ETD

• automatic segmentation
• classification
• classificazione
• CNN
• DW-MRI
• linfoma
• linfonodi
• lymph nodes
• lymphoma
• Random Forest
• segmentazione automatica

La segmentazione e la classificazione dei linfonodi nelle immagini DW-MRI sono cruciali per la diagnosi e il monitoraggio del linfoma, tumore in crescita a livello globale. La DW-MRI, tecnica non invasiva, sfrutta la diversa diffusione delle molecole d’acqua per distinguere tessuti maligni, più densi e compatti, da quelli benigni, caratterizzati da maggiore libertà di movimento delle molecole. La segmentazione automatica, realizzata tramite reti neurali convoluzionali, riduce tempi ed errori rispetto ai metodi manuali. In questo studio, su 45 pazienti, è stato sviluppato un modello di segmentazione basato sull’architettura No New Net, con input combinati (ADC e b1000), ottenendo un Dice medio di 0.52, limitato da numero ridotto di pazienti, risoluzione non ottimale e immagini di ground truth parziali e imprecise. Per la classificazione, su 18 pazienti (1562 linfonodi benigni e 33 maligni) è stato impiegato un Random Forest addestrato su caratteristiche morfologiche e statistiche selezionate tramite PCA. Le performance hanno mostrato sensibilità 0.80, specificità 0.67 e accuratezza 0.74, ma lo squilibrio tra classi resta critico. Lo studio evidenzia il potenziale della DW-MRI in oncologia, sottolineando però la necessità di dataset più ampi e bilanciati e immagini di ground truth più accurate.

The segmentation and classification of lymph nodes in DW-MRI images are crucial for the diagnosis and monitoring of lymphoma, a tumor with a growing global incidence. DW-MRI, a non-invasive technique, exploits the different diffusion of water molecules to distinguish malignant tissues, which are denser and more compact, from benign ones, characterized by greater molecular mobility. Automatic segmentation, performed using convolutional neural networks, reduces time and errors compared to manual methods. In this study, on 45 patients, a segmentation model based on the No New Net architecture was developed, with combined inputs (ADC and b1000), achieving a mean Dice score of 0.52, limited by the small number of patients, suboptimal resolution and partially inaccurate ground truth images. For the classification, a Random Forest was trained on morphological and statistical features selected through PCA on 18 patients (1562 benign and 33 malignant lymph nodes). The results showed a sensitivity of 0.80, a specificity of 0.67 and an accuracy of 0.74, but the class imbalance remains a significant challenge. This study highlights the potential of DW-MRI in oncology, while emphasizing the need for larger and more balanced datasets and more accurate ground truth images.