Deep learning for segmentation and quantitative assessment of thrombus formation in microfluidic flow assays

Platelet activity assessment is essential for monitoring the delicate hemostatic balance between hemorrhagic risk and thrombotic complications. While Light Transmission Aggregometry (LTA) remains the clinical gold standard, it is unable to replicate the physiological shear stress encountered in the actual vascular environment. Advanced dynamic systems based on microfluidics address this limitation through fluorescence video-microscopy; however, they generate high-content datasets whose analysis is hindered by inherent biological variability and technical artifacts, such as non-uniform illumination and optical distortions of the PDMS substrate. This research presents the development of an integrated platform coupling a biomimetic microfluidic setup with a Deep Learning strategy. The experimental phase, performed on collagen-coated micro-channels, was specifically designed to generate high-resolution datasets required to power the subsequent computational phase. The study involved the training and performance benchmarking of three neural architectures, U-Net, Attention U-Net, and SegResNet, for the precise and automated identification of platelet thrombi. The computational workflow encompassed data preprocessing via cropping and patching, followed by validation against a manual ground truth generated using 3D Slicer software. System performance was evaluated through AI metrics, primarily the Dice Score, and functional parameters, including surface coverage and the number of thrombi. Furthermore, the platform's robustness and generalization capabilities were successfully validated through a clinical case study involving samples from patients with Multiple Sclerosis (MS). The resulting system effectively overcomes the analytical bottlenecks of manual inspection, providing an objective and reliable quantification of platelet function with significant potential for personalized monitoring in both physiological and pathological contexts.

La valutazione dell'attività piastrinica è essenziale per il monitoraggio del delicato equilibrio emostatico tra rischio emorragico e complicanze trombotiche. Sebbene l'aggregometria a trasmissione di luce (LTA) rimanga il gold standard clinico, essa non è in grado di replicare lo shear stress fisiologico riscontrato nell'effettivo ambiente vascolare. I sistemi dinamici avanzati basati sulla microfluidica affrontano questo limite attraverso la video-microscopia a fluorescenza; tuttavia, essi generano dataset ad alto contenuto informativo la cui analisi è ostacolata dalla variabilità biologica intrinseca e da artefatti tecnici, quali l'illuminazione non uniforme e le distorsioni ottiche del substrato in PDMS. Questo lavoro di ricerca presenta lo sviluppo di una piattaforma integrata che combina un setup microfluidico biomimetico con una strategia di Deep Learning. La fase sperimentale, condotta su micro-canali rivestiti di collagene, è stata specificamente progettata per generare dataset ad alta risoluzione necessari per alimentare la successiva fase computazionale. Lo studio ha previsto l'addestramento e il benchmarking delle prestazioni di tre architetture neurali, U-Net, Attention U-Net e SegResNet, per l'identificazione precisa e automatizzata dei trombi piastrinici. Il workflow computazionale ha compreso la pre-elaborazione dei dati tramite cropping e patching, seguita dalla validazione rispetto a una ground truth manuale generata utilizzando il software 3D Slicer. Le prestazioni del sistema sono state valutate attraverso metriche IA, principalmente il Dice Score, e parametri funzionali, tra cui la surface coverage e il numero di trombi. Inoltre, la robustezza e le capacità di generalizzazione della piattaforma sono state validate con successo attraverso un caso di studio clinico che ha coinvolto campioni di pazienti affetti da Sclerosi Multipla (SM). Il sistema risultante supera efficacemente i limiti analitici dell'ispezione manuale, fornendo una quantificazione oggettiva e affidabile della funzione piastrinica con un potenziale significativo per il monitoraggio personalizzato in contesti sia fisiologici che patologici.