Development of an algorithm AI-based for the segmentation of the abdominal aorta from biomedical ultrasound images

The automated segmentation of the abdominal aorta (AA) in ultrasound images represents a crucial challenge in biomedical imaging, as it enables early and non-invasive diagnoses of cardiovascular diseases. This thesis presents the development of an Artificial Intelligence (AI)-based algorithm that leverages Convolutional Neural Networks (CNN) in a U-Net configuration to accu- rately segment the abdominal aorta in images acquired using EchoS, an innovative ultra- sound device developed by the company Echolight S.p.A. (Lecce, Italy) in collaboration with the National Research Council of Italy (CNR). The EchoS device employs the Radiofrequency Echographic Multi Spectrometry (REMS) technology, which allows the assessment of bone health by analyzing ultrasonic radiofre- quency signals obtained during a standard ultrasound scan of the anatomical site of interest. Specifically, the device performs scans at the abdominal and femoral levels to diagnose osteoporosis in the lumbar vertebrae (L1-L4) and the femur, respectively. However, the close anatomical proximity between the abdominal aorta and the lumbar vertebrae introduces a critical challenge: the presence of calcification on the aortic walls generates hyperechoic regions in ultrasound images, which could complicate the inter- pretation of abdominal ultrasounds, probably affecting the accuracy of the algorithm of segmentation of the vertebrae. This leads to misclassifications and potentially incorrect diagnoses. To address this issue, this thesis focuses on developing an advanced AI algorithm ca- pable of automatically segmenting the abdominal aorta in ultrasound images, precisely delineating its contours. This solution allows the exclusion of hyperechoic areas caused by calcification from the vertebral analysis, thus reducing the risk of diagnostic errors and enhancing the reliability of the REMS system. Moreover, the prevalence of calcification in the global population is a crucial factor to consider. Studies indicate that 79% of individuals over the age of 40 and 100% of those over 65 exhibit varying degrees of calcification along the aortic wall [1]. So, beyond solving a technical limitation, this approach represents a significant advance- ment in biomedical image segmentation. The integration of Artificial Intelligence in this context opens new possibilities not only for improving current diagnostic tools but also for developing more complex algorithms capable of identifying and directly segmenting calcified regions within the aortic wall. Ultimately, this work contributes to the advancement of non-invasive diagnostics, high- lighting the transformative role of Artificial Intelligence in biomedical imaging and, more broadly, in anatomical segmentation tasks.

La segmentazione automatica dell’aorta addominale (AA) in immagini ecografiche rap- presenta una sfida cruciale nell’imaging biomedico, poiché consente di ottenere diagnosi precoci in modo totalmente non invasivo delle malattie cardiovascolari. Questa tesi propone lo sviluppo di un algoritmo basato sull’Intelligenza Artificiale (AI) che sfrutta Reti Neurali Convoluzionali (CNN) in configurazione U-Net per segmentare con precisione l’aorta addominale in immagini acquisite tramite EchoS, un dispositivo ecografico innovativo sviluppato dall’azienda Echolight S.p.A. (Lecce, Italia) in collabo- razione con il Consiglio Nazionale delle Ricerche d’Italia (CNR). Il dispositivo EchoS utilizza la tecnologia REMS (Radiofrequency Echographic Multi Spectrometry), che consente la valutazione della salute ossea attraverso l’analisi dei segnali ultrasonici in radiofrequenza ottenuti durante una classica scansione ecografica standard del sito anatomico di interesse. In particolare, il dispositivo esegue scansioni a livello addominale e femorale per la diagnosi dell’osteoporosi nelle vertebre lombari (L1-L4) e nel femore, rispettivamente. Tuttavia, la stretta vicinanza anatomica tra l’aorta addominale e le vertebre lombari introduce una criticità: la presenza di calcificazioni sulle pareti aortiche genera regioni iperecogene nelle immagini ecografiche, le quali potrebbero complicare l’interpretazione delle ecografie addominali, influenzando negativamente l’accuratezza degli algoritmi di segmentazione vertebrale. Questo può portare a classificazioni errate e potenzialmente a diagnosi non corrette. Per affrontare questa problematica, la tesi si concentra sullo sviluppo di un algoritmo avanzato di AI in grado di segmentare automaticamente l’aorta addominale nelle immagini ecografiche, delineandone con precisione i contorni. Questa soluzione consente di escludere le aree iperecogene causate dalle calcificazioni dall’analisi vertebrale, riducendo così il rischio di errori diagnostici e migliorando l’affidabilità del sistema REMS. Inoltre, la prevalenza della calcificazione nella popolazione mondiale rappresenta un fattore cruciale da considerare. Studi indicano che il 79% degli individui oltre i 40 anni e il 100% di quelli oltre i 65 anni presentano vari gradi di calcificazione lungo la parete aortica [1]. Dunque, oltre a risolvere una limitazione tecnica, questo approccio rappresenta un passo significativo nell’evoluzione della segmentazione delle immagini biomediche. L’integrazione dell’Intelligenza Artificiale in questo contesto apre nuove prospettive non solo per il miglio- ramento degli strumenti diagnostici attuali, ma anche per lo sviluppo di algoritmi più com- plessi in grado di identificare e segmentare direttamente le regioni calcificate all’interno della parete aortica. In definitiva, questo lavoro contribuisce al progresso della diagnostica non invasiva, evidenziando il ruolo trasformativo dell’Intelligenza Artificiale nell’imaging biomedico e, più in generale, nelle attività di segmentazione anatomica.