Radiological imaging is a key technology that bridges scientific and societal needs, and can provide an important synergy that may contribute to advances in diagnostics. It comprises various modalities, including 3D radiological imaging ones, such as computed tomography and magnetic resonance. The assessment of pathological changes in the anatomical structures of the human body by analyzing radiological images is essential in the clinical decision-making process. In this guise, lung computed tomography and brain structural magnetic resonance have been receiving greater attention in the investigation of, respectively, lung oncological pathologies and neurological pathologies. In the clinical practice, the detailed interpretation of radiological images needs to be performed by expert human eyes. However, such interpretations are heavily influenced by the biases and potential fatigue of the clinicians. Decision-support algorithms driven by deep learning are experiencing unprecedented success in 3D radiological imaging diagnostics, thanks to their ability to automatically discover the informative representations without the professional knowledge of domain experts. Since it has been demonstrated that an early therapeutic intervention during the initial stages of both lung oncological pathologies and neurological pathologies has a positive impact on the progression of symptoms and quality of life of diseased subjects, an accurate yet timely diagnosis of such disorders is of crucial importance. In this thesis, six novel scan-based decision-support algorithms driven by deep learning have been designed and developed in the cloud directly by taking advantage of the spatial information provided by 3D radiological data. According to the findings of this thesis, Cloud-YLung and LUCY are effective in the automatic characterization of non-small cell lung cancer histological subtypes directly from whole-lung computed tomography scans; whereas, ConvLSTM4AD, Brain-on-Cloud, CLAUDIA, and CASPAR are reliable and lightweight for automatically diagnosing Alzheimer's disease (all the algorithms), mild cognitive impairment (the third algorithm), Parkinson's disease (the fourth algorithm), and schizophrenia (the fourth algorithm) from whole-brain structural magnetic resonance scans. Therefore, deep learning can be used to drive the development of clinical decision-support algorithms in 3D radiological imaging diagnostics with more than acceptable performance, paving the way of taking the first steps forward towards a reduction of the diagnostic times by effectively supporting the clinician in the decision-making process.

L’imaging radiologico è una tecnologia chiave che collega necessità sociali e scientifiche, e può fornire un’importante sinergia capace di contribuire agli avanzamenti in diagnostica. Esso comprende varie modalità, tra cui quelle 3D, come la tomografia computerizzata e la risonanza magnetica. La valutazione dei cambiamenti patologici nelle strutture anatomiche del corpo umano mediante l'analisi delle immagini radiologiche è essenziale nel processo decisionale clinico. Di conseguenza, la tomografia computerizzata polmonare e la risonanza magnetica strutturale cerebrale stanno ricevendo un’attenzione via via maggiore nell’investigazione di patologie oncologiche polmonari e patologie neurologiche, rispettivamente. Nella pratica clinica, l’interpretazione dettagliata delle immagini radiologiche ha bisogno di essere eseguita da occhi umani esperti. Tuttavia, tale interpretazione è fortemente influenzata dai bias e dal potenziale affaticamento dei medici. Gli algoritmi di supporto decisionale guidati dal deep learning stanno sperimentando un successo senza precedenti nella diagnostica per immagini radiologiche 3D, grazie alla loro abilità di individuare le rappresentazioni più informative in maniera completamente automatica, senza l’ausilio della conoscenza professionale di esperti nel settore. Dal momento che è stato dimostrato che un intervento terapeutico precoce durante gli stadi iniziali sia di patologie oncologiche polmonari sia di patologie neurologiche abbia un impatto positivo sia sull’evoluzione dei sintomi sia sulla qualità di vita dei soggetti che ne sono affetti, una diagnosi precoce ed accurata di suddette malattie è fondamentale. In questa tesi, sei nuovi algoritmi di supporto decisionale basati su scan e guidati dal deep learning sono stati progettati e sviluppati nel cloud sfruttando direttamente l’informazione spaziale contenuta nei dati radiologici 3D. Secondo i risultati di questa tesi, Cloud-YLung e LUCY sono efficaci nella caratterizzazione automatica dei sottotipi istologici di cancro polmonare a cellule non-piccole direttamente da scan di tomografia computerizzata in cui è stata preservata integralmente l’anatomia polmonare. Invece, ConvLSTM4AD, Brain-on-Cloud, CLAUDIA, e CASPAR sono affidabili e leggeri dal punto di vista computazionale nella diagnosi automatica dell’Alzheimer (tutti gli algoritmi), del suo stadio prodromale (il terzo algoritmo), del Parkinson (il quarto algoritmo), e della schizofrenia (il quarto algoritmo) da scan di risonanza magnetica strutturale in cui è stata preservata integralmente l’anatomia cerebrale. Quindi, il deep learning può essere usato per guidare lo sviluppo di algoritmi di supporto decisionale clinico nella diagnostica per immagini radiologiche 3D con performance più che accettabili, spianando la strada per muovere i primi passi verso una riduzione dei tempi diagnostici supportando efficacemente il medico nel processo decisionale.

