• Alzheimer
• Deep Learning
• PET-Unet3D
• Segmentazione

Il morbo di Alzheimer (AD) è una malattia degenerativa irreversibile del cervello ed attualmente non esiste una terapia efficace per una cura definitiva ma sono in via di sperimentazione trattamenti per rallentare il decorso della malattia. Per questo è determinante avere una diagnosi precoce.
La tomografia ad emissione di positroni di fluorodeossiglucosio (FDG-PET) è una modalità di imaging molecolare funzionale che si è dimostrato uno strumento potente per valutare i cambiamenti cerebrali legati all’Alzheimer in corrispondenza di particolari regioni. Tali aree sono identificabili dal medico nucleare con segmentazione manuale, tecnica impegnativa e soggettiva.
In questo lavoro sono state applicate tecniche di Deep Learning per rendere automatica la segmentazione semantica delle regioni cerebrali sperimentando il comportamento su tre modelli di rete neurale con architettura U-Net3D.
I tre modelli, che differiscono per modifiche architetturali, sono stati addestrati e validati con un dataset di volumi 3D PET acquisiti da 60 soggetti con differenti livelli di interesse diagnostico.
Con i risultati della fase di test basata su un dataset di 23 volumi si è determinato che il modello con la migliore performance è risultato quello costituito con tre livelli di contrazione seguiti da tre livelli di espansione. Tale modello è stato in grado di riconoscere per ogni soggetto tutte le label della segmentazione con precisione del 80% simile alla previsione ottenuta in fase di validazione con il Coefficiente di Dice pari a 0.81.