Sviluppo e test di un algoritmo deep learning per l'identificazione automatica di marker anatomici in Pletismografia Optoelettronica

Optoelectronic plethysmography (OEP) is a non-invasive technique for volumetric measurement of chest wall motion. It is based on tracking a grid of 89 retro-reflective markers distributed over the trunk. The raw output of the acquisition system is a sequence of unlabeled three-dimensional point clouds with time-varying cardinality. Making this data usable for clinical or research analysis requires assigning each detected point its correct anatomical identity. This process is currently performed manually at high operational cost, and constitutes the problem addressed in this thesis. We propose a two-stage automatic system for anatomical marker assignment. The first stage is a graph neural network (GNN) operating on individual frames. Detected candidates are represented as nodes of a directed geometric graph and processed via edge-aware message passing, producing for each of the 89 anatomical markers a compatibility score with every candidate present in the frame. The second stage is a temporal re-ranking module. For each marker it analyzes a window of 101 consecutive frames and exploits the quasi-periodic regularity of respiratory motion to correct assignments that are locally plausible but temporally inconsistent. The system is trained and evaluated on a dataset of 480 acquisitions from healthy subjects and clinical populations, including pediatric subjects, patients with obesity, pregnant women and patients with osteogenesis imperfecta. A held-out partition of 38 subjects is never seen during development. The preprocessing pipeline developed to build the supervised dataset reaches a recall of 98.82% and defines a theoretical ceiling of 87.50 correctly assignable markers per frame, which serves as the reference for all evaluations. The GNN achieves 87.03 corr/frame on the test set. The full system adds 0.76 corr/frame over the GNN alone on the validation set, with a residual gap of 0.25 from the theoretical ceiling. On the test set the system correctly assigns at least 87 out of 89 markers in 68.1% of frames and makes no error in 28.2% of frames. The approach substantially reduces manual revision workload and generalizes to heterogeneous thoracic morphologies, sitting very close to the limit imposed by the preprocessing stage.

La pletismografia optoelettronica (OEP) è una tecnica non invasiva per la misura volumetrica del movimento della parete toracica. Si basa sul tracciamento di un reticolo di 89 marker retroriflettenti distribuiti sul tronco. Il dato grezzo prodotto dal sistema di acquisizione è una sequenza di point cloud tridimensionali non etichettati, con cardinalità variabile nel tempo. Per renderlo utilizzabile in analisi clinica e di ricerca è necessario associare a ciascun punto rilevato la corrispondente identità anatomica. Questo processo viene oggi eseguito manualmente con costi operativi elevati, e costituisce il problema affrontato nel presente lavoro. La tesi propone un sistema automatico a due stadi per l'assegnamento dei marker anatomici. Il primo stadio è un modello a grafo neurale (GNN) che opera sul singolo frame. I candidati rilevati vengono rappresentati come nodi di un grafo geometrico orientato e processati tramite message passing edge-aware, in modo da produrre per ciascuna delle 89 label un punteggio di compatibilità con ogni candidato presente nel frame. Il secondo stadio è un modulo di re-ranking temporale. Per ogni label analizza una finestra di 101 frame consecutivi e sfrutta la regolarità quasi periodica del movimento respiratorio per correggere gli assegnamenti localmente plausibili ma temporalmente incoerenti. Il sistema è addestrato e valutato su un dataset di 480 acquisizioni provenienti da soggetti sani e da popolazioni cliniche, inclusi soggetti pediatrici, pazienti con obesità, donne in gravidanza e pazienti con osteogenesi imperfetta. Una partizione held-out di 38 soggetti non viene mai osservata durante lo sviluppo. La pipeline di preprocessing sviluppata per la costruzione del dataset supervisionato raggiunge un recall del 98.82% e definisce un tetto teorico di 87.50 marker correttamente assegnabili per frame, che costituisce il riferimento per tutte le valutazioni. Il GNN raggiunge 87.03 corr/frame sul test set. Il sistema completo aggiunge 0.76 corr/frame rispetto al solo GNN sul validation set, con un gap residuo di 0.25 dal tetto teorico. Sul test set il sistema assegna correttamente almeno 87 marker su 89 nel 68.1% dei frame e non commette alcun errore nel 28.2% dei frame. L'approccio riduce sostanzialmente il carico di revisione manuale e si generalizza a morfologie toraciche eterogenee, collocandosi molto vicino al limite imposto dalla fase di preprocessing.