Nella popolazione europea, il 20% delle scansioni tomografiche (CT) riguardano la zona toracica. L’attuale tecnologia permette di ricavare immagini cardiache ad alta qualità sulle quali effettuare valutazioni diagnostiche. Tuttavia, le minime variazioni in termini di radiopacità dei tessuti coinvolti non permettono la visualizzazione della morfologia dell’organo. La tecnica del contrast-enhancement computed tomography (CECT) prevede l’iniezione di un mezzo di contrasto che, aumentando l’attenuazione ai raggi X laddove è presente, permette l’identificazione delle camere e delle pareti cardiache rispetto alle regioni circostanti. La valutazione di tali strutture risulta importante per la diagnosi di cardiopatie e patologie valvolari.
L’obiettivo della tesi è stato quello di sintetizzare l’immagine cardiaca CECT partendo dall’informazione angiografica latente contenuta nell’immagine CT, in modo da rendere possibile l’estrazione del dato volumetrico relativo alle camere cardiache e, dunque, associare alle immagini senza mezzo di contrasto informazioni aggiuntive.
Per la realizzazione del lavoro sono stati sfruttati gli algoritmi di deep learning ed è stata implementata una rete neurale profonda di tipo deconvolutivo.