ETD

• allineamento degli istogrammi
• attention u-net
• coefficiente dice
• data augmentation
• dataset esaote
• deep learning
• ecografia muscolo-scheletrica
• intelligenza artificiale
• preprocessing
• reti neurali convoluzionali
• rumore speckle
• segmentazione automatica
• u-net

L’ecografia muscolo-scheletrica è una tecnica di imaging non invasiva e dinamica, ampiamente utilizzata per lo studio dei nervi periferici. L’identificazione manuale di tali strutture risulta tuttavia un processo dispendioso, soggettivo e strettamente dipendente dall’esperienza dell’operatore. In questo lavoro è stato sviluppato un approccio basato su reti neurali convoluzionali per la segmentazione automatica dei nervi, implementando e confrontando U-Net e Attention U-Net. Il dataset Nerve Ultrasound Challenge è stato organizzato a livello di paziente, con validazione incrociata a 5 fold, al fine di garantire una valutazione equa e non ridondante. Per rendere il modello più stabile e resistente alla variabilità del segnale sono state applicate procedure di preprocessing e tecniche di data augmentation dedicate, inclusa la simulazione di rumore speckle. I risultati, valutati principalmente con il coefficiente Dice, mostrano buone prestazioni sia su validazione che su test: U-Net tende a prevalere in presenza di speckle simulato, mentre Attention U-Net risulta più stabile in assenza di rumore artificiale. Per valutare la capacità di generalizzazione, i modelli sono stati testati anche su un secondo dataset fornito da Esaote, acquisito con sonde e parametri differenti. Per ridurre il disallineamento nella distribuzione delle intensità, è stato applicato un procedimento di allineamento degli istogrammi e confrontato con il caso senza correzione. Le analisi confermano una rilevazione coerente di alcune strutture nervose, i cui risultati e limiti sono discussi nel manoscritto. Queste evidenze indicano la potenziale integrazione di modelli di deep learning nell'ecografia muscolo scheletrica, con potenziali benefici sulla riduzione dei tempi di analisi e sul supporto all’operatore in applicazioni in tempo reale.

Musculoskeletal ultrasound is a non-invasive and dynamic imaging technique, widely employed for the study of peripheral nerves. Nevertheless, the manual identification of such structures is a time-consuming, subjective process, strongly dependent on the operator’s experience. In this work, an approach based on convolutional neural networks was developed for the automatic segmentation of nerves, implementing and comparing U-Net and Attention U-Net. The Nerve Ultrasound Challenge dataset was organized at the patient level, with a 5-fold cross-validation, in order to ensure a fair and non-redundant evaluation. To enhance model stability and robustness against signal variability, preprocessing procedures and dedicated data augmentation techniques were applied, including the simulation of speckle noise. The results, assessed primarily through the Dice coefficient, demonstrate good performance on both validation and test sets: U-Net tends to achieve better results in the presence of simulated speckle, while Attention U-Net proves more stable in the absence of artificial noise. To evaluate the generalization capability, the models were also tested on a second dataset provided by Esaote, acquired with different probes and acquisition parameters. To reduce misalignment in intensity distributions, a histogram matching procedure was applied and compared to the uncorrected case. The analyses confirm consistent detection of certain nerve structures. Results and limitations are discussed in the manuscript. These findings highlight the potential integration of deep learning models into musculoskeletal ultrasound, with possible benefits in reducing analysis time and supporting the operator in real-time applications.