• automatic 3d segmentation
• CCTA
• coronary arteries
• coronary artery desease
• deep learning
• nnUNet v2

La tesi si concentra sullo sviluppo di algoritmi di intelligenza artificiale per la diagnosi della malattia coronarica (CAD) a partire da immagini acquisite tramite Angio-TC coronarica. Dopo una panoramica clinica sulla CAD e sulle tecniche di imaging, viene presentato un approccio basato su Deep Learning per la segmentazione automatica delle arterie coronarie. Il modello adottato è la rete nnU-Net v2, capace di adattarsi automaticamente al dataset utilizzato, in questo caso ImageCAS. La rete è stata addestrata e validata tramite una procedura di cross-validation e successivamente testata su un dataset esterno acquisito con tecnologia Photon Counting CT, presente in Fondazione Monasterio. L’obiettivo finale è migliorare la diagnosi automatica e oggettiva delle stenosi coronariche tramite la segmentazione del lume vascolare e la misura delle aree luminali lungo la centerline. Il metodo proposto ha mostrato risultati promettenti nella segmentazione automatica delle arterie coronariche, mentre il calcolo delle aree vascolari richiede ulteriori ottimizzazioni per raggiungere una maggiore accuratezza e affidabilità.

The thesis focuses on the development of artificial intelligence algorithms for the diagnosis of coronary artery disease (CAD) from images acquired through coronary CT angiography (CCTA). After a clinical overview of CAD and imaging techniques, a Deep Learning-based approach is presented for the automatic segmentation of coronary arteries. The adopted model is the nnU-Net v2 network, which can automatically adapt to the dataset used—in this case, ImageCAS. The network was trained and validated through a cross-validation procedure and subsequently tested on an external dataset acquired with Photon Counting CT technology, available at Fondazione Monasterio. The ultimate goal is to improve the automatic and objective diagnosis of coronary stenosis by segmenting the vascular lumen and measuring luminal areas along the centerline. The proposed method showed promising results in the automatic segmentation of coronary arteries, while the calculation of vascular areas still requires further optimization to achieve greater accuracy and reliability.