Deep learning-based GTV lesion segmentation and radiomics-driven survival models for NSCLC patients

The accurate segmentation of tumor volumes in computed tomography (CT) scans is critical for optimal treatment planning in patients with Non-Small Cell Lung Cancer (NSCLC). Manual segmentation is, however, both labor-intensive and susceptible to inter- and intra-observer variability. To address these challenges, this thesis proposes an automated pipeline that integrates a 3D U-Net–based segmentation model with a radiomics-driven overall survival analysis pipeline. The segmentation model is developed using a limited dataset (189 scans) and benchmarked against a state-of-the-art control model, exhibiting superior performance across two separate inference scenarios. Radiomic features extracted from segmentation masks generated by radiologists, the proposed automated model, and the control model serve as inputs for constructing prognostic survival models. Statistical analysis of the survival outcomes demonstrates that the differences in predictive performance among the three segmentation approaches are not statistically significant. These findings corroborate the potential of deep learning–based automation to streamline the GTV segmentation process while preserving the prognostic accuracy of radiomics-based survival models.

La segmentazione accurata dei volumi tumorali nelle scansioni di tomografia computerizzata (TC) è fondamentale per la pianificazione ottimale del trattamento nei pazienti affetti da carcinoma polmonare non a piccole cellule (NSCLC). Tuttavia, la segmentazione manuale è sia laboriosa che soggetta a variabilità inter- e intra-osservatore. Per affrontare queste sfide, questa tesi propone una pipeline automatizzata che integra un modello di segmentazione basato su 3D U-Net con una pipeline di analisi della sopravvivenza basata su feature radiomiche. Il modello di segmentazione è stato sviluppato utilizzando un dataset limitato (189 scansioni) e confrontato con un modello di controllo "state-of-the-art", mostrando prestazioni superiori in due scenari di inferenza separati. Le caratteristiche radiomiche estratte dalle maschere di segmentazione generate dai radiologi, dal modello automatizzato proposto e dal modello di controllo sono poi utilizzate come input per la costruzione di modelli prognostici di sopravvivenza. L'analisi statistica degli esiti di sopravvivenza dimostra che le differenze nelle prestazioni predittive tra le tre metodologie di segmentazione non sono statisticamente significative. Questi risultati corroborano il potenziale dell'automazione basata sul deep learning per semplificare il processo di segmentazione del Gross Tumor Volume (GTV), mantenendo al contempo l'accuratezza prognostica dei modelli di sopravvivenza basati sulla radiomica.