A novel report for automatic quantification of lumbar spine disease basen on Artificial Convolutional Neural Network

Nowadays many patients suffer from spinal disorders due to several factors such as improper posture, advanced age, and genetic predisposition. The onset of the disease is not always simply diagnosable, which leads to a subsequent degeneration of the patient's condition. To date, the diagnostic process of these disorders is based on the clinician's interpretation of radiological images without any other supporting tools. The diagnosis of radiological image is a time-consuming process and suffers from significant inter and intra-observer variability (among even well-trained, experienced radiologists) that compromises the correct diagnosis process. In the last years several algorithms that allow automatic and standardized measurement of lumbar pathologies analyzing radiological images, were introduced to assist the clinician in the decisional process. In our thesis, we propose a novel method of semi-automatic diagnosis of radiological images of the lumbar section to support the physician's decisional process. The process is based on a segmentation of radiological images using artificial neural networks (ANNs) and followed by quantitative analysis with extraction of parameters aimed at helping the physician for the diagnosis of four specific pathologies: spinal alignment, lordosis, spondylolisthesis, and stenosis. We have constructed the dataset for training with a semi-automatic thresholding process followed by a manual correction on CT image acquired from Humanitas Rozzano Hospital. Then a 3D U-Net was used as the architecture for segmentation. The results of the network are used in a reporting algorithm obtaining in this way a document useful for the clinician. A set of parameters of the neural network and their respective performances have been evaluated and among all the architecture studied, the best one that have the following parameters : feature maps of 32,64, 128, 256, 512. and learning rate of 10^-3,reached a dice score of 71%, with a training time of 11 minutes for epoch (1015 samples). Regarding the extraction of clinically useful features through the quantitative analysis of the segmentations, a good correlation was obtained between the automatic measurements and those conducted by the doctor. In particular, the Pearson correlation coefficient obtained is approximately 93% associated with a p-value lower than 0.05 that highlights high correlation. Results are very promising and can be improved especially in segmentation by looking for a network with a better dice coefficient.

Al giorno d'oggi molti pazienti soffrono di disturbi alla colonna vertebrale a causa di diversi fattori, come la postura scorretta, l'età avanzata e la predisposizione genetica. L'insorgenza della malattia non è sempre semplicemente diagnosticabile, il che porta a una successiva degenerazione delle condizioni del paziente. Ad oggi, il processo diagnostico di questi disturbi si basa sull'interpretazione delle immagini radiologiche da parte del medico, senza altri strumenti di supporto. La diagnosi delle immagini radiologiche è un processo che richiede molto tempo e soffre di una significativa variabilità inter e intra-osservatore (anche tra radiologi esperti e ben addestrati) che compromette il corretto processo diagnostico. Negli ultimi anni sono stati introdotti diversi algoritmi che consentono di misurare in modo automatico e standardizzato le patologie lombari analizzando le immagini radiologiche, per assistere il medico nel processo decisionale. Nella nostra tesi, proponiamo un nuovo metodo di diagnosi semi-automatica delle immagini radiologiche del tratto lombare per supportare il processo decisionale del medico. Il processo si basa su una segmentazione delle immagini radiologiche mediante reti neurali artificiali (RNA), seguita da un'analisi quantitativa con l'estrazione di parametri volti ad aiutare il medico nella diagnosi di quattro patologie specifiche: allineamento spinale, lordosi, spondilolistesi e stenosi. Abbiamo costruito il dataset per l'addestramento con un processo di thresholding semi-automatico seguito da una correzione manuale su immagini TC acquisite dall'ospedale Humanitas di Rozzano. Poi è stata utilizzata una rete U 3D come architettura per la segmentazione. I risultati della rete vengono utilizzati in un algoritmo di refertazione ottenendo così un documento utile per il medico. Sono stati valutati una serie di parametri della rete neurale e le rispettive prestazioni e, tra tutte le architetture studiate, la migliore che presenta i seguenti parametri: mappe di caratteristiche di 32, 64, 128, 256, 512. e tasso di apprendimento di 10^-3, ha raggiunto un punteggio di dado del 71%, con un tempo di addestramento di 11 minuti per epoch (1015 campioni). Per quanto riguarda l'estrazione di caratteristiche clinicamente utili attraverso l'analisi quantitativa delle segmentazioni, è stata ottenuta una buona correlazione tra le misurazioni automatiche e quelle effettuate dal medico. In particolare, il coefficiente di correlazione di Pearson ottenuto è di circa il 93% associato a un valore di p-value inferiore a 0,05 che evidenzia un'elevata correlazione. I risultati sono molto promettenti e possono essere migliorati soprattutto nella segmentazione, cercando una rete con un coefficiente di dadi migliore.