Valutazione delle performance di un approccio basato sul deep learning per la quantificazione della pressione portale epatica da ecografia con mezzo di contrasto

La cirrosi è attualmente l'undicesima causa di morte più comune a livello globale e rappresenta, assieme al cancro al fegato, il 3,5% di decessi in tutto il mondo. La misurazione del gradiente pressorio venoso (HVPG, Hepatic Venous Pressure Gradient) è tuttora l’unica tecnica per diagnosticare la severità delle malattie epatiche nonostante esso sia un intervento altamente invasivo, costoso e non replicabile nel breve periodo. Di conseguenza metodi non invasivi per la valutazione della fibrosi epatica sono di grande interesse clinico per la cura e la gestione dei pazienti malati di cirrosi e per diagnosticarne precocemente le complicazioni. Lo studio condotto in questa tesi si pone come obiettivo la valutazione delle performance di un approccio alternativo alla misurazione dell’HVPG mediante una procedura non invasiva basata sull’analisi automatica delle immagini fornite dall’ecografia epatica con mezzo di contrasto (DCE-US), in modo da valutare la gravità della degenerazione della rete vascolare causata dalla cirrosi e ricavarne il valore di HVPG relativo. In particolare, a partire dalle informazioni emodinamiche e perfusionali ricavabili dalle immagini ecografiche con mezzo di contrasto, si intende stimare la ramificazione dell’architettura vascolare, analizzandone l’intensità media prodotta dai frame di ogni acquisizione video DCE-US tramite una rete neurale convoluzionale (CNN, Convolutional Neural Network). L’analisi dell’intensità media emessa dalle microbolle di mezzo di contrasto rappresenta infatti una strategia molto promettente che associa al grado di vascolarizzazione del fegato un valore di HVPG.