Tesi etd-01252025-140510 |
Link copiato negli appunti
Tipo di tesi
Tesi di laurea magistrale
Autore
BELLINI, RITA
URN
etd-01252025-140510
Titolo
Simulazione di SPECT cerebrali con software SIMIND per la generazione di dataset di immagini da utilizzare in reti di deep learning
Dipartimento
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
INGEGNERIA BIOMEDICA
Relatori
relatore Prof. Vozzi, Giovanni
relatore Prof.ssa Santarelli, Maria Filomena
tutor Ing. Bargagna, Filippo
relatore Prof.ssa Santarelli, Maria Filomena
tutor Ing. Bargagna, Filippo
Parole chiave
- CNN
- Data Augmentation
- Deep Leaning
- Parkinson
- SIMIND
- SPECT
Data inizio appello
17/02/2025
Consultabilità
Non consultabile
Data di rilascio
17/02/2028
Riassunto
La malattia di Parkinson è un disturbo neurologico progressivo, il secondo per diffusione dopo l’Alzheimer, che colpisce circa 4 milioni di persone nel mondo. La patologia è caratterizzata da sintomi motori (tremori, rigidità, bradicinesia) e non motori (depressione, disturbi del sonno, riduzione dell’olfatto).
La sua diagnosi si basa sull’esame clinico e sulla risposta ai farmaci dopaminergici; tuttavia i sintomi tipici compaiono solo quando il 50-60% dei neuroni dopaminergici della substantia nigra è già stato perso, e questo rappresenta un importante limite nel suo studio e nella sua cura. Inoltre, la malattia può essere confusa con altre sindromi parkinsoniane atipiche, come la demenza a corpi di Lewy o la paralisi sopranucleare progressiva.
L’imaging molecolare tramite SPECT con 123I-Ioflupano (DaTscan) permette la rilevazione della perdita delle terminazioni pre-sinaptiche nigro-striatali nella Malattia di Parkinson in fase precoce. Un approccio innovativo in questo contesto è l’uso di reti neurali convoluzionali (CNN) per l’analisi di queste immagini.
Tuttavia, a causa della difficile reperibilità di pazienti di controllo che si siano sottoposti a questo tipo di imaging, uno dei limiti principali dell’utilizzo di CNN è la mancanza di dataset sufficientemente numerosi e robusti per l’addestramento delle reti.
La tesi si propone quindi di generare immagini SPECT simulate della malattia di Parkinson utilizzando il software SIMIND Monte-Carlo, per aumentare il dataset di training e migliorare la capacità diagnostica delle CNN. L’acquisizione simulata è stata basata sul modello di gamma camera GE Discovery NM/CT 670 CZT in uso presso la UOC Medicina Nucleare della Fondazione G. Monasterio di Pisa.
Le fasi dello studio hanno incluso:
1. Identificazione delle aree cerebrali diagnostiche, principalmente il putamen e i nuclei caudati.
2. Scelta della tecnica di imaging: SPECT cerebrale con 123I-Ioflupano (DaTscan).
3. Implementazione di una variabilità statistica tramite codice Python per simulare anatomie e livelli di attività diversi.
4. Configurazione della simulazione in SIMIND basandosi sulle caratteristiche fisiche della gamma camera e sui parametri di acquisizione clinici.
5. Elaborazione delle immagini: filtraggio (Butterworth), ricostruzione (OSEM) e correzione dell’attenuazione (algoritmo di Chang), utilizzando la piattaforma Xeleris.
6. Validazione: confronto con immagini reali e test con CNN per la classificazione.
7. Valutazione clinica: le immagini sono state esaminate dal Dott. Assuero Giorgetti, esperto in medicina nucleare.
8. Analisi quantitativa: calcolo dell’indice SBR (Specific Binding Ratio) e validazione con il software DatQUANT di GE Healthcare.
La sua diagnosi si basa sull’esame clinico e sulla risposta ai farmaci dopaminergici; tuttavia i sintomi tipici compaiono solo quando il 50-60% dei neuroni dopaminergici della substantia nigra è già stato perso, e questo rappresenta un importante limite nel suo studio e nella sua cura. Inoltre, la malattia può essere confusa con altre sindromi parkinsoniane atipiche, come la demenza a corpi di Lewy o la paralisi sopranucleare progressiva.
L’imaging molecolare tramite SPECT con 123I-Ioflupano (DaTscan) permette la rilevazione della perdita delle terminazioni pre-sinaptiche nigro-striatali nella Malattia di Parkinson in fase precoce. Un approccio innovativo in questo contesto è l’uso di reti neurali convoluzionali (CNN) per l’analisi di queste immagini.
Tuttavia, a causa della difficile reperibilità di pazienti di controllo che si siano sottoposti a questo tipo di imaging, uno dei limiti principali dell’utilizzo di CNN è la mancanza di dataset sufficientemente numerosi e robusti per l’addestramento delle reti.
La tesi si propone quindi di generare immagini SPECT simulate della malattia di Parkinson utilizzando il software SIMIND Monte-Carlo, per aumentare il dataset di training e migliorare la capacità diagnostica delle CNN. L’acquisizione simulata è stata basata sul modello di gamma camera GE Discovery NM/CT 670 CZT in uso presso la UOC Medicina Nucleare della Fondazione G. Monasterio di Pisa.
Le fasi dello studio hanno incluso:
1. Identificazione delle aree cerebrali diagnostiche, principalmente il putamen e i nuclei caudati.
2. Scelta della tecnica di imaging: SPECT cerebrale con 123I-Ioflupano (DaTscan).
3. Implementazione di una variabilità statistica tramite codice Python per simulare anatomie e livelli di attività diversi.
4. Configurazione della simulazione in SIMIND basandosi sulle caratteristiche fisiche della gamma camera e sui parametri di acquisizione clinici.
5. Elaborazione delle immagini: filtraggio (Butterworth), ricostruzione (OSEM) e correzione dell’attenuazione (algoritmo di Chang), utilizzando la piattaforma Xeleris.
6. Validazione: confronto con immagini reali e test con CNN per la classificazione.
7. Valutazione clinica: le immagini sono state esaminate dal Dott. Assuero Giorgetti, esperto in medicina nucleare.
8. Analisi quantitativa: calcolo dell’indice SBR (Specific Binding Ratio) e validazione con il software DatQUANT di GE Healthcare.
File
| Nome file | Dimensione |
|---|---|
La tesi non è consultabile. |
|