Data-driven approaches for quantification of complex biomarkers from medical imaging

Context: Personalized precision medicine has been revolutionizing the healthcare industry with the widespread adoption of medical imaging techniques like CT and MRI. Medical imaging has moved beyond its traditional role as a diagnostic tool and has become a prevalent component in treatment planning, pathophysiology understanding and intra-procedural support. The increasing variety and amount of biomarkers and features that can be extracted from medical imaging has created the necessity to develop sophisticated tools that surpass consolidated radiomics approaches, improving upon automation, speed, and consistency. Machine learning (ML) methods hold the potential to greatly enhance these properties and provide advanced analysis of medical imaging data. Aim: In this thesis, we develop ML-based tools for analyzing medical images and extracting quantitative features for specific biomedical applications. The work focuses on automatic assessment of both anatomical and functional features and biomarkers using supervised and unsupervised learning approaches. Thesis structure: The present work is organized in two parts, each divided into chapters. Each chapter is based on a research article that has been either peer-reviewed and accepted for publication, or published as a pre-print and is currently under review. Part I: To address the critical need for accurate anatomical assessment in pre-procedural planning and intra-procedural support, the first part of the thesis focuses on leveraging supervised learning approaches to develop applications for automatic segmentation. We develop specialized tools to automatically calculate relevant geometric parameters for planning minimally invasive. Our convolutional neural networks achieve state-of-the-art 3D CT segmentation, including pathological cases. Part II: In the second part of the thesis, the focus shifts to the extraction of hemodynamic features in the ascending aorta, which is achieved through the use of unsupervised data-driven methods. We address the issue of scarcity of realistic boundary conditions for numerical simulations of blood flow in virtual clinical trials by building a 4D statistical shape model of blood flow velocity fields. In the final chapter, we show how denoising and super-resolution of blood flow images can be achieved through suitably designed coordinate-based multilayer perceptrons, surpassing state-of-the-art methods in both accuracy and speed of computation.

Contesto: La medicina di precisione personalizzata ha rivoluzionando il settore sanitario con l'adozione diffusa di tecniche di imaging medico come la tomografia computerizzata (TC) e la risonanza magnetica (RM). L'imaging medico è andato oltre il suo ruolo tradizionale di strumento diagnostico ed è diventato una componente centrale nella pianificazione del trattamento, nella comprensione della fisiopatologia e nel supporto intra-procedurale. La crescente varietà e quantità di biomarcatori e caratteristiche che possono essere estratti dalle immagini mediche ha creato la necessità di sviluppare strumenti sofisticati che superino gli approcci radiomici consolidati, migliorandone l'automazione, la rapidità e la ripetibilità. I metodi di machine learning (ML) hanno il potenziale per migliorare notevolmente queste proprietà e fornire un'analisi avanzata dei dati di imaging medico. Obiettivo: In questa tesi sviluppiamo strumenti basati sul ML per l'analisi di immagini mediche e l'estrazione di caratteristiche quantitative per specifiche applicazioni biomediche. Il lavoro si concentra sulla valutazione automatica di caratteristiche anatomiche e funzionali e di biomarcatori utilizzando approcci di ML supervisionati e non supervisionati. Struttura della tesi: Il presente lavoro è organizzato in due parti, ciascuna suddivisa in capitoli. Ogni capitolo si basa su un articolo di ricerca che è stato sottoposto a peer-review e accettato per la pubblicazione, oppure pubblicato come pre-print e attualmente in fase di revisione. Parte I: Per rispondere alla necessità critica di un'accurata valutazione anatomica nella pianificazione pre-procedurale e nel supporto intra-procedurale, la prima parte della tesi si concentra sullo sfruttamento di approcci di ML supervisionato per sviluppare applicazioni per la segmentazione automatica. Sviluppiamo strumenti specializzati per calcolare automaticamente i parametri geometrici rilevanti per la pianificazione di interventi mini-invasivi. Sviluppiamo reti neurali convoluzionali che raggiungono lo stato dell'arte nella segmentazione di TC 3D, compresi casi patologici. Parte II: Nella seconda parte della tesi, l'attenzione si sposta sull'estrazione di caratteristiche emodinamiche nell'aorta ascendente, ottenuta attraverso l'uso di metodi non supervisionati guidati dai dati. Affrontiamo il problema della scarsità di condizioni al contorno realistiche per le simulazioni numeriche del flusso sanguigno negli studi clinici virtuali, costruendo un modello statistico 4D dei campi di velocità del flusso sanguigno. Nel capitolo finale, mostriamo come sia possibile ridurre il rumore e migliorare la risoluzione delle immagini del flusso sanguigno attraverso multi-layer perceptrons opportunamente progettati, superando i metodi più avanzati sia in termini di accuratezza che di velocità di calcolo.