News

Dall’intelligenza artificiale un aiuto alla lettura delle TC cardiache

Applicando il deep learning alle immagini TC è possibile sviluppare un modello per riconoscere in modo non invasivo e time saving le strutture cardiovascolari. Correggendo anche eventuali errori dell’operatore.

28 Giugno Giu 2020 0000 10 days ago
  • Foto Conte Def

    Edoardo Conte

    STAFF MEMBER Unità Operativa Ecocardiografia, Unità Operativa Radiologia e TAC Cardiovascolare, Unità Operativa RM cardiovascolare, Unità Operativa Scompenso e Cardiologia Clinica

  • Andreini E TC

    Daniele Andreini

    RESPONSABILE Cardiologia dello Sport, Unità Operativa Radiologia e TAC Cardiovascolare

    STAFF MEMBER Monzino Women , Unità Operativa Ecocardiografia, Unità Operativa RM cardiovascolare, Unità Operativa Scompenso e Cardiologia Clinica

  • Pontone Preferita

    Gianluca Pontone

    RESPONSABILE Unità Operativa RM cardiovascolare

    STAFF MEMBER Unità Operativa Ecocardiografia, Unità Operativa Radiologia e TAC Cardiovascolare, Unità Operativa Scompenso e Cardiologia Clinica

La conferma viene da un innovativo studio multicentrico internazionale, al quale ha partecipato il Dipartimento di Imaging Cardiovascolare del Monzino, diretta dal Dr. Gianluca Pontone.

Nella valutazione delle malattie cardiovascolari, l'imaging delle strutture cardiache svolge un ruolo chiave nella diagnosi e nel monitoraggio della progressione di malattia. Com’è noto, l'angio-TC coronarica fornisce, in modo non invasivo, un'imaging isotropico con elevata risoluzione spaziale. Ma la necessaria valutazione quantitativa e qualitativa di queste strutture, pur assistita tramite software, richiede comunque un intervento manuale, rendendo questo processo dispendioso in termini di tempo e dipendente dall'operatore.

Il machine learning (ML), grazie alla sua capacità di sfruttare algoritmi in grado di elaborare grandi quantità di informazioni per costruire modelli predittivi, trova un’applicazione ottimale proprio nell'imaging, tanto che il suo ruolo in campo cardiovascolare si sta espandendo. Uno degli approcci del machine learning è il deep learning che, utilizzando (tra l’altro) modelli di reti neurali con varie unità di elaborazione, sfrutta processi computazionali e tecniche di “training” per apprendere modelli complessi elaborando un’enorme quantità di dati. L’image recognition rappresenta una delle più comuni applicazioni del deep learning.

Con questi presupposti, un nutrito gruppo multinazionale di ricercatori, – tra cui quelli dell’Area Imaging cardiovascolare del Monzino, ha applicato il deep learning all’analisi delle immagini angio TC per sviluppare, dimostrare e valutare un modello automatizzato per l'identificazione di più strutture cardiovascolari.

Allo scopo sono state utilizzate le immagini provenienti da un registro multicentrico di pazienti sottoposti a TC coronarica, inclusi pazienti del Monzino, per realizzare, “istruire” e quindi mettere alla prova un modello di deep learning per la lettura delle immagini derivate da un dataset di scansioni effettuate su 206 pazienti, per complessivi 5 miliardi di pixel

I file delle scansioni sono stati trasmessi in formato DICOM (Digital Imaging and Communications in Medicine) a un laboratorio centrale e l'annotazione delle strutture è stata eseguita in cieco da tecnici di elevata esperienza. Le annotazioni eseguite dagli operatori sono state poi confrontate con i risultati ottenuti con il modello basato sul deep learning, utilizzando il punteggio Dice (un punteggio compreso tra 0 e 1.1 indica una corrispondenza perfetta dei pixel tra l'output del modello di apprendimento profondo e l'annotazione eseguita dall’operatore).

Dal confronto è emerso che il modello è stato effettivamente capace di riconoscere, rapidamente e con ragionevole accuratezza complessiva, la maggior parte dei grandi vasi, il seno coronarico e le pareti ventricolare destra e atriale sinistra in modo automatizzato, un pixel alla volta, concordando bene con l'annotazione manuale (figura 1). Anzi, a volte il modello è stato in grado di correggere annotazioni errate (figura 2).

I risultati dello studio confermano cioè che, applicando il deep learning alle immagini angio-TC, è possibile segmentare le strutture cardiovascolari con elevate affidabilità e sensibilità, in modo non invasivo, rapido e con limitato intervento da parte dell’operatore.


Riferimenti
1. Baskaran L, Conte E, Andreini D, Pontone G et al. (2020) Automatic segmentation of multiple cardiovascular structures from cardiac computed tomography angiography images using deep learning. PLoS ONE 15(5):e0232573. https://doi.org/ 10.1371/journal.pone.0232573