• cnn
• deep learning
• parkinson
• parkinsonisms
• spect
• spect fp-cit

ITA
La malattia di Parkinson è la seconda malattia neurodegenerativa più comune e il più frequente dei disordini del movimento. Si stima che tale malattia colpisca 4 milioni di persone in tutto il mondo: si osserva raramente nei pazienti di età inferiore ai 40 anni e l’incidenza aumenta con l’età. Tale malattia è meno frequente nel sesso femminile rispetto al maschile (40% femmine, 60% maschi) e in quest’ultimi l’esordio in media avviene due anni prima rispetto le donne. La diagnosi della malattia è di tipo clinico per cui, per stabilire criteri più oggettivi, accanto a tale valutazione acquista particolare rilevanza l’imaging diagnostico. Come supporto per il sospetto clinico del neurologo si ricorre ad esami eseguiti con PET (Tomografia a emissione di positroni), fMRI (Risonanza Magnetica Funzionale) e SPECT (Tomografia a emissione di fotone singolo). In particolare, la SPECT con FP-CIT è indicata in tutte quelle situazioni in cui, per il neurologo, è importante sapere se c’è perdita delle terminazioni dopaminergiche nello striato e assume un ruolo determinante nella diagnosi di Parkinsonismo per tutti quei pazienti, valutati in fase precoce, il cui quadro clinico non è ancora delineato visto il lento e graduale esordio dei sintomi. Tali sintomi si manifestano quando la ‘substanzia nigra’ ha perso circa il 60% dei neuroni dopaminergici e la dopamina residua è l’80% rispetto ai valori normali. Ad oggi non esiste una cura per la malattia di Parkinson, tuttavia, esistono alcuni trattamenti che possono alleviarne i sintomi e migliorare la qualità della vita del paziente. Mentre la malattia di Parkinson presenta un quadro clinico ben definito caratterizzato da sintomi motori come tremori, rigidità e bradicinesia e, non motori come declino cognitivo, disautonomia e disturbi del sonno, i Parkinsonismi, invece, includono un insieme più ampio di condizioni che possono manifestare sintomi simili ma con cause differenti. A tal proposito è importante una diagnosi corretta fin dai primi esordi della malattia in modo da applicare un approccio terapeutico adeguato. L’obiettivo della tesi è quindi implementare un modello di rete neurale convoluzionale (CNN) per la classificazione tra la malattia di Parkinson e i vari Parkinsonismi basandosi su volumi DICOM derivati da esami SPECT FP-CIT. La rete proposta rappresenta un modello di apprendimento supervisionato il cui dataset è costituito dai volumi di partenza e le relative label, ovvero il tipo di patologia. Sono state definite due varianti di modello, una per la classificazione Binaria tra pazienti con SPECT Positiva e SPECT Negativa e l’altra per la classificazione Multiclasse tra pazienti con malattia di Parkinson, Tremore Essenziale e non patologici. Questo approccio mira a fornire un mezzo diagnostico più efficiente e preciso, che potrebbe essere risolutivo soprattutto in situazioni in cui la diagnosi clinica è incerta o ambigua, contribuendo così ad una diagnosi più tempestiva e ad un trattamento mirato.

ENG
Parkinson's disease is the second most common neurodegenerative disease and the most frequent among movement disorders. It’s estimated that this disease affects 4 million people worldwide: it is rarely observed in patients under the age of 40, and its incidence increases with age. The disease is less common in females compared to males (40% females, 60% males), and in males, onset typically occurs two years earlier than in females. The diagnosis of the disease is clinical, but to establish more objective criteria, diagnostic imaging becomes particularly relevant alongside this evaluation. To support the neurologist's clinical suspicion, examinations performed with PET (Positron Emission Tomography), fMRI (Functional Magnetic Resonance Imaging), and SPECT (Single Photon Emission Computed Tomography) are used. In particular, SPECT with FP-CIT is indicated in all those situations where it is important for the neurologist to know whether there is a loss of dopaminergic terminations in the striatum, and it plays a crucial role in the diagnosis of Parkinsonism for those patients evaluated in the early phase whose clinical picture is not yet delineated due to the slow and gradual onset of symptoms. These symptoms manifest when the 'substantia nigra' has lost about 60% of dopaminergic neurons, and the residual dopamine is 80% compared to normal values. To date, there is no cure for Parkinson's disease; however, there are some treatments that can alleviate symptoms and improve the patient's quality of life. While Parkinson’s disease present a well-defined clinical picture characterized by motor symptoms such as tremors, rigidity, and bradykinesia, as well as non-motor symptoms such as cognitive decline, autonomic dysfunction, and sleep disturbances, Parkinsonisms, on the other hand, include a broader range of conditions that may manifest similar symptoms but with different causes. In this regard, a correct diagnosis from the early stages of the disease is important in order to apply an appropriate therapeutic approach. The objective of the thesis is therefore to implement a convolutional neural network (CNN) model for the classification between Parkinson's disease and various Parkinsonisms based on DICOM volumes derived from FP-CIT SPECT examinations. The proposed network represents a supervised learning model whose dataset consists of input volumes and their respective labels, i.e., the type of pathology. Two model variants have been defined, one for Binary classification between patients with Positive and Negative SPECT and the other for Multiclass classification between patients with Parkinson's disease, Essential Tremor, and non-pathological cases. This approach aims to provide a more efficient and precise diagnostic tool, which could be decisive especially in situations where the clinical diagnosis is uncertain or ambiguous, thus contributing to a more timely diagnosis and targeted treatment.