La radiologia è una delle discipline mediche maggiormente coinvolte dalla transizione digitale. I molti sistemi digitali, diretti e indiretti, applicati alla diagnostica per immagine, hanno velocizzato ed efficientato l’acquisizione dei dati.

Maneggiare tanti dati significa anche potere (e dovere) riconoscere vari aspetti clinici, anche secondari o apparentemente tali.

Pubblicità

Per facilitare, in tal senso, il medico, oggi si dibatte ampiamente, ad esempio, sull’intelligenza artificiale.

Prima di arrivare a questo, si approfondiscano i mezzi attualmente disponibili: l’elaborazione delle immagini radiografiche prevede una serie di algoritmi di modificazione ed enhancement. Uno dei più usati consiste nei filtri di sharpening: il termine equivale alla nitidezza e fa riferimento alle tecniche utilizzate per esaltare le transizioni di intensità tra pixel adiacenti, legate alle proprietà differenziali, in particolare alla luminosità, dell’immagine.

La non corretta applicazione di questi algoritmi può condurre a cattiva interpretazione delle immagini, se non addirittura alla formazione di artefatti.

Negli ultimi anni, tali limiti sono stati superati e, anzi, come detto, sfruttati in senso positivo, grazie alla combinazione con il campo di ricerca, proprio nell’ambito dell’intelligenza artificiale, del deep learning, basato su reti neurali artificiali. Queste ultime sono, attualmente considerate il miglior metodo di classificazione automatica delle immagini.

A questo proposito, si consideri lo studio di Kats e colleghi, recentemente pubblicato su BMC Oral Health, che si è proposto proprio di valutare fattibilità ed efficacia della tecnologia in diagnostica radiografica oro-maxillo-facciale.

Gli autori, attivi presso la School of Dental Medicine della Tel Aviv University, hanno predisposto un dataset di 4290 slice, selezionate casualmente da diversi esami CBCT, prodotti da due diversi sistemi radiografici, da parte di due odontoiatri esperti in imaging odontoiatrico.

Da queste, sono stati ricavati 4 subset (sempre da 4290 immagini ciascuno, l’80% per il training e il rimanente 20 per la validazione), un controllo non sottoposto a modifiche e 3 gruppi di immagini, sottoposte a livelli crescenti di sharpening. 1200 immagini sono state infine testate.

Nei gruppi test (in ordine sharpening 1, 2 e 3) sono stati riscontrati i seguenti parametri: sensibilità 53, 93.33 e 93%, specificità 72.33, 84 e 85.33%, infine accuratezza 62.17, 88.67 e 89%.

Questi dati vanno letti come indicativi di un’elevata performance. Per il prossimo futuro, gli sperimentatori si sono proposti di estendere l’uso ad altri esami digitali odontoiatrici.

Si può concludere affermando che la transizione alla lettura digitale sia già in atto e aspettandosi una diffusa transizione dal digitale tradizionale. Del resto, nel decennio passato si è assistito a una capillare e incontrovertibile transizione dalla radiologia odontoiatrica analogica a quella digitale, appunto.

R

Radioprotezione: sharpening e deep learning combinati nella diagnosi CBCT - Ultima modifica: 2021-09-01T06:05:27+00:00 da redazione

LASCIA UN COMMENTO

Inserisci il tuo commento
Inserisci il tuo nome