and evaluated on eight different datasets using proper metrics, e.g. Dice Score and Hausdorff Distance, to assess the quality of the generated segmentation. Results show a clear trend, consisting of the 2.5D methods outperforming their 2D counterpart, with the novel method standing out with respect to the other two approaches in most of the cases. Furthermore, Unet results to be more appropriate when MRI scans are taken into consideration while Segnet seems to be more appropriate with CT scans. Results also highlight the helpfulness of medical-imaging-oriented CNN architectures in advising doctors in the process of detecting organs or cancerous tissues in MRI and CT.

Le Risonanze Magnetiche(RM) e le Tomografie Computerizzate(TC) sono due delle applicazioni più utilizzate di "diagnostica per immagini biomediche" per fini diagnostici, una procedura volta a rivelare le strutture interne biologiche nascoste ad occhio nudo dalla pelle, dai tessuti e dalle ossa. Il rilevamento di oggetti nel corpo come tumori o organi tramite RM e TC è un processo che richiede tempo e competenze, soggetto anche a pregiudizi indotti dall'operatore. Pertanto, l'automazione di tale procedura è diventata di recente di forte interesse per la comunità medica. Gli algoritmi di Apprendimento Profondo come, ad esempio, le Reti Neurali Convoluzionali(RNC) sono di particolare utilità nell'ambito della classificazione automatica. Sebbene le RNC che utilizzano scansioni RM/TC bidimensionali (2D) abbiano già trovato applicazioni relativamente ampie, nuovi metodi oltre al 2D danno la possibilità di implementare uno strumento di supporto più accurato per il personale medico. In questo lavoro, due esempi di RNC (Unet e Segnet) sono presi in esame e confrontati sfruttando insiemi di dati medici reali ad accesso aperto. In termini generali, tale confronto coinvolge il 2D tradizionale e un nuovo approccio 2.5D, che consente di conservare adeguatamente parti di informazioni 3D a un costo computazionale più accessibile rispetto a un metodo 3D completo. In particolare, vengono impiegati tre diversi approcci 2.5D (due già sviluppati e uno nuovo). Tutti i modelli vengono addestrati e valutati su otto diversi insiemi di dati utilizzando metriche appropriate, ad es. Indice di similarità e la distanza di Hausdorff, per valutare la qualità della segmentazione generata. I risultati mostrano una chiara tendenza, consistente nei metodi 2.5D che superano la loro controparte 2D, con il nuovo metodo che si distingue rispetto agli altri due approcci nella maggior parte dei casi. Inoltre, Unet risulta essere più appropriato quando si prendono in considerazione le scansioni di RM mentre Segnet sembra essere più appropriato con le scansioni TC. I risultati evidenziano anche l'utilità delle architetture RNC orientate alla diagnostica per immagini biomediche nel consigliare i medici nel processo di rilevamento di organi o tessuti cancerosi nelle RM e nelle TC