Deep learning e analisi automatica del rialzo del seno mascellare su immagini Cone Beam

Negli ultimi anni, il campo dell’imaging medico ha registrato progressi notevoli, ma un aspetto rimane meno discusso: la difficoltà di confrontare nel tempo le immagini in modo coerente. In ambito clinico, una delle principali sfide è la necessità di monitorare i cambiamenti rispetto a condizioni precedenti. Questo diventa particolarmente complesso quando la variazione è progressiva e biologicamente complessa, come nel caso del rialzo del seno mascellare. In queste situazioni, il focus non è tanto sull’aspetto dell’innesto osseo in un preciso momento, quanto sulla sua evoluzione nei mesi seguenti.

Il tessuto osseo innestato presenta mutamenti di densità e si integra con i tessuti circostanti, complicando la misurazione manuale del volume. Tale misurazione può essere lenta, difficoltosa, e varia tra diversi operatori, risultando spesso poco riproducibile durante il follow-up. Recenti sviluppi nella tecnologia hanno portato alla creazione di un sistema innovativo chiamato SA-ai, che mira a trasformare il modo in cui affrontiamo questa problematica.

Il sistema SA-ai si basa su un’architettura composita che utilizza due modelli distinti: una U-Net 2D per la segmentazione del contorno del seno mascellare e una V-Net 3D per la segmentazione volumetrica su immagini CBCT (cone beam) sia pre che post-operatorie. Dopo la segmentazione, le immagini vengono allineate attraverso una registrazione rigida, permettendo un confronto efficace tra i dati. Invece di cercare di identificare direttamente l’innesto osseo, il sistema segmenta una struttura anatomica stabile, la mascella, in momenti distinti e calcola le differenze volumetriche. Questo approccio sposta l’attenzione dall’identificazione di un tessuto biologicamente variabile alla misurazione di una variazione geometrica.

Vantaggi e Performance del Sistema SA-ai

La segmentazione automatica della mascella ha dimostrato di raggiungere un’accuratezza elevata, con un Dice coefficient di circa 93%. Questa precisione è confermata dall’ottima concordanza tra le misurazioni automatiche e quelle manuali, con un indice di correlazione interclasse (ICC) che raggiunge valori fino a 0.99, evidenziando una quasi perfetta sovrapposizione tra i due metodi. Le misurazioni manuali effettuate da esperti mostrano che il sistema tende a riportare valori leggermente inferiori rispetto a queste, un risultato compatibile con un approccio più prudente nella definizione dei confini anatomici.

Un ulteriore aspetto significativo riguarda la capacità del sistema di mantenere alte prestazioni durante il follow-up. Questo è cruciale dato che numerosi modelli di segmentazione diretta del graft mostrano una diminuzione della precisione in presenza di modificazioni nell’aspetto radiologico del tessuto nel tempo. Inoltre, SA-ai è applicabile anche in casi one-stage, facilitando l’identificazione automatica del volume dell’impianto e la sua sottrazione dal volume totale osseo, consentendo una stima più accurata.

Efficienza Operativa e Tempi di Analisi

Dal punto di vista operativo, il sistema SA-ai presenta vantaggi significativi. Il workflow automatico riduce i tempi di analisi di oltre venti volte rispetto alla procedura manuale, che di solito richiede oltre un’ora per paziente. L’analisi automatizzata, invece, viene completata in pochi minuti, favorendo così una gestione più efficiente delle risorse e permettendo una valutazione più tempestiva degli interventi chirurgici.

In conclusione, l’adozione di strumenti avanzati come SA-ai rappresenta un passo in avanti nella neurologiaLa neurologia è la disciplina che studia il sistema nervoso... e nell’uso dell’intelligenza artificialeL'intelligenza artificiale (IA) è una branca dell'informat... Leggi in medicina, poiché offre nuovi metodi per affrontare la complessità della misurazione del tessuto osseo in evoluzione. Attraverso un’applicazione mirata della tecnologia, possiamo migliorare non solo l’accuratezza delle diagnosi ma anche la qualità complessiva dell’assistenza sanitaria.

L’articolo completo su Sinapsi. Clicca qui per aprire Substack!