Improving the robustness of deep-learning models in lung segmentation : generating CT image pairs at different inflation levels with dense lung lesions for data augmentation

This Master's thesis focuses on enhancing the performance of a segmentation model in medical imaging for Acute Respiratory Distress Syndrome (ARDS) by augmenting the training dataset with synthetic CT images of the lungs to increase data variability. Specifically, the goal is to generate an ARDS CT image in the inspiration state of the lung with its associated segmentation mask, from a given true image in the expiration state. This research is relevant as it addresses critical challenges in medical imaging, particularly in handling complex and less well-represented cases such as severe ARDS, where data scarcity and variability are significant issues. Generating an accurate image of the lungs in the inspiration state from a true expiration state image is challenging due to several factors. Biologically, the transition from expiration to inspiration involves complex anatomical and physiological changes that are difficult to model precisely, including variations in air distribution, tissue mechanics, and chest wall movement. Additionally, producing the true segmentation mask of the synthetic inspiration image generated adds another layer of complexity. To address these challenges, this thesis introduces a modified U-Net-like architecture that predicts a transformation field for deforming the lung from an expiration state to an inspiration state. This approach maps both the input image (lung at expiration) and its corresponding segmentation mask through the transformation field to generate synthetic images and masks for the inspiration state. Additionally, intensity adjustments are applied based on the Jacobian determinant of the deformation field to ensure mass conservation, aiming to correct tissue volume and intensity shifts, thus improving the biological plausibility of the generated images. Various metrics were employed to evaluate the plausibility and quality of the synthetic images and their corresponding segmentation masks. However, the most definitive validation will come from retraining the segmentation model with the synthetic data and evaluating its performance. This crucial step has yet to be completed and will provide the ultimate test of the utility and impact of the synthetic images on model performance.

Questa tesi di laurea magistrale si concentra sul miglioramento delle prestazioni di un modello di segmentazione nelle immagini mediche per la Sindrome da Distress Respiratorio Acuto (ARDS) mediante l’aumento del set di dati di addestramento con immagini TC sintetiche dei polmoni per aumentare la variabilità dei dati. In particolare, l'obiettivo è generare un'immagine TC di un polmone affetto da ARDS in stato di inspirazione, insieme alla sua maschera di segmentazione associata, partendo da un’immagine reale in stato di espirazione. Questa ricerca è rilevante poiché affronta sfide critiche nell'imaging medico, in particolare nel gestire casi complessi e meno rappresentati come quelli di ARDS grave, dove la scarsità e la variabilità dei dati rappresentano problemi significativi. Generare un'immagine accurata dei polmoni in stato di inspirazione a partire da un’immagine reale in stato di espirazione è difficile a causa di diversi fattori. Biologicamente, il passaggio dall’espirazione all’inspirazione comporta cambiamenti anatomici e fisiologici complessi che sono difficili da modellare con precisione, tra cui variazioni nella distribuzione dell'aria, nella meccanica del tessuto e nel movimento della parete toracica. Inoltre, produrre la vera maschera di segmentazione per l'immagine di inspirazione sintetica generata aggiunge un ulteriore livello di complessità. Per affrontare queste sfide, questa tesi introduce un’architettura modificata simile a U-Net, che prevede un campo di trasformazione per deformare il polmone dallo stato di espirazione a quello di inspirazione. Questo approccio applica la mappatura sia dell'immagine in ingresso (polmone in espirazione) che della sua maschera di segmentazione corrispondente attraverso il campo di trasformazione per generare immagini e maschere sintetiche per lo stato di inspirazione. Inoltre, vengono applicati aggiustamenti di intensità basati sul determinante del Jacobiano del campo di deformazione per garantire la conservazione della massa, al fine di correggere i volumi dei tessuti e gli spostamenti di intensità, migliorando così la plausibilità biologica delle immagini generate. Sono state impiegate varie metriche per valutare la plausibilità e la qualità delle immagini sintetiche e delle loro maschere di segmentazione associate. Tuttavia, la validazione più definitiva sarà ottenuta rieducando il modello di segmentazione con i dati sintetici e valutandone le prestazioni. Questo passaggio cruciale deve ancora essere completato e fornirà il test definitivo dell'utilità e dell'impatto delle immagini sintetiche sulle prestazioni del modello.