MODELLAZIONE, SVILUPPO E VALIDAZIONE DI RETI NEURALI CONVOLUZIONALI PER LA SEGMENTAZIONE DEI TUMORI CEREBRALI PEDIATRICI

I tumori del sistema nervoso centrale (SNC) costituiscono una delle principali cause di mortalità oncologica globale ed in particolare circa un ottavo si verifica in pazienti di età compresa tra 0 e 24 anni. La segmentazione accurata delle immagini di Risonanza Magnetica (RM) è cruciale per definire l’estensione del tumore e personalizzare i trattamenti, ottimizzando così l’approccio terapeutico. La complessità intrinseca di queste neoplasie, tuttavia, impone l’adozione di tecnologie avanzate per affrontare le sfide diagnostiche. Questa tesi si propone di sviluppare modelli basati sul Deep Learning (DL) per la segmentazione automatica delle diverse regioni nei tumori cerebrali pediatrici, utilizzando il dataset di addestramento della challenge BraTS-PED 2024. La fase iniziale del lavoro, che prevede la preelaborazione dei dati volumetrici tramite le operazioni di skullstripping, cropping, normalization e data augmentaion, è seguita dallo sviluppo di due pipeline. Il primo workflow proposto è un approccio di transfer learning basato sul modello SegResNet, una rete convoluzionale profonda disponibile sul framework MONAI e pre-addestrata sul dataset BraTS 2018 Adult Glioma. Il secondo workflow implementato è orientato alla costruzione di due modelli multi-encoder ispirati all’architettura U-Net e addestrati from-scratch, ovvero con inizializzazione casuale dei pesi. Le performance per entrambe le strategie risultano in linea con la letteratura e dimostrano la capacità degli algoritmi di DL di migliorare l’accuratezza, la velocità e la riproducibilità della segmentazione delle diverse regioni tumorali.