ETD

• CAD
• Coranarie
• Deep learning
• photon counting
• RCA

Partendo dallo studio dello stato dell’arte sulla segmentazione delle arterie coronarie mediante reti neurali basate su architetture U-Net e modelli a trasformatori, è stato sviluppato un algoritmo di elaborazione di dati CT photon counting. Sfruttando la maggiore risoluzione spaziale offerta da questa tecnologia, le immagini acquisite sono state analizzate tramite un processo di segmentazione automatica e successiva estrazione della centerline, al fine di ottenere una visualizzazione raddrizzata della coronaria destra (RCA). Da questa rappresentazione sono state ricavate sezioni trasversali corrispondenti ai tratti prossimale, medio e distale del vaso, successivamente proiettate in immagini 2D utilizzate per l’addestramento di una rete neurale convoluzionale dedicata alla classificazione.
I risultati della rete sono stati validati e interpretati mediante l’applicazione di mappe di attivazione Gradient-weighted Class Activation Mapping (Grad-CAM), che hanno permesso di visualizzare le regioni maggiormente rilevanti nel processo decisionale del modello. L’obiettivo complessivo del lavoro è fornire, attraverso metodologie di deep learning, un approccio automatizzato per il processamento e la valutazione preliminare della malattia coronarica nella RCA, integrando segmentazione, analisi morfologica e classificazione diagnostica a supporto del medico radiologo.

Starting from the state-of-the-art analysis of coronary artery segmentation methods based on U-Net architectures and transformer models, an image processing algorithm for photon-counting CT data was developed. By exploiting the higher spatial resolution provided by this imaging technology, the acquired data were analyzed through automatic segmentation and subsequent extraction of the vessel centerline, enabling the generation of a straightened visualization of the right coronary artery (RCA). From this representation, cross-sectional images corresponding to the proximal, mid, and distal segments of the vessel were extracted and projected into 2D slices, which were then used to train a convolutional neural network for classification tasks.
The network’s results were validated and interpreted using Gradient-weighted Class Activation Mapping (Grad-CAM), allowing the visualization of the regions most relevant to the model’s decision-making process. The overall goal of this work is to provide, through deep learning methodologies, an automated approach for the processing and preliminary diagnosis of coronary artery disease in the RCA, integrating segmentation, morphological analysis, and diagnostic classification to support clinical evaluation.