Studio, implementazione e confronto di diverse tecniche di deep learning per la valutazione morfologica dell'atrio sinistro da dati LGE-MRI

La definizione di algoritmi in grado di effettuare un’accurata segmentazione dell’atrio sinistro si è rilevata di fondamentale importanza nel trattamento di alcune aritmie cardiache come, per esempio, la fibrillazione atriale. I recenti sviluppi nel campo delle reti neurali convoluzionali hanno permesso lo studio di modelli che forniscono una segmentazione atriale automatica. Attualmente la rete U-Net sembra essere la più adatta a svolgere questo compito anche se presenta alcuni aspetti negativi che spingono a ricercare soluzioni alternative e a testare delle condizioni che possano migliorare le sue prestazioni. In questo elaborato sono state implementate cinque reti convoluzionali per la segmentazione automatica dell’atrio: U-Net, Attention U-Net, Attention U-Net con deep supervision, Attention U-Net con ingressi multipli ed infine V-Net. Ognuna di queste reti è stata applicata ad immagini LGE-MRI acquisite su pazienti affetti da fibrillazione atriale. I risultati dimostrano che la rete U-Net fornisce prestazioni migliori anche utilizzando strategie di addestramento differenti. Tuttavia, in base ai valori ottenuti, Attention U-Net con ingressi multipli potrebbe rappresentare una possibile alternativa negli studi futuri.