Deep learning-driven automated segmentation of Chondrosarcoma tumors in MRI images

Chondrosarcoma (CS), a rare malignant bone tumor, presents significant diagnostic challenges related to its detection and segmentation due to its complex appearance on MRI scans and variability between patients. This thesis explores the implementation of deep learning (DL) algorithms for CS segmentation in Magnetic Resonance Imaging (MRI) scans. The dataset comprises 99 MRI volumes, with 2981 slices in total, 1037 of which include a tumoral region. In the study, different segmentation models were implemented and assessed, including U-Net and its advanced variants (Residual U-Net, Inception U-Net), as well as Supervised Edge-Attention Guidance Network (SEAGNet), which uses attention mechanisms to enhance boundary detection. The segmentation models were trained, validated and tested using only the tumoral slices, and splitting them 70% for training, 15% for validation and 15% for test set. U-Net model was evaluated on the test set and it reached a Dice Score (DS) of 0.796 ± 0.300 and an Intersection over Union (IoU) of 0.662 ± 0.289 when averaging the DS and IoU of each slices; whereas it reached a DS of 0.678 ± 0.253 and an IoU of 0.560 ± 0.252 when averaging the values of DS and IoU across patients (without considering that each patient holds a different number of slices). SEAGNet model was evaluated on the same test set and it reached a DS of 0.847 ± 0.256 and an IoU of 0.735 ± 0.261 when averaging the DS and IoU of each slices; whereas it reached a DS of 0.774 ± 0.177 and an IoU of 0.659 ± 0.196 when averaging the values of DS and IoU across patient. As a result, SEAGNet, outperformed U-Net and its variants, particularly in challenging cases involving small or irregular tumors. Furthermore, the SEAGNet model was validated using an external dataset comprising 65 T1-weighted MRI scans of CS, achieving DS of 0.828 ± 0.175 and an IoU of 0.706 ± 0.178. These results underscore the model’s robustness and its consistent performance and generalization capability even when applied to previously unseen data. In conclusion, this study highlights how DL models can streamline clinical workflows, drastically reducing segmentation time, and potentially improving patient outcomes. Future work will focus on applying these models to higher-resolution images and different tumor types, and developing user-friendly interfaces for clinical adoption.

Il Condrosarcoma (CS), un raro tumore osseo maligno, presenta importanti sfide diagnostiche legate alla sua rilevazione e segmentazione a causa del suo complesso aspetto in immagini MRI e della variabilità intra-paziente. Questa tesi esplora l’implementazione di algoritmi di deep learning per la segmentazione di CS in scansioni MRI su un dataset di 99 volumi MRI, con 2981 immagini in totale, di cui 1037 tumorali. In questo studio, sono stati implementati e valutati vari modelli di segmentazione, tra cui U-Net e le sue varianti avanzate (Residual e Inception U-Net), e SEAGNet, una rete con meccanismi di attenzione utilizzati per migliorare il rilevamento dei confini tumorali. I modelli di segmentazione sono stati addestrati, validati e testati utilizzando solo le immagini tumorali, suddividendole in 70% nel training, 15% nel validation e 15% nel test set. Il modello U-Net, valutato nel test set, ha raggiunto un DS di 0.796 ± 0.300 e un IoU di 0.662 ± 0.289, calcolando la media dei DS e IoU di ciascuna immagine; mentre ha raggiunto un DS di 0.678 ± 0.253 e un IoU di 0.560 ± 0.252, calcolando la media dei valori di DS e IoU tra i pazienti. Il modello SEAGNet, valutato sullo stesso test set, ha raggiunto un DS di 0.847 ± 0.256 e un IoU di 0.735 ± 0.261, calcolando la media dei DS e IoU di ciascuna immagine; mentre ha raggiunto un DS di 0.774 ± 0.177 e un IoU di 0.659 ± 0.196, calcolando la media dei valori di DS e IoU tra i pazienti. Di conseguenza, SEAGNet ha superato U-Net e le sue varianti in termini di performance, soprattutto nei casi complessi che coinvolgono tumori piccoli o irregolari. Inoltre, il modello SEAGNet è stato testato su un dataset esterno comprendente 65 immagini MRI T1-pesate di CS, raggiungendo un DS di 0.828 ± 0.175 e un IoU di 0.706 ± 0.178. Questi risultati confermano la solidità del modello e la sua capacità di mantenere buone prestazioni e generalizzare efficacemente anche su dati nuovi. In conclusione, questo studio dimostra come i modelli di DL possano ottimizzare i flussi di lavoro clinici, riducendo il tempo di segmentazione e migliorando gli esiti per i pazienti. In futuro, questi modelli potranno essere applicati a immagini ad alta risoluzione e ad altri tipi di tumori, con l’implementazione di un’interfaccia utente per facilitarne l’uso clinico.