• apprendimento profondo
• asse corto
• convolutional neural network
• deep learning
• medicina nucleare
• mIBG
• miocardio
• myocardium
• nuclear medicine
• reorientation
• rete neurale convoluzionale
• riorientazione
• short axis
• spect

ITA
L’imaging di medicina nucleare offre ai medici la possibilità di eseguire in maniera accurata la diagnosi di malattie complesse, quali ad esempio disturbi neurologici e cardiovascolari. In particolare, il cuore rappresenta uno dei distretti anatomici maggiormente studiati negli esami eseguiti con Tomografia a emissione di fotone singolo (SPECT - Single Photon Emission Tomography), offrendo la possibilità di valutare la perfusione cardiaca e, recentemente con traccianti specifici, anche la denervazione miocardica. Attraverso questa metodica, si ottengono volumi contenenti il cuore orientati lungo la sezione assiale del paziente. Per una corretta analisi, allora, è necessario riorientare i dati lungo l’asse corto del cuore, perpendicolare all’asse lungo del ventricolo sinistro.
Questa operazione viene oggi svolta manualmente dal tecnico, il quale traccia delle linee per selezionare il ventricolo sinistro: l’intero processo richiede tempo e dipende dall’operatore.
Da qui nasce la necessità di implementare un algoritmo che permetta il riorientamento automatico delle slices cardiache. Molti studi in passato hanno cercato di eseguire questa operazione attraverso tecniche semi-automatiche basate sui conteggi, sulla segmentazione e su metodi di fitting. Erano però tecniche in cui era comunque necessario il contributo manuale di un utente esperto e soprattutto dipendevano molto dall’integrità del cuore. L’avvento del Machine Learning prima e del Deep Learning poi ha permesso agli studiosi di trovare nuove soluzioni in ambito medico. Sono state proposte reti che automaticamente riorientavano le immagini, velocizzando il processo. Gli articoli proposti in letteratura, però, hanno come comun denominatore l’obiettivo di ricercare una soluzione a partire da immagini SPECT di perfusione miocardica. Le ricerche recenti in ambito medico hanno dimostrato le potenzialità diagnostiche dell’utilizzo della mIBG marcata con 123I per valutare il grado di denervazione miocardica in applicazioni quali l’insufficienza cardiaca, la cardiopatia ischemica e il trapianto di cuore.
L’obiettivo della tesi è quindi implementare un modello di rete convolutiva che permetta di ruotare automaticamente i volumi derivati da esami SPECT eseguiti con 123I-mIBG per la corretta diagnosi della denervazione cardiaca. In particolare, la rete viene addestrata a predire i 3 angoli di rotazione che garantiscano la corretta rotazione dei volumi orientatati lungo l’asse lungo del paziente.
La rete proposta rappresenta un modello di apprendimento supervisionato il cui dataset è costituito dalle immagini assiali di partenza con le relative label, ovvero gli angoli di rotazione lungo i tre assi cartesiani. Poiché si avevano a disposizione le immagini assiali e quelle in asse corto cardiaco, la prima operazione è stata quella di estrarre la matrice di rotazione tra i due volumi, sfruttando le informazioni contenute nei relativi file DICOM. La scelta di utilizzare gli angoli come label piuttosto che le immagini in asse corto cardiaco è stata la diretta conseguenza della volontà di alleggerire il carico computazionale del modello.
Sono state inoltre definite due varianti del modello: la prima viene generata aumentando la dimensione del layer convolutivo, mentre le seconda è caratterizzata da una maggiore profondità.
Lo scopo è quello di generare un maggior numero di features, cercando di migliorare le prestazioni della rete. I risultati così ottenuti dai tre modelli vengono confrontati con le relative label per cercare di comprendere quale modello sia il più utile per eseguire una rotazione automatica delle immagini assiali.

EN
Nuclear medicine imaging offers physicians the ability to accurately diagnose complex diseases, such as neurological and cardiovascular disorders. In particular, the heart represents one of the most studied anatomical districts in examinations performed with Single Photon Emission Tomography (SPECT), offering the possibility of evaluating cardiac perfusion and, recently with specific tracers, also myocardial denervation . Through this method, volumes containing the heart oriented along the axial section of the patient are obtained. For a correct analysis, then, it is necessary to reorient the data along the short axis of the heart, perpendicular to the long axis of the left ventricle.
This operation is now performed manually by the technician, who draws lines to select the left ventricle: the whole process takes time and is operator-dependent.
It comes from this the need to implement an algorithm that allows the automatic reorientation of cardiac slices. Many studies in the past have tried to perform this operation through semi-automatic techniques based on counts, segmentation and fitting methods. However, they were techniques in which the manual contribution of an expert user was still necessary and above all they depended a lot on the integrity of the heart. The advent of Machine Learning and then Deep Learning techniques has allowed researchers to find new solutions in the medical field. Networks were proposed that automatically reoriented images, speeding up the process. The articles proposed in the literature, however, have as a common denominator the objective of finding a solution starting from SPECT images of myocardial perfusion. Recent medical research has demonstrated the diagnostic potential of using 123I-labelled mIBG to assess the degree of myocardial denervation in applications such as heart failure, ischemic heart disease, and heart transplantation.
The aim of the thesis is therefore to implement a convolutional network model that allows to automatically rotate the volumes derived from SPECT exams performed with 123I-mIBG for the correct diagnosis of cardiac denervation. In particular, the network is trained to predict the 3 rotation angles that guarantee the correct rotation of the volumes oriented along the patient's long axis.
The proposed network represents a supervised learning model whose dataset consists of the starting axial images with the relative labels, i.e. the rotation angles along the three Cartesian axes. Since the axial and cardiac short axis images were available, the first operation was to extract the rotation matrix between the two volumes, exploiting the information contained in the relative DICOM files. The decision to use the angles as labels rather than the cardiac short axis images was the direct consequence of the desire to lighten the computational load of the model.
Two variants of the model have also been defined: the first is generated by increasing the size of the convolutional layer, while the second is characterized by greater depth.
The aim is to generate a greater number of features, trying to improve network performance. The results thus obtained from the three models are compared with the relative labels to try to understand which model is the most useful for performing an automatic rotation of the axial images.