A novel approach for lumen identification and semi-autonomous navigation in optical colonoscopy

Colorectal cancer (CRC) remains a significant public health concern due to its high incidence and mortality rates. Effective early detection through screening methods such as optical colonoscopy (OC) is crucial for reducing CRC mortality. This thesis presents the development and evaluation of a deep learning (DL)-based algorithm for lumen detection, aimed at enhancing autonomous navigation in magnetic flexible endoscopy (MFE). The primary motivation is to improve diagnostic accuracy and reduce patient discomfort during colonoscopy procedures. DL models, specifically UNet and DeepLabv3+, were trained on a dataset of synthetic OC images. These networks were designed to segment the colon lumen accurately, providing essential input for the MFE control algorithm. The DL-based algorithm demonstrated notable improvements in metrics such as the Fully Autonomous Navigation Index (FANI), Mean Smoothing Index (MSI), and Detection Index (DI). Despite occasional localization errors and dataset constraints, the DL method significantly improved navigation within the colon, aiding doctors in diagnosis. Future research should focus on larger, more diverse datasets and refine the localization algorithm to enhance the model's robustness. Extending the approach to multiclass segmentation, leveraging a dataset created for this purpose, can provide richer output information, facilitating 3D trajectory estimation for better control algorithm orientation. The contributions of this work underscore the potential of DL-based autonomous endoscopic navigation systems to revolutionize CRC screening, offering a promising direction for further development and clinical application.

Il cancro del colon-retto (CRC) ha un impatto molto elevato sulla salute pubblica a causa dei suoi elevati tassi di incidenza e mortalità. Una diagnosi precoce ed efficace mediante metodi di screening come la colonscopia ottica (OC) permetterebbe di ridurre la mortalità da CRC. Questa tesi propone lo sviluppo e la valutazione di un algoritmo basato su deep learning (DL) per la rilevazione del lume, mirato a migliorare la navigazione autonoma nell'endoscopia flessibile magnetica (MFE). L'obiettivo principale è migliorare l'accuratezza diagnostica e ridurre il disagio del paziente durante le procedure di colonscopia. I modelli di DL, in particolare UNet e DeepLabv3+, sono stati addestrati su un dataset di immagini sintetiche tratte da OC. Queste reti sono state progettate per segmentare con precisione il lume del colon, fornendo input essenziali per l'algoritmo di controllo della MFE. L'algoritmo basato su DL ha mostrato miglioramenti significativi in metriche come l'Indice di Navigazione Autonoma Completa (FANI), l'Indice di Smoothing Medio (MSI) e l'Indice di Rilevamento (DI). Nonostante occasionali errori di localizzazione e un dataset di dimension ridotte, il metodo DL ha migliorato significativamente la navigazione all'interno del colon, assistendo i medici nella diagnosi. In future la ricerca dovrebbe concentrarsi sulla creazione di dataset più ampi e diversificati e sul perfezionamento dell'algoritmo di localizzazione per migliorare la robustezza del modello. Estendere l'approccio alla segmentazione multiclasse, facendo leva su un dataset creato per questo proposito, può fornire informazioni di output più dettagliate, facilitando la stima della traiettoria 3D per un miglior orientamento dell'algoritmo di controllo. I contributi di questo lavoro evidenziano il potenziale dei sistemi di navigazione endoscopica autonomi basati su DL per rivoluzionare lo screening del CRC, offrendo una direzione promettente per ulteriori sviluppi e applicazioni cliniche.