• CNN
• Data Augmentation
• Deep Leaning
• Parkinson
• SIMIND
• SPECT

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.