Tesi etd-06202023-122853 |
Link copiato negli appunti
Tipo di tesi
Tesi di laurea magistrale LM6
Autore
SCIARRINI, MATTEO
URN
etd-06202023-122853
Titolo
La radiomica nella caratterizzazione RM preoperatoria di masse parotidee: valutazione della performance diagnostica
Dipartimento
RICERCA TRASLAZIONALE E DELLE NUOVE TECNOLOGIE IN MEDICINA E CHIRURGIA
Corso di studi
MEDICINA E CHIRURGIA
Relatori
relatore Prof. Neri, Emanuele
correlatore Dott. Faggioni, Lorenzo
correlatore Dott. Faggioni, Lorenzo
Parole chiave
- adenoma pleomorfo
- parotide
- radiomica
- risonanza magnetica
- tumore di Warthin
Data inizio appello
11/07/2023
Consultabilità
Non consultabile
Data di rilascio
11/07/2093
Riassunto
Scopo della tesi: La diagnosi differenziale preoperatoria tra Adenomi Pleomorfi (PA) e Tumori di Warthin (WT) è di fondamentale importanza per la diversa gestione del paziente, trattamento ed esito. Lo scopo di questa tesi è valutare la capacità di due modelli radiomici di distinguere PA da WT sulla base di immagini di risonanza magnetica preoperatorie acquisite mediante sequenze pcfsT1w e T2w.
Materiali e Metodi: È stato condotto uno studio retrospettivo che ha coinvolto 159 masse parotidee (99 PA e 60 WT) analizzando immagini di risonanza magnetica acquisite nelle sequenze pcfsT1w e T2w. Le acquisizioni sono state effettuate con molteplici scanner RM di diversi costruttori e le regioni di interesse (ROI) sono state delineate manualmente utilizzando il software ITK-SNAP (versione 4.0.1). Sono stati sviluppati due modelli di machine learning (Regressione Logistica e XGBoost) e, applicando la Monte Carlo Cross Validation (MCCV), sono stati calcolati i valori medi delle metriche di valutazione (Accuratezza, BA, F1-score, AUC) sulle 250 iterazioni dei test.
Risultati: I valori medi di AUC del modello di Regressione Logistica sono AUC = 0,894 +/- 0,059, mentre quelli dell’algoritmo XGboost corrispondono a AUC = 0,902 +/- 0,054.
Conclusioni: L’analisi radiomica di sequenze di risonanza magnetica pcfsT1w e T2w può rappresentare uno strumento efficace nella differenziazione preoperatoria tra PA e WT.
Materiali e Metodi: È stato condotto uno studio retrospettivo che ha coinvolto 159 masse parotidee (99 PA e 60 WT) analizzando immagini di risonanza magnetica acquisite nelle sequenze pcfsT1w e T2w. Le acquisizioni sono state effettuate con molteplici scanner RM di diversi costruttori e le regioni di interesse (ROI) sono state delineate manualmente utilizzando il software ITK-SNAP (versione 4.0.1). Sono stati sviluppati due modelli di machine learning (Regressione Logistica e XGBoost) e, applicando la Monte Carlo Cross Validation (MCCV), sono stati calcolati i valori medi delle metriche di valutazione (Accuratezza, BA, F1-score, AUC) sulle 250 iterazioni dei test.
Risultati: I valori medi di AUC del modello di Regressione Logistica sono AUC = 0,894 +/- 0,059, mentre quelli dell’algoritmo XGboost corrispondono a AUC = 0,902 +/- 0,054.
Conclusioni: L’analisi radiomica di sequenze di risonanza magnetica pcfsT1w e T2w può rappresentare uno strumento efficace nella differenziazione preoperatoria tra PA e WT.
File
Nome file | Dimensione |
---|---|
Tesi non consultabile. |