logo SBA

ETD

Archivio digitale delle tesi discusse presso l’Università di Pisa

Tesi etd-09292026-111639


Tipo di tesi
Tesi di laurea magistrale LM6
Autore
PIERUCCI, LORENZO
URN
etd-09292026-111639
Titolo
Caratterizzazione delle metastasi epatiche da carcinoma colorettale mediante radiomica e machine learning applicati a immagini di risonanza magnetica T2-pesate
Dipartimento
RICERCA TRASLAZIONALE E DELLE NUOVE TECNOLOGIE IN MEDICINA E CHIRURGIA
Corso di studi
MEDICINA E CHIRURGIA
Relatori
.
relatore Prof.ssa Cioni, Dania
relatore Dott. Fanni, Salvatore Claudio
Parole chiave
  • fegato
  • liver
  • machine learning
  • magnetic resonance
  • metastasi
  • metastasis
  • radiomica
  • radiomics
  • risonanza magnetica
Data inizio appello
20/10/2026
Consultabilità
Non consultabile
Data di rilascio
20/10/2096
Riassunto (Inglese)
Riassunto (Italiano)
L’obbiettivo della tesi è sviluppare e valutare un modello di Machine Learning basato sull'analisi radiomica di immagini di Risonanza Magnetica (RM) preoperatoria pesate in T2 per predire lo stato dei margini istopatologici (liberi "0" vs infiltrati "1") post-metastatectomia epatica da carcinoma del colon-retto (CRLM). È stato effettuato uno studio retrospettivo su 30 pazienti, di cui per ciascuno abbiamo utilizzato immagini RM T2- pesate (16 di classe "0" e 14 di classe "1"), i volumi di interesse (VOI) sono stati segmentati manualmente attraverso il software 3Dslicer. Attraverso la piattaforma Trace4Research™, sono state estratte 580 features radiomiche conformi allo standard IBSI. Applicando filtri di variabilità, informazione mutua ed algoritmi genetici, sono state selezionate 8 feature non ridondanti. Sono stati valutati 5 classificatori di Machine Learning (Random Forest, SVM, KNN, MLP e Regressione Logistica) tramite validazione incrociata nested 10-fold e sovracampionamento ADASYN.
Tra i risultati ottenuti il modello di Regressione Logistica ha mostrato le migliori prestazioni, ottenendo una ROC-AUC media dell'86% (76–96%), un'accuratezza del 75% (65–85%), una sensibilità dell'82% (69–94%), una specificità del 68% (52–85%), un PPV dell'80%, un NPV dell'82% e un F1Score del 75%.
Dunque, L'integrazione tra radiomica T2-pesata e Machine Learning consente di catturare l'eterogeneità microstrutturale del tessuto tumorale, offrendo uno strumento promettente per la stratificazione preoperatoria del rischio di infiltrazione dei margini. Pur trattandosi di una prova di concetto limitata dalla numerosità campionaria, l'approccio mostra una concreta rilevanza clinica nella pianificazione chirurgica.
File