On-cloud decision-support algorithms driven by deep learning in 3D radiological imaging diagnostics / Tomassini, Selene. - (2023 Jun 19).

On-cloud decision-support algorithms driven by deep learning in 3D radiological imaging diagnostics

TOMASSINI, SELENE
2023-06-19

Abstract

Radiological imaging is a key technology that bridges scientific and societal needs, and can provide an important synergy that may contribute to advances in diagnostics. It comprises various modalities, including 3D radiological imaging ones, such as computed tomography and magnetic resonance. The assessment of pathological changes in the anatomical structures of the human body by analyzing radiological images is essential in the clinical decision-making process. In this guise, lung computed tomography and brain structural magnetic resonance have been receiving greater attention in the investigation of, respectively, lung oncological pathologies and neurological pathologies. In the clinical practice, the detailed interpretation of radiological images needs to be performed by expert human eyes. However, such interpretations are heavily influenced by the biases and potential fatigue of the clinicians. Decision-support algorithms driven by deep learning are experiencing unprecedented success in 3D radiological imaging diagnostics, thanks to their ability to automatically discover the informative representations without the professional knowledge of domain experts. Since it has been demonstrated that an early therapeutic intervention during the initial stages of both lung oncological pathologies and neurological pathologies has a positive impact on the progression of symptoms and quality of life of diseased subjects, an accurate yet timely diagnosis of such disorders is of crucial importance. In this thesis, six novel scan-based decision-support algorithms driven by deep learning have been designed and developed in the cloud directly by taking advantage of the spatial information provided by 3D radiological data. According to the findings of this thesis, Cloud-YLung and LUCY are effective in the automatic characterization of non-small cell lung cancer histological subtypes directly from whole-lung computed tomography scans; whereas, ConvLSTM4AD, Brain-on-Cloud, CLAUDIA, and CASPAR are reliable and lightweight for automatically diagnosing Alzheimer's disease (all the algorithms), mild cognitive impairment (the third algorithm), Parkinson's disease (the fourth algorithm), and schizophrenia (the fourth algorithm) from whole-brain structural magnetic resonance scans. Therefore, deep learning can be used to drive the development of clinical decision-support algorithms in 3D radiological imaging diagnostics with more than acceptable performance, paving the way of taking the first steps forward towards a reduction of the diagnostic times by effectively supporting the clinician in the decision-making process.
19-giu-2023
L’imaging radiologico è una tecnologia chiave che collega necessità sociali e scientifiche, e può fornire un’importante sinergia capace di contribuire agli avanzamenti in diagnostica. Esso comprende varie modalità, tra cui quelle 3D, come la tomografia computerizzata e la risonanza magnetica. La valutazione dei cambiamenti patologici nelle strutture anatomiche del corpo umano mediante l'analisi delle immagini radiologiche è essenziale nel processo decisionale clinico. Di conseguenza, la tomografia computerizzata polmonare e la risonanza magnetica strutturale cerebrale stanno ricevendo un’attenzione via via maggiore nell’investigazione di patologie oncologiche polmonari