Le nuove frontierre dell’imaging cardiovascolare pongono il TSRM di fronte a sfide sempre più complesse.
Lo studio condotto da Francesca Dell’Agnello e colleghi, pubblicato su European Heart Journal – Imaging Methods and Practice, analizza l’applicazione di un modello di deep learning basato su rete 3D U-Net per la segmentazione automatizzata dell’aorta toracica e del ventricolo sinistro da acquisizioni TC con gating ECG.
Il modello 3D U-Net rappresenta una architettura di rete neurale convoluzionale, progettata e addestrata per riconoscere complessi pattern anatomici all’interno di immagini diagnostiche tridimensionali. Questa rete esegue una segmentazione automatizzata, un processo computazionale, che identifica e isola autonomamente i voxel appartenenti all’aorta e al ventricolo dai tessuti circostanti, sostituendo il contouring manuale dei contorni.
Questa metodologia consente un’analisi morfometrica e dinamica estremamente precisa sulle fasi dell’intero ciclo cardiaco, rimuovendo il fattore variabilità interoperatore, con un significativo risparmio di tempo nel processo di post processing.
In uno scenario di rapida evoluzione verso una diagnostica sempre più orientata alla precisione, per il TSRM diventa imperativo lo sviluppo di competenze avanzate nell’interazione con tecnologie basate sull’intelligenza artificiale. La padronanza di questi tool analitici è fondamentale per ottimizzare i workflow elaborativi, assicurare la riproducibilità dei dati e valorizzare il contributo tecnico – scientifico all’interno dell’équipe multiprofessionale.
Fonte: DELL’AGNELLO, F. ET AL., Advancing morphometric assessment of the aorta and left ventricle from dynamic CT: a deep learning-based study. European Heart Journal – Imaging Methods and Practice (2026). Link: https://doi.org/10.1093/ehjimp/qyag090
