DEEP LEARNING PER LA LOCALIZZAZIONE DEL CANCRO ALLA PROSTATA: IMPLEMENTAZIONE E VALUTAZIONE DI UN MODELLO 3D U-NET SU DATI MULTI-PARAMETRICI

Precise and reproducible segmentation of prostate cancer lesions in multi-parametric Magnetic Resonance Imaging (mpMRI) images is critical to diagnostic accuracy and focal therapy planning. The main challenge in performing such segmentation arises from the strong heterogeneity of the prostate tissue and the ambiguity of boundaries in cancer lesion definition, especially in the Transition Zone (TZ). This thesis focuses on the implementation and evaluation of a Deep Learning (DL) model based on the 3D U-Net architecture for the volumetric segmentation of prostate cancer lesions. The methodology involved training and validating the model on a comprehensive cohort of 435 patients, leveraging T2-weighted imaging (T2WI), apparent diffusion coefficient (ADC), and diffusion-weighted imaging (DWI) to exploit both anatomical and functional information. The model validation rigorously assessed performance using the Dice Similarity Coefficient (DSC) and the 95th Percentile Hausdorff Distance (HD95). The effectiveness of the developed model in terms of automated segmentation speaks to the capability to perform generalized localization and volumetrics; it reports an average DSC of about 0.59 on the test dataset. However, there exist important shortcomings in terms of geometrical accuracy, as reported by the mean HD95, which stands at about 6.5 mm; further, there seem to exist important variations in performance in terms of slice locations, since there are important drops in the TZ (around 0.53) as opposed to PZ (around 0.65). In conclusion, although the 3D U-Net represents a strong baseline model for prostate cancer segmentation, the current state-of-the-art model does not meet the sub millimetric accuracy level required in image-guided procedures. Rather, future studies need to concentrate on further model development in terms of refining architectures through innovative loss function designs or the utilization of domain adaptation, in order to advance towards the framework of AI and human collaboration in precision diagnostics.

La segmentazione precisa e riproducibile delle lesioni da carcinoma prostatico nelle immagini di Risonanza Magnetica Multiparametrica (mpMRI) riveste un ruolo fondamentale per migliorare l'accuratezza diagnostica e la pianificazione delle terapie focali. La principale difficoltà nell'esecuzione di tale segmentazione deriva dalla marcata eterogeneità del tessuto prostatico e dalla scarsa definizione dei margini delle lesioni tumorali, in particolare nella Zona di Transizione (TZ). La presente tesi si concentra sull'implementazione e sulla valutazione di un modello di Deep Learning (DL) basato sull'architettura 3D U-Net per la segmentazione volumetrica delle lesioni da carcinoma prostatico. La metodologia ha previsto l'addestramento e la validazione del modello su una coorte composta da 435 pazienti, utilizzando immagini T2-weighted (T2WI), mappe del coefficiente di diffusione apparente (ADC) e immagini di diffusione (DWI), al fine di integrare informazioni sia anatomiche sia funzionali. Le prestazioni del modello sono state valutate mediante il Dice Similarity Coefficient (DSC) e la distanza di Hausdorff al 95° percentile (HD95). I risultati ottenuti mostrano che il modello sviluppato possiede una buona capacità di localizzazione generalizzata e di valutazione volumetrica automatica delle lesioni, riportando un valore medio di DSC pari a circa 0,59 sul set di test. Tuttavia, permangono importanti limitazioni in termini di accuratezza geometrica, come evidenziato dal valore medio di HD95, pari a circa 6,5 mm. Inoltre, sono emerse differenze significative nelle prestazioni in relazione alla localizzazione anatomica delle lesioni, con risultati migliori nella Zona Periferica (PZ), dove il DSC medio raggiunge circa 0,65, rispetto alla Zona di Transizione (TZ), nella quale il DSC si riduce a circa 0,53. In conclusione, sebbene la 3D U-Net rappresenti una solida architettura di riferimento per la segmentazione del carcinoma prostatico, gli attuali modelli allo stato dell'arte non raggiungono ancora il livello di accuratezza submillimetrica richiesto dalle procedure guidate dalle immagini. Pertanto, i futuri sviluppi dovranno concentrarsi sul perfezionamento delle architetture mediante l'impiego di funzioni di perdita innovative e tecniche di domain adaptation, con l'obiettivo di favorire una sempre maggiore integrazione tra intelligenza artificiale e competenze cliniche nell'ambito della diagnostica di precisione.