Studio ed Implementazione di Tecniche per l'Analisi Automatica di Risonanze Magnetiche Strutturali

Questo progetto nasce da una sinergia con il reparto di neurochirurgia di Torrette. In particolare, il neurochirurgo Dottor Roberto Trignani assieme alla sua equipe ci aveva suggerito lo sviluppo di una pipeline di classificazione per effettuare una corretta prognosi della patologia di idrocefalo normo-teso. A causa di rallentamenti dovuti all'epidemia covid-19, solo pochi campioni sono stati resi disponibili. Per questa ragione, dal momento che la patologia di idrocefalo normo-teso è comparabile a quella di Alzheimer dal punto di vista morfologico, la pipeline di preprocessing e classificazione è stata applicata ad un dataset contenente 145 risonanze magnetiche di adulti affetti da disturbo di Alzheimer e 130 di adulti cognitivamente sani, eseguite in modalità T1w. In particolare, è stata ideata ed implementata una pipeline di preprocessing che consente di massimizzare il contenuto di informazione utile in campioni di risonanza magnetica alla testa, al fine di migliorare le performance di classificazione multi-classe. Il preprocessing è stato implementato in Python tramite le librerie FSL e Nibabel, mentre la rete neurale, progettata con sei layer, è stata a sua volta implementata in Python ed eseguita sfruttando la potenza di calcolo fornita da Google Colab Pro in modalità TPU High-RAM. La rete neurale usata come classificatore è caratterizzata da un layer ricorrente convLSTM. L'intuizione è nata constatando le ottime performance di classificazione della rete convLSTM su video brevi, ovvero con un numero di frame minore di 100, dal momento che una risonanza magnetica alla testa non è altro che una sequenza di immagini in scala di grigi la cui informazione utile è solitamente inclusa in un numero di slice minore di 100. Come risultato, l'applicazione della pipeline di preprocessing ha incrementato le metriche di accuratezza dal 53% al 75%, raggiungendo una precisione media del 75% e un recall medio del 75%. In conclusione, il connubio tra la pipeline di preprocessing e la rete neurale caratterizzata da un layer convLSTM si è rivelato promettente nel distinguere soggetti sani da soggetti affetti da disturbo di Alzheimer, mostrando un’accuratezza del 75% in fase di test.