Virtual Histology: a novel technique to analyze myocardial tissue composition

Questo studio delinea la fattibilità di una nuova tecnica chiamata Istologia Virtuale dove lo stato del tessuto viene valutato direttamente estraendo ed analizzando valori Hounsfield da CT cardiache. Il tessuto viene prelevato in diverse posizioni del setto intraventricolare e della parete esterna del ventricolo sinistro per valutarne lo stato. Viene proposto un flusso di lavoro riproducibile e ripetibile per ottenere campioni con un volume di 1 cc partendo da immagini 2D. I campioni estratti vengono analizzati per creare un modello rappresentativo dei soggetti sani e viene poi confrontato con quello di soggetti affetti da rottura del setto intraventricolare post-infarto e cardiomiopatia ipetrofica, per diagnosticare la patologia direttamente dallo stato dei tessuti e non dalla sintomatologia. Vengono presentati e discussi i migliori parametri per caratterizzare il profilo densitometrico specifico di una porzione 3D di tessuto. Anche se i risultati per media, deviazione standard ed entropia sono incoraggianti, non sono sufficienti per distinguere accuratamente le patologie, quindi grazie ad un'ulteriore estrazione di features ci si è spostati ad un problema di Machine Learning. I nuovi parametri sono legati all'intensità del singolo pixel, proprietà dei profili densitometrici, e alla texture. Le misure di intensità sono caratteristiche 3D mentre per la texture, i risultati sono una media di slices 2D. Lo sbilanciamento delle classi ostacola la corretta classificazione di alcuni dati appartenenti ai soggetti affetti da patologie, ma le tecniche di Data Augmentation permettono di fornire una prova di ciò che sarà possibile in futuro con una corte bilanciata di soggetti. Uno studio di Feature Importance viene eseguito per capire quali caratteristiche sono più rappresentative nel dividere il dataset e il risultato è che la moda del profilo è una delle migliori per classificare i campioni seguita correlazione fra due pixels e dal contrasto.