Classical deep learning segmentation methods for 3D medical imaging

In medical imaging, a field experiencing a fast and steady evolution, segmentation methods are pivotal in enhancing diagnostic accuracy, especially within 3D medical imaging such as Magnetic Resonance Imaging (MRI). This thesis delves into the comparative analysis of classical and deep learning segmentation methods applied to MRI scans, focusing on bone segmentation. The study reveals the challenges and limitations inherent in segmenting the vertebral column. Despite failing to outperform existing methods, it presents a non-deep learning approach that offers valuable insights into algorithmic constraints and potential improvements. Moreover, this thesis shows the preliminary steps towards a future where developing a neural network capable of detecting complex diseases such as multiple myeloma could be possible, promising significant clinical impact. By offering a comprehensive review of state-of-the-art segmentation techniques and introducing a standard algorithmic perspective, this thesis contributes to advancing medical imaging segmentation, laying the groundwork for future breakthroughs in the early detection and diagnosis of complex diseases.

Nella diagnostica per immagini, un campo che sta vivendo un'evoluzione rapida e costante, i metodi di segmentazione ricoprono un ruolo fondamentale nel migliorare l'accuratezza diagnostica, specialmente nell'ambito della strumentazione per produrre immagini 3D come la Risonanza Magnetica (MRI). Questa tesi si addentra nell'analisi comparativa tra metodi di segmentazione classici e basati sul deep learning applicati a scansioni MRI, concentrando l'attenzione sulla segmentazione ossea. Lo studio rivela le sfide e le limitazioni intrinseche nella segmentazione della colonna vertebrale. Nonostante non riesca a superare i metodi esistenti in termini di prestazioni, viene presentato un approccio non basato sul deep learning che offre preziosi spunti sulle limitazioni algoritmiche e su potenziali miglioramenti. Inoltre, questa tesi mostra i passi preliminari verso un futuro in cui potrebbe essere possibile sviluppare una rete neurale capace di rilevare malattie complesse come il mieloma multiplo, promettendo un significativo impatto clinico. Offrendo una revisione completa delle tecniche di segmentazione all'avanguardia e introducendo una alternativa algoritmica standard, questa tesi contribuisce a far progredire la ricerca sulla segmentazione nella diagnostica per immagini, gettando le basi per future scoperte nella rilevazione precoce e diagnosi di malattie complesse.