Semi-automatic paradigm based on multiple CT phases for pancreatic and PDAC segmentation

Pancreatic ductal adenocarcinoma (PDAC) is a highly lethal malignancy with poor survival rates, necessitating advancements in diagnostic and treatment planning approaches. This thesis explores a semi-automatic paradigm for pancreas and tumour segmentation using multiple contrast-enhanced CT phases, evaluating deep learning-based segmentation and image registration as alternative or complementary methods. The primary goal is to assess whether registering the arterial phase onto venous and delayed phases can enhance tumour localization while providing segmentation results comparable to deep learning models. Two datasets were utilized: the Medical Segmentation Decathlon (MSD) dataset, containing 281 portal venous phase CT scans, was used for training deep learning models, while a prospective Humanitas dataset with 21 triphasic CT scans (arterial, venous, and delayed phases) served as the test set. The segmentation pipeline employed nnUNet with variations in loss functions, including Tversky and Focal Tversky loss, as well as STU-net to optimize pancreas and tumour segmentation. The registration pipeline aligned pancreas segmentations across contrast phases using an affine transformation. Results indicate that deep learning-based pancreas segmentation achieved a median Dice score of 92.50% (arterial), 94.62% (venous), and 93.54% (delayed phase) using nnUNet ensembled model on 5-fold cross validation. However, direct tumour segmentation proved highly variable, with tumours often being mislocalized or segmented as multiple disconnected volumes, making it challenging for clinicians to obtain reliable segmentations in venous and delayed phases, where contrast attenuation reduces tumour visibility. Bland-Altman analysis confirmed agreement between the deep learning-derived pancreas segmentations and registered segmentations, supporting the feasibility of this approach. Additionally, tumour centroid normalization analysis was done, which validated registration for tumour localization. A Wilcoxon signed-rank test showed no significant centroid shifts (p > 0.05) between arterial and registered venous/delayed phases, while in deep-learning segmentation method X-axis shoed significant centroid shift. Additionally, these findings suggest that while deep learning provides robust pancreas segmentation, registration-based tumour alignment offers a viable alternative in contrast phases where tumours are harder to delineate. The proposed framework enhances multi-phase tumour assessment, potentially aiding clinicians in more accurate tumour localization across imaging phases.

L'adenocarcinoma duttale pancreatico (PDAC) è una neoplasia altamente letale con tassi di sopravvivenza estremamente bassi, rendendo necessarie nuove strategie per la diagnosi e la pianificazione del trattamento. Questa tesi esplora un approccio semi-automatico per la segmentazione del pancreas e del tumore utilizzando scansioni TC con mezzo di contrasto in più fasi, valutando la segmentazione basata su deep learning e la registrazione delle immagini come metodi alternativi o complementari. L'obiettivo principale è verificare se la registrazione della fase arteriosa sulle fasi venosa e tardiva possa migliorare la localizzazione del tumore, fornendo risultati di segmentazione comparabili ai modelli di deep learning. Sono stati utilizzati due dataset: il Medical Segmentation Decathlon (MSD), contenente 281 scansioni TC in fase venosa, è stato impiegato per l'addestramento dei modelli di deep learning, mentre un dataset prospettico di Humanitas con 21 scansioni TC trifasiche (arteriosa, venosa e tardiva) è stato usato come set di test. La pipeline di segmentazione ha adottato nnUNet con variazioni nelle funzioni di perdita, tra cui Tversky e Focal Tversky loss, oltre a STU-Net, per ottimizzare la segmentazione del pancreas e del tumore. La pipeline di registrazione ha allineato le segmentazioni del pancreas tra le diverse fasi di contrasto utilizzando una trasformazione affine. I risultati mostrano che la segmentazione del pancreas basata su deep learning ha raggiunto un Dice medio del 92,50% (arteriosa), 94,62% (venosa) e 93,54% (tardiva) utilizzando il modello nnUNet ensemble su una validazione incrociata a 5 fold. Tuttavia, la segmentazione diretta del tumore si è rivelata altamente variabile, con tumori spesso mal localizzati o segmentati in volumi disconnessi, rendendo difficile ottenere segmentazioni affidabili nelle fasi venosa e tardiva, dove l'attenuazione del contrasto ne riduce la visibilità. L'analisi di Bland-Altman ha confermato un buon livello di accordo tra le segmentazioni del pancreas ottenute con deep learning e quelle registrate, supportando la fattibilità di questo approccio. Inoltre, l'analisi della normalizzazione del centroide del tumore ha validato la registrazione per la localizzazione del tumore. Il test dei ranghi con segno di Wilcoxon non ha mostrato spostamenti significativi del centroide (p > 0.05) tra la fase arteriosa e le fasi venosa/tardiva registrate, mentre nella segmentazione basata su deep learning si è osservato uno spostamento significativo lungo l'asse X. Questi risultati suggeriscono che, sebbene il deep learning garantisca un'ottima segmentazione del pancreas, la registrazione basata sull’allineamento del tumore rappresenta un’alternativa valida nelle fasi di contrasto in cui il tumore è più difficile da delineare. Il framework proposto migliora la valutazione del tumore in più fasi, offrendo ai clinici un supporto più affidabile per la localizzazione del tumore nelle immagini TC multi-fase.