Advanced optimization METhods for automated central veIn Sign detection in multiple sclerosis from magneTic resonAnce imaging

La sclerosi multipla (SM) è una malattia cronica che colpisce il sistema nervoso centrale, mostrando manifestazioni cliniche eterogenee come sintomi motori, cerebellari e sensoriali. Negli ultimi due decenni, la risonanza magnetica (MRI) è diventata uno strumento indispensabile per diagnosticare la SM. Tuttavia, gli attuali criteri MRI per la diagnosi di SM hanno una specificità imperfetta [GDR12, SRT07], rendendo la diagnosi errata di SM relativamente comune, con rilevanti costi sanitari e socioeconomici [SKB12, SBC16]. Per distinguere le lesioni della SM dalle anomalie della sostanza bianca derivanti da altre malattie, è stata proposta come strumento diagnostico l’identificazione di una vena rilevabile tramite MRI che attraversa il centro di una lesione [F64,TDD11,MAG18,SSH16]. Questo marcatore è indicato come segno della vena centrale (CVS). Tuttavia, l’applicazione clinica del CVS come biomarcatore è limitata dalle differenze tra operatori nella valutazione del CVS, nonché dal tempo necessario per la determinazione manuale del CVS per ciascuna lesione nella scansione RM completa di un paziente. Ad oggi, in letteratura sono stati proposti solo due algoritmi automatizzati per la classificazione delle lesioni della SM come CVS+ (lesioni della SM che mostrano la presenza di CVS) o CVS- (lesioni della SM senza CVS) [MFJ20, DSS18]. Tuttavia questi approcci soffrono di alcuni punti deboli. Vengono ora citati quelli più evidenti. In [MFJ20] le fasi iniziali di segmentazione e registrazione delle immagini vengono eseguite manualmente e il software non è disponibile al pubblico. D'altra parte, la procedura descritta in [DSS18] si è rivelata meno accurata della valutazione manuale nel valutare tutte le lesioni, poiché necessita di valutare manualmente il rumore ed escludere acquisizioni rumorose ad alto livello. Lo scopo di questo progetto è quello di sviluppare una pipeline automatizzata per il rilevamento del CVS in grado di superare i limiti degli approcci esistenti, facile da sfruttare nella pratica clinica e supportata da una forte analisi teorica degli aspetti matematici che modellano tutti gli elementi della pipeline necessari per fornire l’output finale. Partendo dalle acquisizioni MRI, la valutazione CVS richiede di affrontare diversi compiti di imaging che possono essere formalizzati matematicamente come problemi di ottimizzazione, vale a dire la segmentazione delle lesioni cerebrali, la registrazione di immagini acquisite in diversi campi magnetici, la rimozione di rumore e artefatti dai dati e la classificazione di una lesione come CVS+ o CVS-. Il progetto ha l'ambizione di proporre algoritmi di ottimizzazione numerica ad hoc per affrontare i problemi sopra menzionati e combinarli in una pipeline unificata adatta all'elaborazione rapida e automatica delle immagini cerebrali MRI acquisite per identificare la CVS. Il rilevamento automatizzato del CVS faciliterebbe la sua implementazione come biomarcatore diagnostico nella pratica clinica con vantaggi significativi sia per i medici che per i pazienti. L'obiettivo finale è applicare lo strumento di rilevamento CVS sviluppato a dati MRI concreti forniti dall'unità di ricerca dell'Università di Firenze. Bibliografia References [DSS18] Dworkin, J.D., Sati, P., Solomon, A., et al. Am. J. Neuroradiol., 39(10) (2018). [F64] Fog T. Acta Neurol. Scand. Suppl., 40 (1964). [GDR12] Gómez-Moreno, M., Díaz-Sánchez, M., Ramos-González, A., Mult. Scler., 18 (2012). [MAG18] Maggi P., Absinta M., Grammatico M, et al., Ann. Neurol. 83(2) (2018). [MFJ20] Maggi, P., Fartaria, M.J., Jorge, J., et al., NMR Biomed., 3 (2020). [SBC16] Solomon AJ, Bourdette DN, Cross AH, et al. Neurology, 87 (2016). [SKB12] Solomon AJ, Klein EP, Bourdette D., Neurology, 78 (2012). [SSH16] Solomon AJ, Schindler MK, Howard DB, et al. Ann Clin Transl Neurol., 3(2) (2016). [SRT07] Swanton, J. K., Rovira, A., Tintore, M., et al., Lancet Neurol., 6 (2007). [T