Applicazione di reti neurali di deep learning alle immagini tomografiche di masse epatiche e spleniche nel cane

The aim of this PhD project was to train and test a deep learning convolutional neural network (CNN) capable of classifying the tomographic images of hepatic and splenic lesions as benign or malignant. A limited number of studies describing the CT features of splenic and hepatic lesions in dogs are available and, therefore, a secondary aim of this PhD was to describe the computed tomographic qualitative and quantitative features of benign and malignant focal liver and splenic lesions. A total of 108 dogs were retrospectively collected, with 69 cases of focal liver lesions (13 hepatocarcinomas (HCC), 19 nodular hyperplasia (NH), 18 other benign lesions (OBL), and 19 other malignant lesions (OML)), and 52 cases of focal splenic lesions (16 NH, 14 OBL, 8 round cell tumours (RCT), and 14 sarcomas (SA)). In 13 patients both hepatic and splenic lesions were present. In the descriptive study on hepatic lesions, 10 qualitative and 6 quantitative features were described on each case. A machine-learning based decision-tree capable of classifying NHs, OBLs, HCCs, and OMLs with an accuracy of 0.74, 0.88, 0.87, and 0.75 respectively was developed. Moreover, a meta-analysis to identify the qualitative and quantitative CT features of canine focal liver lesions useful to distinguish benign and malignant lesions, was performed. Larger maximum dimensions and volume (two closely related parameters), and lower attenuation values resulted as the CT features more associated with malignancy. In the descriptive study on splenic lesions, 8 qualitative and 6 quantitative features were described in each case. NHs and OBLs were characterized by smaller dimensions, a solid aspect, and high enhancement in post-contrast phase. In particular, OBLs showed highest enhancement compared to NHs. Also in this case, a machine learning based decision-tree to classify the lesions based on their histotype was developed. Using the decision-tree it was possible di classify SAs with high level of accuracy (0.89), and OBLs and NHs with moderate accuracy (0.79). Nevertheless, the decision-tree was unable to classify RCTs. Finally, the CNN “Inception V3” was trained and tested to classify the tomographic images of canine hepatic and splenic lesions as malignant or benign. The CNN, correctly classified the 70% of the hepatic lesions test set, with good accuracy (0.80) and sensitivity (0.80), but a low specificity (0.60). Furthermore, the CNN developed on splenic lesions showed good sensitivity (0.75), but low specificity (0.50) and accuracy (0.63), correctly classifying only the 62.5% of the cases. In addition to the main topic of the PhD, the following research projects were conducted: 1) the development of a fragility index to evaluate the canine ageing process; 2) the application of the contrast-enhanced ultrasonography (CEUS) to canine and feline focal liver lesions; 3) the correlation between histological grade of kidney degeneration and inflammation and the ultrasonographic alterations; 4) application of CNN models to canine chest radiographies to identify cardiomegaly and other common findings, to develop a computed-aided diagnostic (CAD) system.

Lo scopo del nostro lavoro era allenare e testare una rete neurale di deep learning sulle immagini tomografiche delle lesioni epatiche e spleniche del cane per classificarle come benigne e maligne. Inoltre, abbiamo descritto le caratteristiche tomografiche qualitative e quantitative delle lesioni focali maligne e benigne epatiche e spleniche più frequenti nel cane. Abbiamo raccolto in tutto 108 cani, nei quali abbiamo individuato 69 casi di lesioni epatiche (13 epatocarcinomi (HCC), 19 iperplasie nodulari (NH), 18 altre lesioni benigne (OBL), 19 altre lesioni maligne (OML)) e 52 di lesioni spleniche (16 NH, 14 OBL, 8 tumori rotondocellulari (RCT), 14 sarcomi (SA)). In 13 pazienti erano co-presenti lesioni epatiche e lesioni spleniche. Abbiamo descritto 10 caratteristiche tomografiche qualitative e 6 quantitative per ciascun caso. Abbiamo poi sviluppato un decision-tree in grado di classificare NH, OBL, HCC e OML con accuratezza di 0.74, 0.88, 0.87 e 0.75 rispettivamente. Inoltre, abbiamo condotto uno studio di metanalisi per identificare le caratteristiche qualitative e quantitative delle lesioni epatiche del cane utili per distinguerle in benigne e maligne. Le maggiori dimensioni e il maggior volume (due caratteristiche strettamente correlate sono risultati associati alla malignità. Nello studio descrittivo delle lesioni spleniche in CT, abbiamo descritto 8 caratteristiche qualitative e 6 quantitative per ciascun caso. NH e OBL sono caratterizzate da dimensioni inferiori, aspetto solido ed elevato enhancement in post-contrasto. In particolare, le OBL hanno mostrato un enhancement maggiore delle NH in post-contrasto. Anche in questo caso abbiamo elaborato un decision-tree per la classificazione dell’istotipo delle lesioni: il decision-tree ha classificato i SA con alta accuratezza (0.89) e OBL e NH con accuratezza moderata (0.79). Tuttavia il decision-tree non è stato in grado di classificare i RCT. Infine, abbiamo allenato e testato la rete neurale “Inception V3” sulle immagini tomografiche delle lesioni epatiche e spleniche, per classificarle come maligne e benigne. La CNN, ha correttamente classificato il 70% dei casi di lesioni epatiche che componevano il test set, con buona accuratezza (0.80) e sensibilità (0.80), ma bassa specificità (0.60). Ha inoltre mostrato buona sensibilità (0.75), ma bassa specificità (0.50) e accuratezza (0.63) con le lesioni spleniche, classificandone correttamente solo il 62.5%. Nel nostro studio, abbiamo seguito anche altri progetti: elaborazione di un indice di fragilità del cane per studiarne l’invecchiamento; applicazione dell’ecografia con mezzo di contrasto (CEUS) alla valutazione delle lesioni focali epatiche del cane e del gatto; correlazione tra grado istologico di degenerazione e infiammazione renale e alterazioni ecografiche; applicazione di reti neurali di deep-learning alle immagini radiografiche del torace del cane per individuare la cardiomegalia e altre alterazioni di frequente riscontro nella pratica clinica quotidiana, per sviluppare uno strumento diagnostico di supporto al medico veterinario (CAD).