e patologie neurologiche, rispettivamente. Nella pratica clinica, l’interpretazione dettagliata delle immagini radiologiche ha bisogno di essere eseguita da occhi umani esperti. Tuttavia, tale interpretazione è fortemente influenzata dai bias e dal potenziale affaticamento dei medici. Gli algoritmi di supporto decisionale guidati dal deep learning stanno sperimentando un successo senza precedenti nella diagnostica per immagini radiologiche 3D, grazie alla loro abilità di individuare le rappresentazioni più informative in maniera completamente automatica, senza l’ausilio della conoscenza professionale di esperti nel settore. Dal momento che è stato dimostrato che un intervento terapeutico precoce durante gli stadi iniziali sia di patologie oncologiche polmonari sia di patologie neurologiche abbia un impatto positivo sia sull’evoluzione dei sintomi sia sulla qualità di vita dei soggetti che ne sono affetti, una diagnosi precoce ed accurata di suddette malattie è fondamentale. In questa tesi, sei nuovi algoritmi di supporto decisionale basati su scan e guidati dal deep learning sono stati progettati e sviluppati nel cloud sfruttando direttamente l’informazione spaziale contenuta nei dati radiologici 3D. Secondo i risultati di questa tesi, Cloud-YLung e LUCY sono efficaci nella caratterizzazione automatica dei sottotipi istologici di cancro polmonare a cellule non-piccole direttamente da scan di tomografia computerizzata in cui è stata preservata integralmente l’anatomia polmonare. Invece, ConvLSTM4AD, Brain-on-Cloud, CLAUDIA, e CASPAR sono affidabili e leggeri dal punto di vista computazionale nella diagnosi automatica dell’Alzheimer (tutti gli algoritmi), del suo stadio prodromale (il terzo algoritmo), del Parkinson (il quarto algoritmo), e della schizofrenia (il quarto algoritmo) da scan di risonanza magnetica strutturale in cui è stata preservata integralmente l’anatomia cerebrale. Quindi, il deep learning può essere usato per guidare lo sviluppo di algoritmi di supporto decisionale clinico nella diagnostica per immagini radiologiche 3D con performance più che accettabili, spianando la strada per muovere i primi passi verso una riduzione dei tempi diagnostici supportando efficacemente il medico nel processo decisionale.
bioengineering; radiology; radiological imaging; 3D analysis; artificial intelligence in diagnostics; deep supervised learning; deep neural networks; clinical decision-support algorithms; computer-aided diagnosis systems; computed tomography; magnetic resonance; lung cancer histology automatic characterization; non-small cell lung cancer; neurological disorder automatic classification; Alzheimer's disease; Parkinson's disease; schizophrenia
bioingegneria; radiologia; imaging radiologico; analisi 3D; intelligenza artificiale in diagnostica; apprendimento profondo supervisionato; reti neurali profonde; algoritmi di supporto decisionale clinico; sistemi diagnostici computerizzati; tomografia computerizzata; risonanza magnetica; caratterizzazione automatica dell'istologia del cancro polmonare; cancro polmonare a cellule non-piccole; classificazione automatica dei disordini neurologici; morbo di Alzheimer; morbo di Parkinson; schizofrenia
File in questo prodotto:
File Dimensione Formato  
Tesi_Tomassini.pdf

embargo fino al 19/12/2024

Descrizione: Tesi_Tomassini
Tipologia: Tesi di dottorato
Licenza d'uso: Creative commons
Dimensione 7.41 MB
Formato Adobe PDF
7.41 MB Adobe PDF   Visualizza/Apri   Richiedi una copia

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11566/315318
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact